美国“四院院士”：人工智能将成科技的最大风口

7月27日消息，2019年GMIC全球移动互联网大会在广州举行，在院士AI论坛上，美国“四院院士”（国家科学院、国家医学院、国家工程院、国家艺术与科学学院）、美国索尔克生物研究所计算神经生物学实验室主任特伦斯•谢诺夫斯基教授发表了题为《人工智能，将成科技的最大风口》的演讲。

特伦斯•谢诺夫斯基提到，过去200年，各种技术层出不穷，这样的技术深刻影响我们生活的方方面面，人工智能未来也会影响人类的发展。

人工智能，这个名词从1956年诞生，目标就是模仿人工智能在机器上实现，这是一个非常大的目标，但目前人类仍然远远没有达到如此的目标。

人类大脑里大概有上千亿个能平行工作的神经元，而电脑却不一样，它有处理器的，有内存，特伦斯•谢诺夫斯基表示，深度学习的灵感就是来自大脑运作机制。

特伦斯•谢诺夫斯基介绍说，深度学习能够在计算机识别方面，可以把误差率下降20%，这是经过很多年才有这样的成果，虽然对于某一些图像依然无法准确识别。

以下为演讲全文：

大家好。这是我第一次来到广州跟大家进行演讲，也是我首次参加GMIC，现在人工智能给科学发展起着推波助澜的作用，如虎添翼。引用莎士比亚的剧目中，莎士比亚的世界是跨文化、跨国界的，今天我们讨论的也是非常普适的内容。

首先我们回顾一下过去250年，从工业革命发展之初，我们从英国的工业革命兴起，蒸汽机的发明增强了人类使用动能的能力，一个蒸汽机取代了一百个劳动力，大部分世界人口当时仍然在农场进行手工劳动，这样的一些手工劳动都被蒸汽机取代了，就像美国已经高度自动化，从回到工业革命的时候蒸汽机的发明也是如此，大程度替代了很多人工劳动力，工业革命也带来人口迁移，从乡村转移到城镇，工业革命对于社会带来极深远的影响，过去200年可以看到，这样一些工业革命、科学技术大程度的使用，各种技术层出不穷，这样的技术深刻影响我们生活的方方面面。

当然也有不少缺陷，几十年来，比如说工业革命时期的伦敦，有着大量的雾霾、烟尘，因为使用了以煤为驱动的蒸汽机导致的，而且在煤厂工作的煤炭工也饱受呼吸疾病的折磨，这是技术带来便利的同时要面临的挑战，怎么在进行空气治理，减少呼吸疾病，是一大挑战。

技术发展的同时，也需要处理技术带来的后果，现在我们面临的技术人工智能也不例外，大家听到的很多热点科技词语，我给大家简单介绍一下，人工智能，这个名词从1956年诞生，目标就是模仿人工智能在机器上实现，这是一个非常大的目标。我们现在仍然远远没有达到如此的目标，人工智能范畴内，其中一个子范畴快速增长，下一位演讲嘉宾会给大家细述机器学习，机器学习是以另一种方向发展人工智能，过去是编程，你能编程说明你已经有了这样一个领域的知识去解决这个问题，而且解决问题的形式是通过编程，所以你能编程已经是这个领域的专家。

机器学习路径是不一样的，我们通过大量收集数据，通过机器进行学习，利用数据结构化进行学习，比如说学习一些图像对象、语言、词语序列等等，在机器学习范畴，又有另一个方法学，就是特定算法，是受到大脑启发触动的一个方向，我们大脑是非常复杂的一个设备，收集信息，有数千亿的脑神经元，将信息传递，比如说在场这么多人，通过上千亿脑神经元大脑进行信息处理，再将信息传递给在座各位。我们目前仍然不了解大脑内部运作，稍后给大家详解这一块的内容，但是我想说深度学习的灵感就是来自大脑运作机制。

学习与编程的权衡，红线是编程线，如果要雇一个程序员给你解决问题，这个成本是逐年增加的，1980到2040年成本是逐年增加的，编程员是很贵的，而且需要的是专家级编程员。所以相对来说，从发展开始，我们的机器学习，从上世纪80年代开始，成本非常高，电脑非常贵，但是现在人工智能、机器学习成本不断向下，2012年机器学习算法跟编程成本大致相同，从2012年开始就逐年下降，我们使用不同的数据组，不需要完全熟悉了解这个领域的知识，不需要完全了解这个对象，但是如果获得大量实例数据，我们机器可以通过特定的学习算法不断解决困难，我们使用神经网络处理系统在30年前就提出这样的理论，就是神经网络模式。

