雷锋网 AI 科技评论按：4 月 26 - 28 日，GMIC 北京 2018 在北京国际会议中心召开。自 2017 年 3 月首次被写入政府工作报告，人工智能产业上升为国家战略后，这个科技界的专业词汇，如今已经席卷各行各业，成为新的经济增长点和国际竞争的焦点。
GMIC 北京 2018 主题为：「AI」生万物，谐音爱生万物，科学技术要有人文的温度，机器有爱，真「芯」英雄。
作为大会的首场峰会，全球人工智能领袖峰会汇聚全球业界顶尖领袖，探讨在基础硬件、大数据与开源平台、深度学习为代表的算法等人工智能领域的最新洞见，是年度行业发展的风向标。这里有人工智能与人类未来的激变；有深度学习三巨匠的巅峰对话；有中美巨头 4 vs 4 的平台布局与战略头部碰撞；还有成长最快的新星公司，为我们揭示最具发展潜力的市场领域。
雷锋网 AI 科技评论根据现场视频及速记内容做了「AI现状与未来」圆桌全文的精编和整理。
主持人：有请创新工场董事长兼 CEO 李开复、Yann LeCun、Michael Jordan、高欣欣，进行圆桌论坛。
主持人 高欣欣：大家好！今年的 GMIC 主题叫做「爱生万物」、「AI 生万物」。人工智能经历了六十多年的发展，随着计算力算法的突破，随着数据的积累。在近几年，在很多行业都激活了全新的场景，带来了全新的价值，引起了世界范围的投入和关注。
可是人工智能作为一个发展中的技术，其实还在演进的过程当中，有所能为，有所不能为，因此还有很多亟待解决的问题。
我们接下来这个环节叫做「AI 的现状和未来」。我们今天的嘉宾都是在人工智能领域，从学术界到产业界重量级的嘉宾。接下来就让我们一起和他们聊聊。
我第一个问题先请问开复老师，他是在 AI 产业界重量级的嘉宾，开复老师我要拜托你一件事，先给我们在场的来宾们一个整体的回答，在你看来，当前人工智能的技术，在一个什么样的现状；而我们中国又在一个什么样的位置和机遇之上呢？
创新工场董事长兼 CEO 李开复：谢谢，LeCun 刚才讲得非常精彩，他所描述的也是从学术的角度上来说。我们在过去的五年左右看到了深度学习和相关的技术渗透各种领域，尤其是计算机视觉。从应用的角度来看，我会把人工智能的应用归纳成为四波浪潮，这四波浪潮它应用的方式不太一样。其实在座的每一位每天都在用人工智能。
第一波浪潮就是互联网的 AI 浪潮，也就是说当你每次在淘宝点击的时候，每次在朋友圈点赞的时候，这些数据都被收集起来，成为巨头互联网公司能够更深度地的了解，然后为他提供更好的服务、更贴切的服务，还有变现，这是互联网 AI。
由于互联网的数据量是最大的，我们每天都像小白鼠一样，帮助这些巨头在标注数据，所以今天的 AI 巨头其实和互联网巨头是呈等号的。所以美国的 Google、Facebook、亚马逊、微软还有中国的 BAT 等公司引领第一波浪潮。
第二波浪潮就是谁有大量的价值，谁能把数据拿来变现或者提升商业价值。比如说一个银行用用户的数据降低信用卡的欺诈率或者贷款的还款率，或者是投资的回报率。当然在各种其他的应用，比如说供应链、医疗、学校，其实任何有数据的领域都可以把它商业化，商业化 AI 的浪潮现在正在发生，大部分 AI 公司都是做商业化 AI 的工作，也是一个 To B 的生意。
第三波浪潮就是要收集那些基于视觉、听觉或者其他传感器，收集过去不存在的数据，然后把这些数据变成一个新的应用，甚至是一个新的用户体验。比如说我们看到各种智能音响的语音交互。比如说我们看到更多的摄像头，比如在各个领域里面。比如说在创新工场的前台，我们就放着 Face++，实现了无前台自动开门的功能。当然我们可以把这样一个聪明的计算机视觉+传感器用在各个不同的领域。比如说在无人商店、工厂等等的应用。所以第三波浪潮已经来临，我们会看到更多的传感器、更多的芯片，更多的摄像头布置在周围的各个地方。
第四波浪潮我们叫做自主化、自动化的 AI，这也就是我们科幻片看到的机器人、无人驾驶，还有更聪明的无人飞机等等。那么这个浪潮会彻底颠覆我们出行的习惯，还有我们今天所有的物流系统。然后我们的工厂会慢慢变成熄灯工厂、无人工厂，我们的商店慢慢会变成无人商店，所以第四波浪潮会是非常巨大的。第四波浪潮已经有一些初级的应用出来了，比如说无人驾驶 L1 到 L4 的发展。
这四波浪潮会来得非常迅猛。我们每一天都在使用 AI，未来会应用的更多。
