![]()
极客公园微信号：geekpark
人工智能 ![]()
如果 AI 是人类的未来，那 Google 或许也是 AI 的未来。
人工智能（AI）领域里 Google 在全世界具有毋庸置疑的领先地位，从 2011 年 Google Brain 项目启动开始，逐步从 Gmail、Google Photo、GoogleTranslate、Google Assistant……开始，AI 成了一系列谷歌产品和基础服务的标配，再到 2015 年底谷歌开源 TensorFlow，谷歌给全世界开发者提供了进入 AI 领域的通行证。
谷歌无疑是主导 AI 这场变革的最关键力量，也一定程度上成了规则的制定者。
Greg Corrado 是 Google Brain 创始成员之一，也是谷歌人工智能和机器学习方面的高级研究员，也是谷歌大规模深度神经网络项目的联合技术主管，简单来说——关于 AI 的未来，他是这个星球上最有资格发言的人之一。
![]()
极客公园有机会在 Greg 停留北京的时候和他有了面对面的交流，于是我们向他问了 8 个问题，关于人工智能以及人类的未来，关于未来，你想知道的都在下面：
开源 TensorFlow，让谷歌成为规则制定者
Q1：Google 开源 TensorFlow 的意义和最终目的是什么？
TensorFlow 是谷歌内部研究人工智能和机器学习的一个工具，谷歌在 2015 年 11 月宣布将其开源给公众使用。任何人想要学习或开发包含人工智能的工具都可以使用它，它实际上是一个开发工具，并且存在于谷歌的云服务中。
TensorFlow 在建立和训练神经网络方面速度要比第一代系统快 5 倍，而且更加灵活，可支持 CPU、GPU、桌面机、服务器和移动计算平台，即可跨数据中心运行，甚至在智能手机上跑。
一个不算太恰当但易懂的例子是——TensorFlow 就像 AI 世界里的 Android。
全世界的开发者都可以通过它来开发和验证自己的机器学习设想，并且 Google 在 TensorFlow 中还提供了很多现成的机器学习软件供人使用，未来还将以 API 的形式为开发者提供打包系统。
这样一来全世界的 AI 就共享同一套研发体系，可以更快更无障碍地加速整个 AI 领域的发展。统一标准的制定会让人工智能在全世界的技术突破到来更快，在各领域的运用更加普及，而谷歌一定程度上是这一标准的制定者。
让 AI 更像人，无监督学习代表未来
Q2：对人工智能来说，有监督学习和无监督学习哪个更适合未来？
在机器学习和人工智能领域，机器学习可以分为有监督学习、无监督学习，或再加一个半监督学习。
通俗解释有监督学习可以拿图像识别作为例子：给人工智能展示 100 万张猫的照片，然后不停告诉它「这是猫」，通过数据积累和算法，人工智能慢慢就能识别猫的图像。
而无监督学习是在人类和动物中占据主导地位的学习方式，我们通过观察能够发现世界的内在结构，而不是被告知每一个客观事物的名称。简单来说：展示整个世界，然后通过自己总结得出「这是猫那是狗」的结论的学习方式。
而目前，绝大多数甚至几乎所有的已投入实际应用的机器学习系统都是有监督学习。
可以实现通过无具体样本自动学习的无人工监督的机器学习在 AI 研究领域非常吸引人，每年都有相关的很多学术研究和论文出现，不过目前还没有发现任何已投入到实际应用的成果出现。
但所有人都期待未来能有创新的研究人员找到办法实现它，无监督学习对于重新点燃深度学习的热潮也起到了促进的作用，谷歌希望无监督学习在长期内越来越重要，因为这让人工智能可以更像人的去学习和认知这个世界。
量子计算？也许有用，但很遥远
Q3：量子计算机对人工智能的未来会有多大影响?
