邁克爾·喬丹，美國加州大學(xué)伯克利分校陳丕宏杰出教授( Pehong Chen Distinguished Professor)，美國科學(xué)院、美國工程院、美國藝術(shù)與科學(xué)院的院士，ACM，IEEE，AAAS,，AAA I，ASA，IMS等學(xué)會會士(Fellow)，機(jī)器學(xué)習(xí)領(lǐng)域國際著名學(xué)者。本文分七部分。
為何我們談?wù)撚?jì)算模型時不該繼續(xù)用腦作比方
霧里看花的機(jī)器視覺
為什么大數(shù)據(jù)可能只是一場空歡喜
有10億美元他會干什么
如何避談「技術(shù)奇點(diǎn)」(singularity)
比起P=NP 他更關(guān)心什么
圖靈測試的意義到底在哪里
一、為什么我們談?wù)撚?jì)算模型的時候不該繼續(xù)用腦作比方
S：從您的文章中可以看出，您認(rèn)為外界對于深度學(xué)習(xí)、大數(shù)據(jù)、計(jì)算機(jī)視覺凡此種種存在著諸多誤讀。
M：嗯，所有學(xué)術(shù)問題都有這樣的誤讀。媒體總是盡力發(fā)掘那些抓人眼球的話題，有時候有些報(bào)道就言過其實(shí)了。就拿深度學(xué)習(xí)來說，基本上就是把神經(jīng)網(wǎng)絡(luò)重新包裝了一下，而神經(jīng)網(wǎng)絡(luò)20世紀(jì)80年代就有了，甚至可以再往前追溯到60年代，感覺每二十年它就會卷土重來一次。目前在這一撥熱潮中，主要的成功例子是卷積神經(jīng)網(wǎng)絡(luò)，可是這個想法早在上一撥就出現(xiàn)過了。那時候就有一個問題，并且遺憾的是目前這個問題仍然存在：即人們總是認(rèn)為它（指人工神經(jīng)網(wǎng)絡(luò)?！g者注）和神經(jīng)科學(xué)有著某種聯(lián)系，并且認(rèn)為深度學(xué)習(xí)是人們對腦如何處理信息、學(xué)習(xí)、決策乃至應(yīng)對大規(guī)模數(shù)據(jù)的認(rèn)識。而事實(shí)顯然不是這樣。
S：作為媒體從業(yè)人員，我對您剛才的話有些異議，原因是很多時候正是學(xué)術(shù)圈里的人非?？释叵胱屛覀儗懸恍╆P(guān)于他們的故事。
M：是的，這算是一種合作關(guān)系吧。
S：我一直以來都有這樣的印象，當(dāng)計(jì)算機(jī)科學(xué)領(lǐng)域的人描述腦是如何工作的時候，他們總是采用一些極其簡化的說法，而神經(jīng)科學(xué)家們也許永遠(yuǎn)都不會采用這樣的說法。您稱之為腦的「卡通模型」。
M：我可不想簡單地給人貼上標(biāo)簽，說計(jì)算機(jī)科學(xué)家們都是某種樣子，神經(jīng)科學(xué)家們又是另外一種樣子。但有一點(diǎn)是對的，對于神經(jīng)科學(xué)來說，理解一些深刻的原理可能要耗費(fèi)數(shù)十、甚至數(shù)百年之久。神經(jīng)科學(xué)的最底層研究的確有一些進(jìn)展，但是說到更高級的認(rèn)知行為——比如我們?nèi)绾胃兄?、記憶或行動，我們還毫無頭緒，包括神經(jīng)元如何存儲信息、如何進(jìn)行計(jì)算、遵循什么準(zhǔn)則和算法、采用哪種表示等。所以，我們還沒有步入可以利用我們對腦的認(rèn)識來指導(dǎo)搭建智能系統(tǒng)的時代。
S：除了批評那些腦的「卡通模型」，您其實(shí)還進(jìn)一步批評了那一整套所謂「神經(jīng)現(xiàn)實(shí)主義（ne ural realism）」的思潮——他們認(rèn)為一個硬件或者軟件系統(tǒng)只要擁有了某些腦的疑似特征就會因此變得更加智能。您是如何看待那些聲稱比如「我的系統(tǒng)是一個類腦系統(tǒng)因?yàn)樗谴笠?guī)模并行的」的計(jì)算機(jī)科學(xué)家？
M：啊，這些只是打個比方而已，某些時候還挺管用的。流和流水線就是從各種電路里引申出來的概念。我記得20世紀(jì)80年代早期的時候，計(jì)算機(jī)科學(xué)還基本都在關(guān)注順序架構(gòu)——也就是馮·諾依曼的那種一段存儲的程序被順序執(zhí)行的模式。由此便有了想要突破這種范式的需求，所以人們尋求高度并行大腦的一些比喻，那還是有用的。