这四波浪潮也给中国带来更多的机会，尤其在互联网上，我们已经占了世界的半壁江山。在视觉方面和传感器方面的应用，我们也发展的非常快。因为我们有海量的数据。在那些比较深入的科技，像无人驾驶方面还是美国领先的。但是中国有数据的优势和强大的政策推动，所以中美两国在未来会保持人工智能领域领先的状况。
高欣欣：说的太好了，谢谢开复老师。聊了现状，我们必须要聊聊未来。首先我第一个问题要请教的是 Michael Jordan，大家可能不知道他在人工智能领域是绝对的奠基者和领袖。在最新的博客当中你提到了很多新的东西，你提到了以人为中心的工程科学等等方面的主题，你觉得人工智能的技术将来会是什么样发展的演化过程呢？
Michael Jordan：我非常高兴能够来到 GMIC 大会，也非常高兴能见到我的老朋友，LeCun。我是一个学术界的人士，我对整个产业发展也是有很多的关注，对我们来说，我们的原则就是要搭建一个体系，目前我们的原则并不是很多，在四十年代的时候，我们当时就有一个名为化学工程的学科。当时建立了很多的准则、原则，使得我们能够让很多的化工厂，能够以非常合理的规则来进行演化和发展。
但目前，这样一些原则并没有完全的建立，所以体系尚未成熟。现在我们奢望建立的是智能的自动化系统。其实无人驾驶或是其它的应用并不是我们最终的目标，包括我们的银行也好，或者是物流也好，并不是为了“完全自动”，我们真正的目的是要让它更好的实现连接。
现在如果要把这些智能系统称为 AI，我觉得这并不正确。我认为现在还没有出现真正的智能，或者说，我认为我们尚不清楚智能的真正含义。现在我们或许可以从数据中提炼模型实现一些功能。但是它的一些语义或者其他背后的背景和引申的含义等等，这样的智慧和智能还不存在。
因此我们需要每一个体系，每一个系统都达成这种智能。目前并没有这样一个智能的网络，所以我们要实现整个智能，需要整个体系的搭建，而不是单个个体的智能。其实在无人驾驶或者无人商店这些领域，需要它自己自主做出决策。并且一些决定可能还是有先后顺序和优先级别的。有的做决定是同时做出多个决定，在真实世界当中可能我们要做出成千上万个在经济、金融、商业方面的各种决策。
因此，我们可以想象一下，有这样一个提出专家建议的体系，看起来非常智能。它能够通过学习我的一些信息，推荐我看这本书、看这部电影，然后在全世界进行部署，就像今天的阿里巴巴、亚马逊等公司在做的事情。很多时候亚马逊向人们推荐一本书的时候，人们会感觉到“量身定制”的优越性。这些 AI 的技术正在不断的部署到各种日常应用中。
但这也会导致另一种极端：如果系统向所有人推荐了同一家餐厅，那么拥挤不堪的用餐体验并不能让每个人感到高兴；又比如说从机场到市区，系统会告诉所有查询的人哪条路不堵，结果反而让这条原本不堵的路变得拥挤；比如说大家都想去投资股票赚钱，向人们推荐同一个股票。很多时候在建立这个体系的时候，如果向人们推荐的都是同一种内容，可能这个体系就会出现问题，我们必须要负起责任来。我们在搭建这样一个体系的时候，我们考虑的并不是单个的个体智能，而是整个体系和网络。包括数据、决策，包括还有可能出现的错误都要考虑进去。
因此在这个研究当中，它有一些原则性的东西正在不断的涌现。但是这个过程并不完善，有很多概念还需要去完善。我想现有的问题是，我们似乎已经认为人工智能无处不在，但实际上整个体系还需要时间来建立。
比如无人驾驶汽车虽然没有人，但是它的驾驶要真的像人一样在驾驶，而不是说只是一个能做出反应的机器。所以建立一个自动化的体系，真的并不容易。人们可以用人工智能这样一个词来表述这种技术，这并没有问题，但是千万不要夸大。
高欣欣：下一个问题我想问一下 Yann LeCun。您曾经讲到过让机器来学常识，这样它能够预测一些问题，并做出可能的回答。您可以再进一步阐述下您的这个想法吗？它和监督式学习、无监督学习和增强学习，它的关联度在哪里呢？
Yann LeCun：其实我在整个人工智能的领域，在这方面有很多的想法和交流。当然从学术性的到实际的应用，也有很多路要走。
Facebook 有一些应用的初步尝试，我们希望机器有真正的智能，并搭建起这样一个体系架构。我们希望人工智能可以很好地实时的做相关的事情，很多技术现在还没有到位。很多研究工作实际上已经进行了几十年，但有些目标还没有达成。因为机器要获取大量的知识，它才能够真正实现像人类那样的智能和智慧，并做出很多的预测和判断来做很多的事情。
