大咖名片

　　Michael I. Jordan（迈克尔·乔丹）：现执教于加州大学伯克利分校，任电气工程与计算机科学系和统计系杰出教授。 Jordan教授是美国科学院、美国工程院、美国艺术与科学院三院院士，是机器学习领域唯一一位获此成就的科学家。2016年，Jordan教授被Semantic Scholar评为CS领域最具影响力学者。Jordan教授指出了机器学习与统计学之间的联系，并推动机器学习界广泛认识到贝叶斯网络的重要性。Michael I. Jordan教授是伯克利RISELab负责机器学习领域的主教授，也是机器学习领域最重要的奠基人之一。

　　10月25日至27日，第二届智能科学国际会议（ICIS2017）在上海顺利召开。本届会议以“智能科学的发展与应用”为主题、以“提供一个对涉及智能科学领域探索与交流的平台”为宗旨。会议由中国人工智能学会、国际信息研究学会中国分会主办，上海海事大学、上海市思维科学研究会承办。来自国内外智能科学领域的诸多专家学者、人工智能产业领军企业、行业领袖、主流媒体等共200余人参加了本次会议。

　　美国科学院、美国工程院、美国艺术与科学院三院院士，加州大学伯克利分校教授Michael I. Jordan做了题为《人工智能的未来——机器学习的进展，前景和挑战》的报告，阐述了在人工智能跨越多类学科的背景下，机器学习的发展，前景、机遇及目前遇到的挑战。

　　如何理解人工智能

　　越来越多的人开始讨论人工智能。人工智能过去十几年间的飞速发展，实际上是机器学习的增长和统计学的发展。归根结底，无论是人工智能的发展亦或是机器学习的发展，核心都是依赖数据的积累。

　　提到人工智能，我们脑海里的第一个形象通常是机器人。就像电影《我，机器人》中的智能机器人一样，人类可以与它进行智能的互动。它可以和你沟通，甚至照顾你的衣食起居。

　　第二种关于人工智能的常见理念，叫做智能增强（IA）。智能增强好比搜索引擎，它能在很短的时间内告知你数量庞大的结果，这些结果凭人脑的力量是完全无法记住的。智能增强就像能够帮你完成一些此前人类力所不能及的任务。除了搜索引擎之外，日常可以体验的增强智能技术还包括推荐系统、机器翻译系统等。“网站能够根据你的喜好更个性化地为你提供推荐；计算机能够轻松帮你在多门语言之间自如切换。这些都是增强智能的表现。”Jordan教授表示。

　　在人工智能基础设施层面，结合人工智能技术，交通网络、智能家居、城市规划等基础设施可以更加智能化，也更加可预测。

　　人工智能发展现状

　　在计算机视觉方面，十几年前可能还做不到的图像识别技术，现在已经实现了质的突破。目前，计算机已经能够在复杂的图像中准确识别出特定的物体。但是目前计算机还缺乏对视觉场景常识性的理解。

　　目前，从语音到文字的相互转化，已经在诸多语种中成功得以应用。但是，目前计算机的听觉能力还十分局限。如果人闭上眼睛，可以凭听觉来感受周围的环境，但计算机目前还缺乏这一类的常识性认知，如果再加上复杂的语言信息，那就更是难上加难。

　　相比于计算机视觉和语音识别问题，自然语言处理则十分困难。当然，机器翻译目前已经取得了很大的进展，但是它仍然会错漏语言中的诸多细节。当下的机器翻译使用的神经网络技术能对海量的不同语言数据进行计算和匹配。但人类学习语言的方式则和计算机大不一样。此外，问答也是自然语言处理研究的经典问题。目前问答系统的研究只能回答一些条件明确、答案简单的简短问题，而无法对真实世界问答场景中复杂的问题作出复杂的回答。

　　目前，在工业界正在使用的机器人只能程序化地完成一些固定的任务，这与我们想象中的“人工智能机器人”区别较大。机器人科学有助于实现人工智能研究的最终愿景——未来人工智能机器人能够自主的运行，并与我们互动。

　　人工智能发展瓶颈

　　人工智能研究还有哪些是在我们有生之年很难实现的呢？首先，创造力和智能对于人工智能系统来说还很难实现，推理和抽象能力的实现也似乎遥不可及。例如在社交媒体上，人们时常会创造出一个新的词汇，而其他人也能很容易理解这个词在这个语义背景下的意思，而不需要像计算机一样通过读几千个句子来理解。此外，对于AI系统来说，让它主动做一个长远的规划是非常困难的，而人类却经常会给自己主动设定一些雄心壮志的目标。

　　此外，人工智能技术的发展还存在着许多其他的限制，它远没有孩子那样强大的学习能力。孩子可以通过少量书本上的图片和信息了解世界，但是人工智能即使看过了无数张图片和信息，仍然很难对世界产生自己的“理解”。

　　不久前AlphaGo横扫围棋界让人们惊呼人工智能强大的“智商”。但实际上围棋并不是一个非常困难的游戏，因为这些棋局就在你面前，每一步的选择都是有限的。但在实际生活当中，我们做出的判断和面临的选择常常没有边界。围棋，确实需要超级计算机来计算海量的可能性，但围棋的选手并不是以机器的方式来思考的。因此，我们并不能声称机器在围棋上打败了人类，就比人类更聪明。对于人类的智能而言，围棋问题答案是有限的，而像交通、金融、医疗这些通常解决方案多样的问题，才是真正棘手的问题。

　　对于人工智能的担心

　　人工智能系统只是“看上去”很智能。但实际上并非如此。

　　首先，人工智能系统并不能真正理解他正在做的事情。例如，将系统中一些词句替换成发音相近但语义相反的其他词汇，只要系统能够正常运转，它并不能从语义理解层面进行察觉异样。其次，人工智能系统并不知道做出搜索，或提供数据之后会产生什么样的结果。“以推荐一家饭店为例，人工智能根据分析推荐最好的某一家，那可能就造成顾客蜂拥而至，使饭店服务质量反而下降。”Jordan教授说。第三，人工智能可能会让一些岗位消失，但同时也会产生新的岗位。18世纪的工业革命让一部分人失去了工作，与此同时也有更多新岗位的出现，但人们必然需要花时间来学习和适应这个转变。

　　“我认为问题并不在人工智能技术本身的危险与否，而在于这些技术会不会被心术不正的人错误地使用。我们需要将技术用在正确的场景和合适的人身上，真正用技术赋能世界。”Jordan教授表示，“目前，我们对数据集的依赖还很强，而无法利用少量的数据做类比、推理等其他思维过程。未来，人工智能的发展也需要解决数据共享、隐私保护的问题。”

　　新项目进展顺利

　　现在，伯克利的RISELab实验室正在进行名为Ray的项目。“这个项目始于今年一月，我和我们的学生正在研究这个项目，他们都是机器学习领域优秀的研究者。我们一起在这个实验室开发了很多产品，最有名的就是Spark，还有CoCoA等其它一些和统计学等相关的项目。这些项目都很成功，但也存在一些局限，但对于数据分析来说，这已经是全世界非常领先的平台了。”

　　现在实验室名为RISELab，研究方向由用成批数据进行进阶分析，转移到由实时数据进行实时决策上来，这也与上面所提及的人工智能研究领域正面临的挑战相统一。

　　新兴的人工智能应用方向有很多，包括自动驾驶汽车，围棋机器人，对话式人工智能助理等。但是这些平台只是垂直的解决一些特定问题。“因此，我们想构建一个平台，让人们可以在这些平台上轻松构建自己的应用的目标，平台需提供研究，规划，学习等能力，并且实现实时控制。”Jordan教授表示。