可是研究內(nèi)容轉(zhuǎn)變之后，并不是所謂的神經(jīng)現(xiàn)實(shí)主義引導(dǎo)著主要的進(jìn)展。在深度學(xué)習(xí)中被證實(shí)最為成功的算法是基于一種叫做反向傳播的技術(shù)：（假設(shè)）你有若干層處理單元，并且從最后一層獲得了輸出，然后你把一個信號反向傳播回去以調(diào)整所有的參數(shù)。顯然腦是不會這樣做的，這絕對是與「神經(jīng)現(xiàn)實(shí)主義」偏離的，但是它帶來了顯著的研究進(jìn)展?？墒侨藗兺鶎⒛切﹤€別的成功例子與其他所有企圖搭建類腦系統(tǒng)而效果卻又不及萬一的嘗試混為一談。
S：對于神經(jīng)現(xiàn)實(shí)主義的失敗，您還提到了（人工）神經(jīng)網(wǎng)絡(luò)中并不存在哪怕一處比較符合神經(jīng)科學(xué)的地方。
M：深度學(xué)習(xí)系統(tǒng)中并不存在神經(jīng)脈沖這樣的東西，也沒有神經(jīng)樹突，倒是有雙向信號這樣的腦中并不存在的東西。
我們不知道神經(jīng)元是如何學(xué)習(xí)的。它是只在負(fù)責(zé)學(xué)習(xí)的突觸的權(quán)重中有一個細(xì)微的改變嗎？人工神經(jīng)網(wǎng)絡(luò)就是這么做的，而我們對于在腦中到底如何進(jìn)行學(xué)習(xí)的則知之甚少。
S：我經(jīng)常讀到工程師們在描述他們新的芯片設(shè)計(jì)時采用了一種在我看來是不可思議的亂用的說法。他們會說芯片上的「神經(jīng)元」或「神經(jīng)突觸」。但那簡直是不可能的——神經(jīng)元是一個活生生的細(xì)胞并且具有非凡的復(fù)雜性。難道工程師們不是擅用了生物學(xué)的語匯來描述一些在復(fù)雜程度上不及生物系統(tǒng)萬一的結(jié)構(gòu)嗎？
M：呵呵，我想我還是小心為上。我認(rèn)為有必要區(qū)分兩個使用「神經(jīng)」這一詞匯的不同場合。
一個是深度學(xué)習(xí)。在那里每個「神經(jīng)元」其實(shí)是一種簡筆畫式的描述。它實(shí)際上是一個線性的加權(quán)求和再通過一個非線性（變換），電子工程領(lǐng)域內(nèi)隨便誰都熟識這種非線性系統(tǒng)。把那稱作為神經(jīng)元顯然是一個簡稱，就像簡筆畫一樣。有一種在統(tǒng)計(jì)學(xué)中被稱之為邏輯回歸的過程，可以追溯到20世紀(jì)50年代，它跟神經(jīng)元毫無關(guān)系而又和上述這種微小單元（指人工神經(jīng)網(wǎng)絡(luò)中的「神經(jīng)元」?！g者注）別無二致。
另一個就與你剛才提到的相關(guān)。如果我沒理解錯的話，他們試圖模擬實(shí)際的腦，或者至少是一個實(shí)際的神經(jīng)元回路的簡化模型。但我發(fā)現(xiàn)一個問題，那就是這種研究沒有與對這個系統(tǒng)在算法層面上究竟可以實(shí)現(xiàn)什么功能的認(rèn)識相結(jié)合，也沒有與一個接收數(shù)據(jù)并且解決問題的學(xué)習(xí)系統(tǒng)相結(jié)合，比如視覺系統(tǒng)。它其實(shí)僅是一個架構(gòu)，指望著哪一天人們會找到一些讓它能派上用場的算法，可是又沒有什么清晰的跡象表明這種愿景指日可待。我覺得它是基于這樣一種信念，即如果你造出了像腦一樣的東西，有朝一日它自會找到用武之地。
S：如果可以，您會宣稱禁止將腦的生物學(xué)原理當(dāng)成計(jì)算模型來使用嗎？
M：我不會。你應(yīng)該從任何可能的地方汲取靈感。就像我剛才提到的，早在20世紀(jì)80年代，說一些「讓我們跳出順序的馮·諾依曼架構(gòu)，來多想想高度并行化的系統(tǒng)吧」的話事實(shí)上是很有益處的。但是就現(xiàn)在來講，顯然腦所用的細(xì)致的處理方式對于（我們設(shè)計(jì)）算法過程沒有太大啟示，因此我認(rèn)為用腦來刻畫我們的所作所為是不合適的。我們并不知道腦是如何處理視覺信息的。
二、霧里看花的機(jī)器視覺
S：在談到視覺系統(tǒng)的研究時，您曾經(jīng)使用了「hype」（意為猛烈且夸大的宣傳——譯者注）一詞。最近似乎盛傳著一些故事，談到計(jì)算機(jī)已經(jīng)如何解決了視覺問題并且就視覺而言與人類已經(jīng)不相上下。您認(rèn)為這靠譜嗎？