刚才我们也听到了 Jordan 教授所说的，我们需要建立很多基本的原则才能建立一个体系，让机器达到人类的智能水平。
在我的演讲当中，也强调了监督式和无监督式的学习。这个过程当中可以看到的是，机器它需要有预测能力，它需要通过从不同传感器的信息输入来进行自我的判断和预测，它从多种渠道获取相应的海量数据，来获取类似于人类的先验知识。而无监督式的学习，它给到机器的训练数据是非常少的，那么机器学习的能力就比较有限，因为它所获取的反馈和信息是不足够的。在这个过程当中，我们看到机器与人类的区别是很明显的，这个也是驱动我们下一步研究的动力。
高欣欣：非常感谢。刚才我们问了这么多技术的问题，我们要问一下关于人工智能产业相关的问题。
下一个问题要请教 Michael Jordan 教授，因为 Michael Jordan 在 2017 年 5 月有一个新的 title，即蚂蚁金服科学智囊团的主席，而且 AI 赋能产业也是今年特别重要的、大家关注的话题。所以我想请问一下 Michael Jordan 先生关于这方面的问题。
Michael Jordan 教授，我的问题是，您曾经讲过机器学习技术对整个产业发展和技术价值的生成有一些重要的作用，你能举例说明一下吗？
Michael Jordan：感谢 Yann 刚刚跟我们之间进行的一些交流，所以我们的讨论是非常有意义的。刚提到的一个词是「Red Herring(红鲱鱼) in AI」，但屏幕上的人工智能翻译，翻译的是「Red Hair in the eye」。可能是单词同音的关系，人工智能在语义的理解方面仍然会有一些问题。
的确，人工智能已经经历了六十年的发展，真的可以看到这是一个漫长的历程，包括媒体在内的高度关注也在共同推进它的发展。
其实很多时候，要搭建一个智能的体系，你并不需要对人工智能的所有方面都去了解。人工智能本身是一种计算机科学，但是它如果要与经济实体发生关联，可能会提出更多的要求。
如果在我们的生产者和消费者之间搭建一个体系，这样一种体系的搭建就会生成经济效益，也会与我们前面讲的这些问题相关联。
如果我们向所有的人都推荐同样一个餐厅，那么这个餐厅将会人满为患，大家都不想去太拥挤的餐厅了，那么它的价值在哪里呢？我们的计算机科学怎么样为经济服务？
我认为最好有一个相应的竞价系统。座位是一座一价的方式来进行相应的竞标。比如说我想吸引这里的人过来，我这里的餐厅座位就可以提供 20% 的折扣或者是多少的折扣。因此在这个过程当中，大家都可以去竞价，然后实现座位的合理分配。经过这样的方式，我的餐厅也有很好的上座率。我旁边的竞争对手可以看到这个餐厅已经开了，而且里面已经满座了。这个时候竞争对手就会想，如果我提供更多的折扣，也许能吸引到相应的客户来我这里就餐。
现在我们整个所谓的人工智能体系，并没有考虑这么多，它在做推荐的时候，还是有相应的局限。
我还可以举一些其他的例子，比如说音乐，现在整个音乐市场并不是很完整，虽然有各种各样的人和一起都在做音乐的创作，很多人也在听音乐，但是我们可以看到，很多人并不能从做音乐当中赚钱，它并没有真正的经济效益，怎样去解决这样的问题呢？如何用我们的人工智能技术，实现技术到市场化的转变，使它有商业的价值，能够从中赚钱，可以有相应的数据流，到底是哪些人在听。
比如说可能我的音乐在深圳很流行，因为那边的人既喜欢听我的音乐，又喜欢向他们的亲朋好友推荐我的音乐，这样数据流就很有价值。既然深圳的人很喜欢听我的歌，我就去深圳开一个音乐会，或者去别人的婚宴上唱歌，那么我可以把唱歌的爱好实现商业价值的转换。
通过这样一些数据能创造很多的商业价值，目前很多问题甚至都没有被深思熟虑，这个时候可以挖掘它们的商业价值，这就是我们的人工智能应该实现的一些功能。因此对我来说，这能更好地实现人工智能的价值，也就是让计算机科学更好地为人类造福。
因此，我们也需要一些商业上的人才、经济方面的人才共同跟科学家协作，让人工智能创造更多的商业价值，探索更多的无限可能。
高欣欣：刚才 Michael Jordan 谈了很多如何用 AI 建立全新市场，创造全新价值的过程。另外一个维度在 AI 里面，在 AI 产业和企业里面经常是产学研结合得特别好，有很多的 AI 企业都有自己的 AI 研究院，甚至有很多 AI 初创企业都有自己的 AI Lab，这是在人工智能领域特别常见的现象。这个问题我想请教一下 Yann LeCun，现在您在领导 Facebook 的 AI 研究团队，此外你在纽约大学依然有教授的职位，能否请教一下公司的 AI 研究到底该如何开展呢？
