data-v-4d3e2fd7>Photo by Marisol Benitez on Unsplash,本文来自微信公众号:,作者:德米特里,制图:孙绿,校稿:猫斯图,编辑:养乐多说起倾斜的建筑,人们第一个想起的往往都是意大利的比萨斜塔。但是有这么一座城市,城中心的全部建筑几乎都出现了不同程度的倾斜。那就是墨西哥的首都墨西哥城。今天上场的,就是墨西哥城如同一些沿海城市一样,墨西哥城也遭遇着地面沉降问题,近年来城区部分地区每年下降程度达到惊人的30厘米。相比之下总是被警告正在沉入海底的水城威尼斯,下降到这个距离,则需要至少20年。这可真是个问题那么墨西哥的首都为何沉降幅度如此之大,又怎么样才能...... Last article READ

李开复对话彭特兰:AI不是单打独斗 应避免AI冷战

  文/李开复

  来源:李开复(ID:likaifu)

  近日,创新工场董事长兼 CEO 李开复博士与阿莱克斯·彭特兰教授(Alex Pentland)展开了一场”AI 如何重塑人类社会”的精彩对话。《连线》杂志的资深撰稿人威尔·奈特(Will Knight)主持了这场对话。

  阿莱克斯·彭特兰教授任教于麻省理工学院,为全球大数据权威专家之一,现任 MIT 连接科学研究所主任、MIT 媒体艺术与科学教授,拥有“可穿戴设备之父”、《福布斯》“全球七大权威大数据专家”、《麻省理工科技评论》“年度十大突破性科技”两度桂冠获得者等头衔,曾参与创建 MIT 媒体实验室,是全球被引述次数最多的计算科学家之一。

  对话金句:

  李开复:

  AI 最大的机会蕴藏在与传统企业的结合中,这种价值的产生极其迅速,只需要几个月,甚至短短几周。

  未来突破很难预测,对奇点、超级智能的争辩,在我看来都过于乐观了。

  小型 AI 公司与巨头竞争,我的建议是找准巨头没有平台优势的细分领域,为某个针对性产业创造价值,不要与巨头核心业务正面硬碰。

  阿莱克斯·彭特兰:

  AI 绝非试图取代人类,而是促进多元文化之间的相互连接、团队合作,让人们更好的进行社交和连接彼此。

  最困难的其实是说服人们改变商业流程去使用 AI,因为大多数人是墨守成规的。

  人工智能有朝一日可以取代人类所有的能力,但是这个过程会非常漫长,可能需要上百年或更久。

  李开复博士在对话中表示,当我们试图解决 AI 问题时,应该用技术来解决技术的问题,可以寻求与监管部门协作,而不只是丢给他们,“新技术会衍生新的问题,我们应该多方尝试用更进阶的技术性解决方案,就像电脑病毒刚出现时,杀毒软件随之诞生。”

  彭特兰教授认为,人工智能的核心,是促进多元文化之间的相互连接。不只是工程师或科学家,连经济学家、政治家都必须参与进来。“国家之间应该促进合作、制定互通标准,就像 TCP/IP 互联网协议那样,避免 AI 冷战。”

  他们认为,AI 发展从来不是单打独斗,跨学科思维、跨领域合作尤为重要。

  这场对话是麻省理工学院中国创新与创业论坛(MIT-CHIEF) 组织的高峰对话系列活动,主题是《计算与未来: AI 与数据科学如何重塑人类社会》。

  麻省理工学院中国创新与创业论坛(MIT-CHIEF)由麻省理工学院的中国留学生创立,至今已有十年,是北美历史最悠久的、由高校学生组织的中国创新创业论坛。系列高峰对话邀请了顶级科学家、投资人及创业者,共同探讨科技创新及商业化过程中面临的挑战。

  Part I 主题演讲

  李开复:各方应协作,让 AI 更务实

  非常荣幸再次受到 MIT-CHIEF 的邀请,对于人工智能的看法,这次我主要想讲四点。

  第一点是我书里的主题,人工智能的超能力。我们已经从人工智能的发明期步入应用期阶段,从应用落地层面来说,正迎来了 AI 发展最大的机遇。

  很多科技公司目前已对人工智能进行了多样化布局,从视觉、语言、触觉和其他感知技术,到自动化机器人、无人驾驶等,对很多领域开启了深远的影响。虽然眼下所见的 AI 应用仍有局限性,但我预测未来的格局会非常庞大,依据统计,各行各业采用 AI 的程度目前不到5%,AI 应用的中长期增长曲线相当可期。