脑神经网络可以有效处理复杂的数据组，也可以有能力处理上亿的图像数据，我相信在座各位对于阿尔法狗大战是非常熟悉的，2017年打败了柯洁世界围棋冠军，当时震惊时间，不仅仅因为打败世界围棋冠军这么复杂的运动，同时人类还有很大的共鸣，认为机器打败人类，超越人类了。

之前在阿尔法狗打败世界冠军前，认为机器可以学得很好，但是仍然不能打败人类。我们用柯洁说的话，去年跟阿尔法狗对话，觉得它的下棋方式非常接近人类，今天已经像围棋之神一样在下棋，它每一步下棋的章法非常创新，是之前棋盘没有出现过的，非常创新，如果是人，我们称之为围棋天才。因为是通过人工智能，阿尔法狗出现创新下棋之举，所以也可以看到通过AI机器学习，机器也可以实现超神一般的创新。

人类大脑机制，非常简单的一个版本，大脑里有很多神经元，大概上千亿的，它们是平行工作的，这和数字化电脑不一样，因为电脑是有处理器的，是有内存的，而且这两个硬件都有瓶颈。记忆实际上是在神经元之间的连接，也就是突触当中存在，实际上十的十次方的神经元有十个十次方个连接，而且大脑里突触数量非常巨大，也就大脑内存是很巨大的。可以储存非常多的一些数据，这是大脑的好处，问题是人脑是毫秒级传输速度，所以和电脑比慢很多，因为在自然中，我没有这么多处理层，而且电脑计算速度更快，实际上我们居住的世界就是毫秒级的世界，不需要这么快的速度，我们在大脑中的信息传递是非常复杂的过程，还有就信息的储存、处理等等，让我们解决非常多的问题，这才是非常关键的。

还有一些挑战，比如说有很多神经元，有突触等等，最终是围绕着中枢神经系统，这是最重要的一个器官。我们要知道某一个连接的改变是否会改变信息的输入和输出，如果把这个连接改变了，就会受到影响，当时杰弗里和我一起，得出神经算法，也就是怎么样才能让突触处理正确的神经传递，几乎所有的科学家和工程师在这之前觉得这是不可能的，我想告诉一些年轻人，你不要相信专家说的话，因为很多专家总是知道这个事情不能做，但是他不知道这个事情可以做成的方法。所以我们发明了玻尔兹曼机，现在在网络神经学习中还在使用。

深度学习网络是怎样的？这里有各种各样的信息数据，图片、DAN信息等等，这边是输出，可能要对疾病进行诊断，各种各样的输入对于医生来说，看了就可以得出诊断，每一个信息点就是神经节点，最希望有一个架构师能够让这些信息一层层传递到输出端，可以有效的诊断这是什么疾病，比如说帮助病人治病，我们需要大量的病历输入才可以做到这一点。而且必须从已经确诊的病人那里获得信息，这才是有效的输入。机器不是说要去记住这些东西，要将其泛化，因为不同人给出的输入不一样，人脑可以进行非常好的泛化，这是我们希望可以让机器做的事情。

杨立昆是一个架构师，而且受到了视觉系统的启发，大概在上世纪60、70年代的时候，已经有一些生物学家学习了人的视觉系统，所以我们知道在人脑当中，信息是如何流动的，他们来研究了猴子的架构，因为人与猴子有一定的相似性。他们就是卷积神经网络的算法，他们设计了卷机神经网络算法，这边输入信息，将图像和神经元网络进行结合，传输后进行输出，这实际上有猴子的大脑，有一层层的神经输入架构，最上面的是猴子的大脑皮层最上端，一、二、三层等等输入，要怎么样大脑才能解决视觉输入的方法？杨立昆他们设计多层架构，使用早期的卷积神经网络，最终他们就有了识别物体的功能，还有就是网络中的单元，模仿人的大脑，而且有阈值，如果低于这个阈值没有输出，高于这个阈值才有。之后他们也进行了一系列的实验，进行了很多技术上的工作。

2012年的时候，这是ImageNet比赛，是一个深度学习应用，这个网络里面有概率分布，最高的概率Mite是老鼠，我可能猜不出是虫，可能以为是蜘蛛。这是它猜对了，这是一个小型摩托，后面猜对了是豹，上面都是猜对了的，图像可以很好的识别出来。下面这些就是没有猜对的图片，这是敞篷车，有人说这是散热器的罩，问另一个人，就说这是敞篷车，不同人看到的是不同面。第三幅图识别出是樱桃，实际上上面是狗，最后是madagascar猫，其实这并不是猫，人类识别是错误的，电脑识别出来是猴子。在训练集里标签标错了，所以出现了一些错误，但是实际上在性能级别上，深度学习能够在计算机识别方面，把误差率下降20%，如果能够下降这么多，已经非常厉害了，而且经过很多年才有这成果，对于某一些图像依然无法准确识别。关键要进行不断进行改善、演化。

