【行业资讯】主编专访：人工智能及未来发展方向丨Engineering

对于我们在人工智能这一领域的人来说，我们认为计算机科学和每个“X”的结合都将为这个领域带来显著变化，这里的“X”指的是任何一个除计算机科学以外的领域，这是一件显而易见的事情。

但当时我们对于计算机如何应用于这些领域尚不清晰，并且当时的计算成本要比现在高出数千倍。因此，当时如何开展这件事不是很明确。但我认为现在人工智能和计算机科学正在切实地、广泛地改变着每一个学科领域，甚至任何事物，就像我曾经说过的，不仅仅是在生物学、物理学和数学或任何其他传统学术领域，而是关于任何学科和事物，即使是做道路清洁，它都会改变你的工作方式。

无论做什么类型的事情，人工智能都会改变人们的工作方式。有人会说，如何让清洁人员使用电脑呢？我的回答是如果清洁人员有电脑，那么我可以给他发信息说来打扫我的办公室，现在我不行，我需要去找他说，对吗？所以有很多东西是不言自明，一目了然的。关于计算机和人工智能未来将如何改变各个领域的方方面面，很多事情我们尚不得知。但我认为人工智能会让一些基础的事发生变化。从现在起的 50 年内，人工智能会一直改变世界，人工智能将像电机那样，改变人们的生活，甚至没有人会注意到它，就像很多人会注意水泵之类的事物而不会注意到里面基础的电机。

所以，我相信这些变化肯定会发生，并且这些变化已经在发生。大约三年前，麻省理工学院有了独立的人工智能学院，主要目标是推进人工智能在各个学科领域的广泛应用，与每个学科都有联合教职，这个学院是由对冲基金的亿万富翁斯蒂芬A·施瓦茨曼（Stephen A. Schwarzman）投入了10亿美元左右投资建成，并且已经开始系统地与很多不同的学科进行交叉联合。因此，我们现在更重要的是要关注的如何培养人工智能+X的人才，此时此刻，我们并不完全了解它的各方各面，还将努力探索更好的方式。但我们知道的是，每个人从小学开始上学时，就应该已经被教导如何使用计算机编程，如何使用计算机，如何培养数字素养等。

像我前面提到过，比如，我们可能不是很清楚的知道农业方面应该利用计算机做什么，需要什么。但我们希望学农业的人能了解关于计算和编程的一切，就像我们在小学、中学和大学都学过的阅读、写作以及数学、算术一样，同样的事情也应该发生在计算机领域。这意味着，一个刚上幼儿园的孩子就应该能够理解如何做一些简单计算。而我们可以做的，并不是让他在六岁时就成为一个程序员，而是从小就教会他们学会如何把计算机的原理应用到任何他们想做的事情上。

例如，他们应该知道，计算机可以做什么，哪里需要计算。比如，提问X加Y会得到什么，然后计算机通过计算，使他们需要做的功课可以效率更高的完成。但为了做到这一点，他们必须具备扎实的数学知识和数字素养。这是我的想法。所以，我们可以预见，假如孩子们在成长过程中已经知道了很多关于阅读、写作以及数字多媒体的知识。当未来他们在农业领域从事研究工作时，使用计算机和人工智能作为工具应用于农业将是自然而然的。

但是，如果你试图让一些成年人学会使用计算机，比如一个50年前上过大学的农业教授，对他们来说，可能非常困难，他们不知道如何使用计算机来做事情。这就是区别，不是每个人都知道如何编程，如何使用计算机，但他们仍能够在他们的领域成为一名很好的研究员。但这其中有5%或10%的人可能会跳出条框，想出新的答案和新的处事方法，这些方法其他人可能不太容易发现，这就是学术这个领域的独特之处，总有一些计划之外的事情会发生。

这就是路易斯·巴斯德（Louis Pasteu）所说的机会总青睐有准备的人。如果你已经在思考一个问题，而且你已经考虑周全，那这些工具都在这（帮你解决问题）。如果你不知道怎么使用这些工具，且你从来没有准备好去应对这些问题，那即使问题就出现在你面前，你也不知道该如何处理它。

所以基本上，我认为最大的机会还是在于如何更早去培养这种复合人才，其本质上是让数字素养的培养以及对计算机的使用，就像我们在小时候学阅读和写作一样自然。之后，每个领域都会出现很多应用和很多不同的创新。起初，这些人先要去学习如何使用这些工具与应用。之后，他们需要去创造，做比平常用的基础工具更好的应用，因为他们已经饱览世事，有这样的能力。

在潘云鹤院士和其他学者在中国工程院院刊《Engineering》信息与电子工程学科执行主编、中国工程院信息学部分刊信息电子前沿《Frontiers of Information Technology & Electronic Engineering》等期刊发表论文提出了人工智能2.0这一新的方向，其中有大数据智能的想法，即我们可以获得通过大量的来自于个人的各种数据来分析客观的世界。

目前大量数据正在被不同行业的人员收集着，并且许多正在以一种专有的方式使用这些数据。例如谷歌或亚马逊，他们每天都在收集非常多的数据，还有微信，比如人们每天使用微信语音通话，每天就可能会有10亿个1-10分钟，甚至更长的语音通话数据。当然，因为隐私和安全以及其他相关问题，数据必须在适当的保障措施下才可以被提供。数据使用和共享是一个系统性的情况。所以，如果我们需要在学界和业界的合作中明确建立合作机制，就能很好的使用起来这些数据信息去做研究。