  第二点是我很欣喜看到的一点,AI 正在和传统行业深度融合。随着人们对人工智能的了解越来越多,更多的 AI 公司涌现出来。

  AI 最大的机会蕴藏在与传统企业的结合中,创新工场也正在帮助金融、制造、物流、零售、医疗等行业的公司进行 AI 变革。

  作为 AI 投资人,我认为在这些行业如果找到正确的 AI 应用方向,就能带来上千万的回报。这种商业价值的产生是极其迅速的,通常只需要几个月,甚至短短几周就能看到成果。

  现在人工智能在传统产业的渗透率仍在个位数,仍然有很大的提升空间。然而对于很多公司来说,它们需要的是高度定制化的方案,而非通用型 AI 方案,所以融合的过程中,不可避免会遇到不少挑战和痛点。

  第三,我早年做过很多科研工作,很高兴能看到关于系统一和系统二(System One, System Two)的讨论,我们期待人工智能技术从系统一升级为系统二,即从识别、决策、优化等能力,升级到感知、认知等进阶智能的能力。

  有不同的学派都在努力让人工智能更接近人类智能,其中一个流派主张回归经典的 AI 理念,甚至重新构建崭新的模型结构,在深度学习技术的基础上利用人类的知识。但我更支持另一个理论——深度学习的潜力还没有完全释放。

  回看人工智能过去 60 多年的历程,最大的突破来自于计算能力和数据量大增而产生的可扩展算法。我们看到了卷积神经网络(CNN)带来的喜人成绩,还有预训练自然语言处理模型(Pre-Trained Models for Natural Language Processing)的广泛运用。

  预训练模型与人类语言学习的模式类似,不管是英语还是中文,在习得这些语言之后,再去学习编程、艺术、化学。在无人监督的学习环境中,这种模式比我们想象得还要强大,就像阿尔法围棋(AlphaGo)一样。

  最后一点我想说的是,如何让 AI 变得更务实。

  AI 有很多问题,例如隐私、数据安全、治理和监管,在此就不一一讨论了。当我们试图解决这些 AI 难题时,有人认为让监管部门加强管理是唯一办法,其实不然,我们是否也可以朝着研发更厉害的技术性解决方案去努力?

  就像电脑病毒刚出现时,杀毒软件随之诞生;面对千年虫难题时,也迅速找到了技术应对方案。我们可以通过研发新技术,应对 DeepFake 深度换脸程序的挑战;或者通过联邦学习技术,在保证数据私密性的同时,满足深度学习训练需求。

  作为握有技术能力的群体,我们需要与监管部门一起协作,而不只是把工作丢给他们。相信有了各方的助力,我们可以让 AI 的应用变得更有深度,更加务实,更高效地克服现在面临的种种问题。

  阿莱克斯·彭特兰:国家间应建立互通标准,避免“AI 冷战”

  我对当前的深度学习技术不太乐观。

  最为主要原因是,深度学习不仅需要庞大的数据源,而且要求这些数据长时间恒定不变,以保证模型训练结果的可靠性,例如人类的面容、语言,就是相对稳定不变的数据源。

  但深度学习却没法应对快速变化的真实情况。亚马逊在新冠疫情蔓延速度暴增时,出现了仓库货物紧缺,不得不停止送货服务。这种经过深度学习高度优化后的系统发生崩溃,就是因为快速变化的疫情,和深度学习对恒定数据源的需求是矛盾的。

  另外,我想谈谈如何通过联邦学习,促进数据的流通。

  大多数公司没有足够丰富的数据,需要联合不同的数据来源。基于这种需求,出现了很多新商业模式,比如“数据经纪人”——他们不出售数据,而是把数据借出去,作特定需求的使用。

  “数据经纪人”业务涌现了很多,他们促进了数据的流通,也加强了数据的隐私性。因此,像联邦学习这样的技术和商业策略结合,有效解决了数据在合规性和所有权方面的难题。

  联邦学习也依赖于新的基础设施建设,为数据应用和深度学习提供基础环境,比如区块链技术。现在世界上很多国家在做相关系统的建设实验,新加坡等国家设置了一种相互竞争的区块链系统,来解决支付和物流问题。我们最近也帮助瑞士做了类似的实验,涉及不同数据的互通性和连贯性问题。