今年图灵奖颁给我的朋友杨立昆、约书亚•本吉奥、杰弗里•辛顿，这相当于诺贝尔级别了，算对他们在深度学习里非常大的鼓励，而且深度学习现在成了很热的词，去年我写了一本书，总结深度学习发展历史，深度学习是怎么来的，还有学习算法是怎么来的，取得了哪一些成功，有哪一些失败，未来将向何处去，还有偏差带来的一些问题怎么解决等等，未来的挑战，最近这本书翻译为中文，已经有了中文版，就是右边的照片《深度学习》，我的出版商代表也过来了。这本书多少钱呢？待会你们想买一本打折的可以跟她私下谈。

这是我书中的一个章节，皮肤病医生看皮肤病，到底是癌症还只是良性的，已经治疗了两千例皮肤病医生收集的数据，用来做训练集，机器和16个皮肤病学家同场竞技，发现网络表现和医生是并驾齐驱的，诊断率可以达到92%之高，只要有一台手机，只要看到有一块皮肤病就可以拍照，马上可以得到诊断，不需要去看医生，也不需要去付很多医药费，有谁去看过皮肤病的？去医院看皮肤病真的很麻烦，有时候要做出诊断，需要好几个星期，甚至几个月时间，这样往往让病人苦不堪言，这是2017年写的，2018年出版的，现在我们看到有几个例子，这个看起来好可怕，实际上这是良性的，有一个看起来好像没有什么事却是恶性的，所以这要让医生来判断。

今天我在听一个电台节目的时候听到有一个公司，已经提供了这样的服务，如果患病拍照发到他们平台，他们AI系统就可以告诉你现在是否要就医还是说是良性的。有一个女朋友看到她男朋友背上有一些东西，随便拍了照片试一下，发给了这个平台，谁知道就是恶性的，她女朋友救了男朋友一命，因为及时就诊，收费才29美元。这是WAYMO自动驾驶汽车，舆论让你感觉明天就可以做成，其实要做几十年时间，因为有很多路况和复杂因素需要攻克和优化。

这辆汽车搭载了很多雷达和传感器，180度传感器不像我们人类视觉，只能看前方，它可以有180度的视角，无人驾驶汽车应用场景，现在的应用场景非常受限，我们看一下有可能的一些场景，如果我们一键启车，比优步和滴滴更好，可以提高车辆使用率，如果无人驾驶汽车能够实现，可以重新规划停车场和停车道，大量汽车利用率增高的时候，很多车在路上跑，不需要那么多停车场了，我们现在城市遍布的停车场、停车道可以再利用，可以变成公园、自行车专道，很多公司可能要关门大吉了，就是汽车维修店和汽车保险，更重要是可以挽救很多生命，因为疲劳驾驶是导致事故死亡的很大原因。还有酒驾、醉驾这种事件很多，每年高速公路，醉酒导致死亡4万人。

很大的便利是可以节省通行时间，尤其是出行高峰的时候，高峰时候堵车是很堵心的，如果我们使用无人驾驶汽车，都不用开车了，出行时间可以看看报纸，驾驶又完全自动安全，这样可以降低很大的交通事故死亡率。更重要的是我们可以更进一步畅想，盗车时代会被终结。此外还有一些新的就业岗位生成，很多人说卡车司机要失业了，不会的，我们如果使用无人驾驶的卡车，也要人去控制的，他的角色转化为安全监测岗位，这个岗位比开卡车好得多，而且更舒服，现在无人驾驶汽车仍然不能实现，因为有很多极端路况交通控制所以还不能实现，比如说卡车有一些货物掉在路上怎么办？所以我们还吸收有更多的训练数据集训练无人卡车，一旦有这种边远情况案例出现，比如说无人驾驶货载卡车货物掉路上时怎么处理，这些不是说完全没有人监控，我们需要有人监控，机器是监控不了的，所以我们仍然需要人去监控这些无人驾驶的卡车。

还催生另一个新的产业岗位，传感器技术供应链，这是一个全新的供应链，因为我们需要在无人驾驶车辆上边搭载几十亿个传感器，大量数据生成后，我们需要进行数据清理，这些都会催生很多很好的新工作岗位，这一个公司睿金科技来自中国郏县，他们有几千万人专门做数据清理的公司，听上去是挺烦燥的工作，但是比在“煤矿”上工作更好，其实是数据挖煤，这比现实中煤矿挖煤好得多。

接下来举一个语言翻译的例子，语言翻译在中国几千个语种，互相不能理解，所以我们训练机器预计下一个字词出现，这时候不需要分类数据，是非监督学习，这种叫做文字嵌入，如果机器能够训练得很好，我们期望的是学习内模通过自己的活动运算，可以了解和解构整个语义，同时要识别出大写的专有名词，非常有趣。比如说俄罗斯莫斯科这是对应关系，这是一个项量，将这个项量依附于德国，德国对应柏林，这个网络没有任何监督，就可以发现城市首都的关系，还有就是地理位置的关系，这在之前语言学领域从来没有做过，机器学习打开了整个语言学新的理论。