对人工智能的发展来说，「计算能力」的提升是一个非常重要的基础，而量子计算的出现或许能够使人类在计算能力有质的飞跃，前提是它能够实现的话。
量子计算目前只是一个非常活跃的学术研究领域，在非常遥远的未来，可能会有一些实际的使用。但是到目前为止，它仍然是一个让人惊艳的物理学方面的学术性的实验，即便是应用到工程设备上都还需要很长时间。
如果在我们的有生之年，真的造出了一台量子计算机，它确实能够极大的提高运算能力，那么它的确能使人工智能实现更多可能。但是到目前为止，关于量子计算到底能不能实现学术界也仍在争论不止。
「我只能说，祝这一领域的物理学家们好运。」
就像人脑，人工智能的未来也是各司其职
Q4：未来会不会出现一种通用的全能型神经网络，什么都能做？
在人工智能领域有着几种不同的神经网络，CNN、RNN、RNN-LSTM 等，每种神经网络都有所擅长的领域，例如 CNN（卷积神经网络）更多用于图像识别、RNN 则在语意识别领域表现出色。
在 Greg 看来，未来并不太可能出现通用型的人工智能系统。因为在可预见的未来里，人工智能系统最好的方式依然是专门架构，针对专门领域任务，这才是人工智能可能能发挥最大效能的一种方式。
就算未来真的有人开发出这样一套通用的神经网络系统，但那个系统肯定速度更慢，更全能意味着需要更大的结构和预算能力，也就意味着会更雍容和缓慢，而且也必然会比这些专门用途的智能系统效率更低。
有时候全能反而意味着全面平庸，让每个部分精其所精，这才是人工智能未来的方向。
AI 和隐私，这不是一个顾此失彼的问题
Q5：众多 Google 的 AI 服务中都需要用户的隐私数据作支撑，谷歌如何看隐私保护问题？
例如 Gmail 的智能回复、安插在 Google Allo 中的 Google Assistant、Google Photo 等等的人工智能产品，提供服务的前提就是需要事先读取用户的邮件、信息、照片等隐私信息，虽然用不用的决定权在用户手里，但就算使用对自己隐私的保护诉求也是天经地义的。
就像苹果所提出的差异化隐私的技术，Google 也正在着手去开发更多的隐私保护技术，目前整个行业在推进 AI 发展的同时也同样重视隐私的保护技术。
因为隐私保护的诉求在未来一定会是一个基础诉求，就像现在互联网的 HTTP 和 HTTPS，隐私需求正在变得越来越普遍，也越来越受到重视，因为人们正在把越来越多的东西放到网上。
AI 和隐私保护技术不应该是一个谁先谁后、谁更重要的关系，而是相辅相成、同步促进的共存关系。
AI 始终只是个工具，一种人类智能的延展
Q6：人工智能未来是否能像人类一样智能甚至远胜人类？
人类对人工智能的幻想和恐惧由来已久，尤其是当人工智能在一个又一个领域战胜人类之后。
但 Greg 认为人与机器之间的互动中，人类其实是通过使用机器学习开发工具和新的技术，实现对人的脑力、智力各方面能力的一个辅助和增强。
这样的事情古而有之，比如说纸和笔的发明，就是可以增强人的记忆力，还有计算器、电脑，都是同样的道理。现在的搜索、机器翻译，图片识别，事实上同样的，也只是更多被开发出来去拓宽人脑力边界的工具而已。
可以用办公自动化为例子，以前的办公室是用打字机来打字，还要人工、人力去检查核对，以及用纸质文件办公，而办公自动化在解放人类、优化工序、提高效率方面作用显著。
机器学习、人工智能其实和上面的例子一样，只是另一种技术革新，它能够让人类专注于更新、更重要、更能发挥创造力的那部分工作。
同时 Google 也为人工智能拥有正确的方向，主导建立了一个名为 Partnership on AI to Benefit People & Society 的组织。很多公司在这个开放式的讨论平台上探讨关于人工智能技术如何与人类、社会、经济等良性共生的话题，甚至是公开辩论，以此促进人们对人工智能技术的理解。
Google 的观点是把这类话题和挑战更多地放到桌面上公开讨论，要好过由各家公司私下研究。
AI 不会只是巨头的游戏
Q7：AI 领域中很多小规模公司认为自己在竞争中处于弱势地位，无法和大公司竞争，人工智能是否只适合巨头?
并不是这样，公司分大小，而创意不分大小。
就像 IBM 没有阻止微软做大，微软也没有阻止谷歌做大，谷歌也没有阻止 Facebook 去做大……机会永远存在，只是在把握机会的能力上大公司会有更多的可能性。
大小不同的人工智能公司另一个区别在于数据量，大公司意味着拥有更多的用户数据，但关于数据却有一个非常有意思的现象——数据随着数据量的增大，边际效益在不断递减。
2016 年，人们可以非常容易获得足够量的数据资源，大小公司的数据量差异其实并不会带来实质性差距。
所以对于 AI 公司来说，其实数据并不是关键，关键的是人的创造力、天分，以及计算资源。
AI 的未来不是工程师说了算，而是普通用户
Q8：未来 AI 最有前景的领域会在哪？
一切都还在探索，不过很可能会在那些目前还没发力的新领域，而这一切都是由普通用户决定。
要知道 Gmail 的邮件智能回复最早是在 2009 年愚人节的时候提出来的，那天 Google 和全世界 Gmail 用户开玩笑说「Gmail 以后将会帮你回邮件。」但 6 年以后，这个玩笑变成了真的。
这样的事只要有足够的合理性，实现是迟早的事。但需要的更多不是工程师，而是 CEO、有生意头脑的人和普通用户。这些人视野更广泛，工程师很多时候并没有这样的头脑和需求，他们想不到这样的未来。
就像互联网一样，目前在人工智能领域，很多人在做各种各样的探索，而 Google 认为，以后在制造领域、能源领域、医疗领域，人工智能都有非常大的增长空间，因为在这些领域人工智能还没有做太多的东西。
去推动这些事情进展的最好方式，应该是让以上那些领域的专业人士更多地了解什么是机器学习，然后才会有更多的可能性。
![]()
这又说回了 Google 开源 TensorFlow 的意义，让更多人了解人工智能，让 AI 融入到更多行业中，如此才会激发更多想法和需求，从而极大加速人工智能的发展。
![]()
![]()
![]()
本文由极客公园原创
转载联系 [email protected]
![]()
![]()
![]()