  我们仍在研究如何用尽量少的数据,实现人工智能的目标。少量数据是指不断更新的短期数据,这些数据能使 AI 应对迅速变化的情况,并及时做出调整。

  我们打算将 AI 与其他基础科学结合,例如阿尔法围棋(AlphaGo)就是这类结合的初步尝试。这些方法不依赖于大量恒定数据,可能会比深度学习更加强大。

  除此之外,我们在探讨用 AI 保障联邦学习过程中不同数据方的权益,这是实现不同国家之间的互通性、支付信任度、物流运输等方面合作的关键前提。

  另一方面,我们探索如何将 AI 技术应用于加密数据上。我们和大公司以及政府密切合作,找出解决系统入侵和保障网络安全的方法。

  我同时花了很多时间研究与政府的合作。政府很多时候不知道如何通过大数据做决策,也不知道如何进行数据优化。而 AI 能够帮助政府实现更高的效率,比如联合国现在已经有了很多可持续发展目标的相关评估指标, 世界经济论坛也可以为会员国提供不同的标准测算。

  基于我们已有的多元数据库,现在可以利用 AI 实现全新的数据优化方式,将贫困、不平等这种之前无法量化的指标,通过可量化的指标进行评估。

  同时,要真正实现这个目标,我们还需要制定统一的互通性标准。如果没有这个标准,国家之间就不会相互信任去合作,就可能出现 AI 冷战。

  因此我们需要找到促进合作的方式,就像 TCP/IP 互联网协议那样。而之前我提到的,新加坡、瑞士等现在正在尝试的区块链系统,将有希望解决国家间缺乏互通标准的问题。

  Part II 对话

  美国在线教育发展难度更大,只在 ZOOM 上讲课是不够的

  Q1:疫情加速了行业的改变,远程医疗、线上教育开始蓬勃发展,这只是 AI 对人类社会产生影响的冰山一角。想请两位谈一谈,目前看好 AI 在哪些领域应用的未来前景?

  李开复:疫情的确对整个社会产生了实质性的影响,人们行为习惯发生了很多改变,更愿意接受线上学习和工作了。

  这种新的行为习惯产生了大量数据流,为 AI 应用带来了更多可能性。比如大健康领域以及远程医疗中所产生的数据,可以训练更智能的模型。同时更多人开始在基因组学、新药研发方面结合新的 AI 技术进行研究,因此我相信 AI 在医疗健康领域的潜能是非常巨大的。

  AI 与教育的结合也很值得期待。一方面可以帮助老师处理重复性的日常事务,例如批改作业,让老师得以将时间精力投入到更有创造性的事情上,能更悉心地为孩子提供优质教学。另一方面可以提高学生的课堂参与度和积极性,比如设置卡通版 AI 虚拟老师,让课程充满趣味性。

  在中国,有很多线上教育公司在疫情之前就已经发展迅速,像创新工场投资的 VIPKID,让国外的纯正英语老师在线上教授中国学生。目前,中国的线上教育已经扩展到了更多科目,包括体育、舞蹈、书法等素质教育课程。

  相比之下,美国线上教育发展的难度会更大。毕竟只在 ZOOM 上讲课是不够的,好的线上教育必须要有好的内容。

  AI 核心是增强人际互联,应注重文化多样性

  阿莱克斯·彭特兰:李开复博士提到的教育案例,我不是很认同。

  MIT 大约 20 年前就在教育中使用 AI,重点根本不是内容,我们甚至提倡将内容免费开放给大众。

  AI 绝非试图取代人类的作用,我们更强调用 AI 增强人与人之间的互动,让人们更好的社交和连接彼此。比如手机上人工智能技术,不是要取代你,而是让你高效地找到最适合的工作、最正确的人,让你更容易的获取信息,并进行创新。