举个例子，我们假如去收集一种语言数据，我们只需要知道关于这个数据的一部分信息，比如某种方言的少量数据，不需要全部数据，仅仅1%的数据对于研究就已经很好了。我认为这可以对我们所谈论的关于用技术改善文盲或半文盲的生活便利度的进展就已经可以产生巨大影响。

广泛地说，通过数据分析来构建一个大的教育或医疗保健体系有很多方法，例如，如果我们可以从每个人身上收集数据，比如通过智能手表，每分钟测量你的体温、血压和氧气水平和其他各种指标，这些数据能够产生非常大的益处，因为可以通过这样知道人类的整体健康状况。我们还可以在人们意识到之前，准确推断出一些新疾病开始流行的地区。再比如，在新冠肺炎中，如果你的体温开始上升，在你病情加重前的5-7天，我们就会提前知道，例如提前一周知道有事会发生，你可以立即采取行动。因此，大数据智能所带来的好处有很多，但这不仅仅是学术、工业两方面的事。它应当是政府、学界和业界的三方合作，这在未来是需要的。

我认为一种情况是来自社会的压力，即当整个社会都认为某些事情不应发生时，这件事情便不会发生。比如在核领域、基因编辑中。比如某些人群想通过某些技术去除一个有缺陷的基因，社会对此仍然是有很多担忧，这样的技术是被控制和限制。所以我认为我们需要做的是：第一，我们所做的一切都必须平等地提供给世界上的每个人，而不能只是有支付能力的人。假设你有让每个人都看起来漂亮的技术，如果这只能给非常有钱的人使用，那么只是他们都看起来很漂亮，其他人则没有受益。所以。如何使技术可被平等、广泛地使用，是我认为我们需要考虑的问题之一。第二个方面则是能够负担得起且容易获取。世上有很多有用的东西，但如果我买不起它，或者如果我无法得到它，它可能就没有那么有用。

所以，我想，我们需要做的与人类在过去1000年或更长时间里演变的规则和条例没有什么不同。从汉谟拉比法典（Hammurabi Code）开始，我们每个国家都有很多法律。例如100年前，人们没有驾驶汽车的驾驶执照，有人会开车造成事故并杀死其他人（而不需要负任何责任），所以政府决定必须有驾驶执照才能开车，对吗？有了法律规定，如果你没有驾照，以及你喝醉了开车，那么你会被罚款和逮捕。

这个社会已经有很多成熟的办法去防止技术的滥用，我们只需要有适当的保护措施（配合）。也许我们应该有一个人工智能伦理或计算机科学伦理部门，或者是什么数字伦理部门，以确保每个人都遵守规则。如果人们都遵守规则，大家的收益就是平等的，那么可以肯定的是，我们需要做的主要事情是我们去控制技术，而技术无法控制我们。

有人说，人工智能机器人将接管世界，我们都将成为人工智能机器人的奴隶。这是一种愚钝的想法。它并不会发生。让我们假设有一个很小的可能性，即社会可以被越来越强大的一部分人通过技术所征服。但其实现在也是如此，好比在一个村庄里，（也可能出现）一个有权势的人会做一些给其他人带来不快乐的事情。因此，我想，我们所做的一切都是让技术为人服务，而不是人为技术服务。

所以我认为这基本上可以帮助我们确定前进的方向。政府已经制定了很多法规和规则，我们可能应该关心更合理实施的事情。虽然这可能需要 5、10、15、20 年。例如，现在最受关注的自动驾驶汽车，它也许会出一些事故，杀死一些人，对吧？但自动驾驶汽车将消除我们现在发生的 80% 的人为事故，因此我们将消除目前人为交通事故的80%死亡。虽然自动驾驶还增加了1或2 %的并非是人为原因导致的死亡，这是因为自动驾驶在某些地方是不完善的，这就是我认为我们需要弄清楚如何去做的很重要的事情，而不能因此否定技术的进步所带来的意义。

一般来说，理论的作用是解释我们已经在做的事情的原理，例如动力学，飞行原理等。对于计算机而言，人工智能图灵机便建立了这样的概念。解释了任何计算机都可以做同样的事情，但这是一种通常的说法，有些计算机需要100年的时间来完成一些超级计算机可以在一秒钟内完成的事情。这类事情在物理学有很多例子，比如说爱因斯坦发明的广义相对论最终衍生了像激光和雷达等各种应用。

理论的进步最终总会助推整个领域更显著地向前发展。那么人工智能的理论是什么？它本质上是我们大脑工作的原理。我的同事卡内基梅隆大学教授曼努埃尔·布鲁姆（Manuel Blum），在去年或前年的时候，在中国的图灵大会发表了演讲，他试图解释什么是图灵机意识，并创建了一个非常有趣、基本、简单的模型，试图解释事情是如何发生的，虽然结果证明，模型并不能解释所有复杂事物。但这已经是一个很好的尝试，它简要解释了人类的大脑是如何运作的，这使我们有可能对进行进一步研究并优化模型。

所以，我认为像任何理论的概念一样，每一个都理论会呈现三、四种不同的方向。例如，在所有的机器学习技术中，我们现在拥有使用神经网络模型的通用机器学习方法，杰弗里·亨顿（Geoffrey Hinton）和他的一些同事研究了50年，最后他们证明了这是可行的，且运行地很快，比之前的机器学习模型更好。所以我认为，我们最终应该能够从人工智能理论中受益。但是还存在最后一个问题：这些理论研究可能短期没有那么有用或有趣，通常需要冒一定的风险，可能有人花了10年却一无所获感到失望，但可能也值得人们等待来看看之后会发生什么？这就是事物运行的方式，我们应该支持人工智能理论的研究。