此外，我们机器从翻译上可以做时域序列解读，从底层慢慢学习，可以解读时态，还有语义强度、语气强度，还有增强机器工作记忆，句头首词到句末最后一个词都可以分析。现在谷歌翻译软件，单字单词翻译并不完美，我不想让大家有误解，认为这个网络已经可以理解句子的，不是的，但是比传统的翻译好多了，之前是字对字的硬设，这是行不通的，现在的翻译软件某一些语义是可以理解的，听上去翻译出来的中文或者英文，还是非常的奇怪，但是语义是通的。

我在我的智能手机上有一个翻译软件，是谷歌翻译APP，我相信在座各位也有自己的翻译软件APP，我用它可以使用日文、中文字词，可以翻译为英文，我已经用了很多次了，语音识别可以将中文的语音翻译为英文语音，这在某一种程度已经可以实现了。人类语种翻译是变的，比如说有一个非常有趣的句子：我们的意志力精神，反映我们的意志之力。这是从俄语翻译为英文后反对离题万里，所以我们翻译最重要是语义翻译、句义翻译，20世纪语言学主要领域主要是词法上做很多研究，其实语言最重要的就是语义理解、语义解构，词与词的关系，这些词组排列完后是怎样的意思，这是语义。现在人工智能已经往这个方向深化。

人工智能驱动的翻译技术有多么的神奇，这是我们取得的另一个进展，这是语言网络，有三个语种—英韩日，从英语翻译为韩语、日语都做了实验，但是还没有韩语翻译为日语，有英翻韩、英翻日，但是没有韩翻日，我们做的这个实验已经做了英翻韩、英翻日，能不能韩翻日，某种程度上可以，说明机器可以学习了，在一定程度上通过学习，可以韩翻日，也就是说你的训练更多，语言组越多，训练得越好，网络就可以更加相通，机器的翻译就能够学习得更好。所以我们这种语言学网络，可以给予我们更多的洞见，可以让我们更加理解各语种之间的转化和翻译机理。我们大脑在运算的时候，总是需要大脑海马体和皮层运作，我给大家分享一个概念，就是强化学习，怎么样通过增强学习达成目标，这个模式就是阿尔法狗怎么打败柯洁的秘密。

我再分享一点，最近在无监督学习中的一大突破，前提是需要大量数据组，我们把网络里面输入了很多名人图像，很多都是西方人，为什么看起来都像名人呢？这个网络很厉害，它实际上可以生成关于名人的新的图像，之前是没有存在过的，所有的图片都是不存在的，只是给出的案例中依据自动生成的，而且可以生成很多图像，但是这些都不是真实的人，都不是真实存在的，还可以不断的继续下去，所以这个例子就向我们展示了未来，生成性的网络，就像我们的大脑，我们大脑也会不断生成信息，我们坐那里，就会有各种各样的想法出现。

现在我们到哪一步了？还是在初期，就好象是莱特兄弟做了第一台飞机的时候，离喷气式飞机还有很长一段路要走，莱特兄弟几年前出了一本关于他们的传记，很好看，里面写着说莱特兄弟研究鸟很久，因为鸟可以飞过千山万水，不用经常拍动翅膀，而且他们对于空气动力学非常感兴趣，还建立了风动，所以莱特兄弟本质上就是工程师，我们从自然当中可以学到很多东西，莱特兄弟研究了自然，研究了鸟，然后他们发现大自然是这样解决问题的，而且要解决这些困难的问题并不难，大自然已经会了，大自然中已经蕴含着解开这些奥秘的钥匙了。我们还处于很早期的阶段，但是也在不断的进步，去年12月的时候，在蒙特利尔有100万人参加了会议，接下来12月我们觉得应该会有4万人来参加这个大会，我相信2020年来参加这个会议的人会更多。

非常感谢各位的参与，感谢各位的聆听，我们还处于人工智能早期阶段，还有很多问题需要解决，我们也看到了非常令人兴奋的成就和成果，恐怕有一些问题要花很多年才能解决，但是实际上有一些问题像自动驾驶汽车不能说以年来解决问题的，而是以十几年时间来计算，有时候需要几代人努力，但是回顾一下工业革命，这不是一夜之间发生的，而是经过几代人努力才实现的，所以各位的孩子就会从你们手中接过这个成果，从充满AI的世界中长大。那时候就像大家看到飞机一样，人工智能会非常的普遍，谢谢各位。

注：根据速记整理，未经特伦斯•谢诺夫斯基审校