  我们可以利用数据激发更强的创新力,培养领导力。只有基于这样的宗旨,才能促进更有创造力的教育和学习,这比关注教育内容本身重要得多。

  在加拿大,有家创业公司正在训练普通民众学习 AI,比如水管工,教学效果非常不错。他们的教育方式不是简单的教授基本知识,而是以一种能够激发人们互动思考的方式。

  我们之前在中国调研了 3000 多个孵化器,发现创业公司成功的要素里,第一个是文化多样性,也就是说创始团队背景的复杂性和多样性。第二个是团队成员专业的多样性,他们能否发挥自己所长,并很好地进行团队合作。

  1956 年,马文·明斯基 (Marvin Minsky)提出了人工智能这个词。但我们对于人工智能的理解,不应该只停留在“人工”层面,而应扩展到多元文化之间的相互连接、团队合作,我把它叫做延伸智能(Extended Intelligence)。这也是我想强调的,人工智能这个名词有一定的偶然性,但它的核心点是增强人与人之间的互联性。

  AI 未来突破难预测,奇点、超级智能过于乐观

  Q2:未来十年 AI 有没有可能取得重要突破?比如 GPT-3 近期展现惊人的能力。两位认为未来的突破方向是什么?

  李开复:过去 60 多年来,深度学习是唯一的重大突破。在这之后,卷积神经网络(CNN)和 GPT-3 等都算是重要的改善,我对于人工智能的渐进式改善保持乐观。

  对科学家来说,他们更期待着技术上的突破式进展。但我觉得未来十年基础科研或许不会有大的突破。但模型相对容易,只要有大量的数据,就可以从实验室进入到行业应用,CNN 和 GPT-3 都是模型加海量数据的成果。

  我是务实派的,虽然持有乐观态度,但并不是一位“未来学家”。未来的突破很难预测,对奇点(Singularity)的争辩,甚至预测超级智能的出现,在我看来都过于乐观了。

  阿莱克斯·彭特兰:我同意李博士的观点。很多生物机制很难解释,包括用感知认识事物、理解声音、寻找食物等,是深度学习算法做不到的。但深度学习可以研究科学、制定规则、研究理论,并进行实践。

  从务实的角度来说,我最感兴趣的就是联邦学习。就医疗而言,我们有这么多医院,在新冠疫情期间做了很多的实验,为什么这些实验数据不能进行联合呢?

  尽管数据有不兼容的地方,但这也是一个很好的机会去探究不同的数据之间的关联性。在未来,我们对数据的需求也许会越来越少,外科医生或者物理学家或许不需要太多数据,因为他们对规则已经了如指掌了。

  不要墨守成规,要跨领域、跨学科应对挑战

  Q3:人工智能会有什关键挑战?对于想从事这个行业的人,有什么是需要了解的关键点?

  李开复:首先,大背景在改变,新科技层出不穷,我们每年都需要学习新的东西。

  其次,人工智能可能引起各种问题,包括偏见、歧视、伦理道德等,是否危害人类的身体健康,无人驾驶技术该何去何从等等。

  第三,人工智能的研发需要深刻地理解技术对社会、生活与人类健康会产生的影响。我非常欣赏斯坦福和 MIT 这样的高校,能够把 AI 教育扩展到各个学科,让研发人员及早意识到自己的责任和价值。

  阿莱克斯·彭特兰:是的,我朋友做过一个有关电的趣味类比,电动马达最初在工厂里用于生产的时候,并没有发挥出多大的作用,因为大家并不知道如何改造生产流程。

  AI 在一些领域发挥的作用是显著的,但应用到其他领域时,就需要改造流程。很多情况下,最困难的就是说服人们改变商业流程去使用 AI,因为大多数人是墨守成规的。

  而有意思的是,就像李博士提到的,像 MIT 和斯坦福这样的高校确实在认真严肃地对待这个问题。

  比如,我今天早上正好就这个话题跟 G20 领导人对话,大家一致认为我们必须从跨领域、跨学科的角度去面对这个问题,不能只是工程师或者社会科学从业者们在做,经济学家,政治家等等都必须参与进来紧密合作。

  随着 AI 的应用领域越来越广,除了必须具备强有力的技巧来建立社会规则,还需要对研究经费、企业投入等进行各种调整。

  虽然大公司实力不容小觑,但依旧对小公司抱有期待

  Q4:AI 研究会消耗大量的资源,我们是否应该将资源往学术界平衡?现在已经发生资源的重新分配和平衡了吗?