Yann LeCun：当四年半之前我们在 Facebook 开始相应的研究，之前我在 AT&T 和贝尔实验室工作过，通过开展一些研究，我们可以提前进行企业在 AI 领域的布局。然而，并不是所有的公司都可以做到这一点，对于人工智能而言，因为人工智能的研究会有很多限制，有很多问题仍然没有得到解决。我们必须不断的去进行研究，而且需要去研究自己解决问题。我们会让机器变得更加智能，可以更好的了解人的思想和人的思维的方式，但是，没有任何一家公司或者个人能够独立解决这样一个问题。
另外，企业可以非常容易地与大学进行实践研究方面的合作，比如说我依然在学术界保留职位。我认为在学术界所做的研究是不一样的，高校研究者并不是彼此竞争的关系，他们做的都是自己感兴趣的研究。双方的研究非常互补，我觉得学术界与产业的结合也很完美。大家会看到，在北美、欧洲、亚洲等地会出现越来越多这样的情况，高校的研究者或科学家会在企业或者在学术界都担任要职，这样可以更好的实现学术界和产业之间的交流，我觉得这是现在正在发生的、非常重要的一种变化。
关于产业界的实践研究，通过这种方式你可以吸引最好的科学家，但你必须告诉科学家他要做的是什么，趋势是什么，只有这样科学家他才愿意到这里来研究。科学家的职业发展，实际上也会影响到整个人工智能研究的发展方向，所以你必须让科学家知道你公司里面正在做的是什么，只有这样科学家才可以更好的参与这样的研究。
另外，像 Google、FaceBook 这样的公司，他们投入了很大的精力做人工智能的研发，对他们的品牌来说是好的，也可以吸引更多工程师的人才。我觉得在这方面的投入可以让企业变得更有吸引力，这就是他们为什么投入研究 AI 研究的原因，可以吸引到更多的人才参与到这方面的研究。
高欣欣：今天上午的最后一个问题，不管你们是做 AI 技术的发展或者是 AI 产业的发展，其实都离不开 AI 人才，其实 AI 人才特别稀缺。
最后开复老师做了一件事情，我觉得特别伟大，特别有意义。开复老师和教育部、北京大学一起发起了一个项目，预计在 2019 年培养数万名的学生。今天上午还有一个专门讲 AI 人才的环节，在这里我们先抛砖引玉，你可不可以先给我们介绍一下 AI 人才计划呢？
创新工场董事长兼 CEO 李开复：如果我们分析一下中美之间的优势和劣势，我觉得美国在教育方面有非常强的优势。比如说在座的 Yann LeCun 教授和 Michael Jordan 教授都出自非常优秀的大学，甚至美国前一百名的大学都有非常好的 AI 课程。在国内虽然有非常优质的计算机人才，如果进入了 BAT 他们能学到很好的 AI。但是如果我们要建立起人工智能的金字塔，必须从基层做起，也就是说我们需要在大学毕业的时候就有一定的 AI 基础，怎么做这个事情呢？我们分了三个步骤。
第一个事情，正如欣欣所说的，我们和教育部、北大做一个教师培训，这样不仅仅是中国的前十名大学可以有好的 AI 课程，中国的前一百甚至几百名的大学都能够有 AI 课程，这样学生在读本科的时候就可以接触到 AI 领域。
第二，我们会做一个针对性的培养，把最有潜质成为未来 AI 金字塔顶尖的研究者进行集中培训，我们会请国际大牛和国内大牛对他们进行帮助。我们今年会教 100 位老师，明年会更多，他们可以在三四年之内教几万名学生；除了这几万名学生，我相信有很多刚开始工作的朋友们，还有一些学校还没有开设 AI 的课程的人士，甚至他不是学计算机，而是学数理科或者是文科专业，我们跟公司成立了 AI Challenger的竞赛平台，去年有一万人参加，未来有几十万人参加，这样我们才能把 AI 教育做的更普及。
我觉得中国要从 AI 大国成为 AI 强国的道路上，在教育领域还有比较大的落差。
经过这几个步骤，我们希望这些同学无论是经过线上或者是线下，校内或者是校外的渠道，当他们毕业的时候就已经成为有一些经验的 AI 人才。
高欣欣：太有意义了，时间过的真快，我们这个环节要结束了。而技术的美好就是不断刷新着我们对美好生活的体验和想象，让我们永远保持好奇，永远脚踏实地，一起探寻这个美好的新世界，非常感谢李开复老师，谢谢两位教授。
更多资讯敬请关注雷锋网 AI 科技评论。
正在生成分享图...
Nemo