  李开复:就人才而言,现在已经有重新平衡的迹象了。

  过去,顶尖大学的学者基于待遇和种种考量,不少选择去企业界工作。而近期,曾任职于百度、海尔、字节跳动等公司的数位优秀 AI 科学家已经回归高校。

  但像 GPT-3 这样的技术,仍然不是大学和小公司能支付得起的。支撑 GPT-3 运行的电脑是世界算力第五的超级计算机。每进行一次算法训练,就要花费 460 万美金,只有像腾讯、谷歌、微软这个级别的公司才能负担得起如此强大的算力。

  我观察到,近年的 AI 创业公司已经和 5 年前截然不同了。它们一般由 AI 科学家和商业人才共同创建,为了解决特定问题而生,并非纸上谈兵做突破性科研,切入的领域也往往是巨头公司忽略的地方。

  例如,为制造业进行 AI 赋能,不是一件轻松的事,需要去工厂实地勘查,了解运作方式。大公司因为赚钱很容易,不愿意做这些性价比低的苦活累活。这些小公司的努力一旦有了成果,就会给产业界带来革命性的影响。所以,虽然大公司的实力不容小觑,但我依旧对小公司抱有期待。

  阿莱克斯·彭特兰:大学和公司是一种融合的关系,不仅体现在人才流动上,也会进行信息资源共享,彼此是整体性的合作态势。

  当然这也不是绝对,产业界的保密需求还是存在的,只是从学校的出发点来说,我们愿意毫无保留地为大家提供更好的研究成果,并与企业合作,形成标准化平台。

  人工智能取代人类需要上百年或更久

  Q5:两位认为什么是 AI 不能取代的?

  李开复:一类是创造力、分析能力、逻辑辩论能力,了解自己知道什么不知道什么,这些是人工智能无法取代的。

  另外一类是同理心,人类之间的信任、友谊,自我认知、意识等。

  阿莱克斯·彭特兰:人工智能有朝一日可以取代人类所有的能力,但是这个过程会非常漫长,可能需要上百年或更久。

  AI 创业建议I:找到小切入点,不要与巨头正面硬碰

  Q6:李博士提到了 AI 在小企业中的运用,可否再举例说明是如何运用的?

  李开复:这个问题分两部分:一个是小型 AI 公司与巨头竞争,我的建议是找准巨头没有平台优势的细分领域,为某个针对性产业创造价值,并且不要与巨头核心业务正面硬碰。

  对于那些中小型非 AI、但想应用 AI 的公司,需要确保有足够的数据,以训练与核心商业价值挂钩的 AI 模型,并且有愿意变革的开放性公司文化。

  所以,早期应用 AI 的公司可能规模较大,因为他们有足够大的数据,和可兼容变革的商业模型。每个例子都不同,不是任何一家公司都要应用 AI。

  阿莱克斯·彭特兰:如果我们放宽 AI 的定义,或许水管工、合同工都有数据,通过一些简单的分析、整合,AI 也可以在很大程度上改进他们的工作。

  这些都是很小的切入点,基于简单的 AI 分析、机器学习,依旧可以产生巨大的潜力。

  AI 创业建议 II:知晓技术,同时理解商业

  Q7:两位再分享一下最后的建议?

  李开复:我们在步入一个 AI 开始渗透到方方面面的令人振奋的时代,我希望所有的学生们都能参与到这个改革浪潮中。要深刻地理解人工智能的商业落地,而不仅仅钻研技术本身。

  阿莱克斯·彭特兰:不要太较真于深度学习或者冗长的算法,一切始于要解决的现实问题。不要止步于技术本身,要明白数据类型、形态和规律,关注商业流程。

  有时候在脑子里一闪而过的不只是灵感,还有积压在脑海里多年的记忆碎片:那首只记得旋律的歌到底是什么、偶然瞥见的一幅画叫什么名字、多年前在网上见到的网红照片究竟是谁……   每次手脚并用向别人描述却还是得不到答案的时候,都恨不得直接让对方来自己脑子里溜达一圈。   你能猜到刘亦菲在比划什么吗?   不过在豆瓣里却有这么一个大神齐聚的神奇小组——互助回忆小组,就算你的记忆碎片少得可怜,也总会有人云淡风轻地在评论区给出正确答案。   这些小组到底有多神奇?口说无凭还是给大家找几个案例来直观地感受下。   一级难度   咱们先来看看小组里算是送分题......Next article READ