M：人類（的視覺系統(tǒng)）可以應(yīng)對混雜的場景，可以處理為數(shù)眾多的（物體）類別，還可以針對場景做出推理，比如「如果我坐在那上面會怎樣」，「我把一個東西放在另一個東西上面會怎樣」，而這些都遠(yuǎn)超目前機(jī)器能力之所及。深度學(xué)習(xí)只是在某些圖像分類的問題上效果不錯，可以回答如「這個場景中有什么物體？」這類的問題。
但是計(jì)算視覺問題的范疇非常大。這就好比聲稱當(dāng)（牛頓看見）那個蘋果從樹上掉下來的時候，我們就已經(jīng)掌握了整個物理學(xué)。誠然，由此我們對于力和加速度有了更多一點(diǎn)兒的了解，這很有意義。在（機(jī)器）視覺方面，我們現(xiàn)在有了一個可以解決某一類問題的工具，但因此就說它解決了全部的問題是荒謬的。
S：與人類能做的所有事情比起來，我們現(xiàn)在能解決的視覺問題占了多大一部分呢？
M：比如人臉識別問題，人們認(rèn)為它是可以解決的已經(jīng)有一段時間了。除了人臉，還有其他一些物體類別也是如此，比如「場景中有一個杯子」，「場景中有一只狗」。但是要同時識別一個場景中的許多種類的不同物體以及它們?nèi)绾蜗嗷リP(guān)聯(lián)，或是一個人或機(jī)器人會如何與那個場景交互，這仍然是一個很難的問題，離解決還差得很遠(yuǎn)。
S：即使是人臉識別，我印象中它也只是在有了非常干凈的圖像的前提下才有效果。
M：對，要讓它更有效仍然是一個工程問題。隨著時間推移，你會看到它會變得更好。但要說什么「革命性的」之類的話就言過其實(shí)了。
三、為什么大數(shù)據(jù)可能只是一場空歡喜
S：現(xiàn)在我們不妨將話題轉(zhuǎn)到大數(shù)據(jù)上。您的言論中始終認(rèn)為當(dāng)前對大數(shù)據(jù)的執(zhí)著里有把「黃銅當(dāng)金子」的成分。比如您就曾預(yù)測公眾即將經(jīng)歷一場大數(shù)據(jù)項(xiàng)目帶來虛警的流行病。
M：當(dāng)你有了大量的數(shù)據(jù)之后，你就會想提出更多的假設(shè)。而一旦提出假設(shè)的速度超出了數(shù)據(jù)的統(tǒng)計(jì)內(nèi)涵（statistical strength），那么你的推斷里有很多都可能是錯誤的。它們也許就只是白噪聲。
S：為什么會這樣？
M：在傳統(tǒng)的數(shù)據(jù)庫里，你有比方說幾千個人（的數(shù)據(jù)）。你不妨把他們看成數(shù)據(jù)庫中的行，而列就對應(yīng)了這些人的屬性：年齡、身高、體重、收入等等。
現(xiàn)在，這些列的組合數(shù)目是以指數(shù)的速度隨著列數(shù)增加的。因此如果你有非常非常多的列（現(xiàn)代的數(shù)據(jù)庫里的確如此），那么對每個人你都會得到數(shù)以百萬計(jì)的特性。
假如我現(xiàn)在開始查看這些屬性的所有組合——你是否在北京生活，是否騎自行車上班，是否從事某項(xiàng)工作，是否處于某個特定的年齡——那么你得某種疾病或者你喜歡我的廣告的概率是多少呢？我將得到數(shù)以百萬計(jì)的屬性組合，并且這些組合的數(shù)目是指數(shù)級別的；它會達(dá)到宇宙中的原子數(shù)目的規(guī)模。
這些就是我想要考慮的假設(shè)。在任何一個特定的數(shù)據(jù)庫里，我都能找到這些列的某種組合來完美地預(yù)測任何結(jié)果，哪怕只是隨機(jī)地挑選。如果我只是查看所有發(fā)生過心梗的人，把他們同所有未發(fā)生過心梗的人作比較，并尋找可預(yù)測心臟病的列的組合，我就的確能夠找到列的各種各樣的疑似組合，這是因?yàn)樗鼈償?shù)量龐大。
這就好像讓好幾十億只猴子在那打字，總有一個會寫出莎士比亞。
S：您認(rèn)為大數(shù)據(jù)的這一面目前沒有得到重視嗎？
M：當(dāng)然。
S：有哪些東西是人們承諾大數(shù)據(jù)能帶來的而您認(rèn)為其實(shí)是無法兌現(xiàn)的？
M：我認(rèn)為數(shù)據(jù)分析能夠按某些質(zhì)量標(biāo)準(zhǔn)發(fā)布一些推斷，然而我們必須交代清楚這些質(zhì)量標(biāo)準(zhǔn)到底是什么樣的。我們必須在我們所有的預(yù)測上加上誤差線（error bar），而這正是在目前很多機(jī)器學(xué)習(xí)文獻(xiàn)中所欠缺的。
S：如果處理數(shù)據(jù)的人并不理會您的建議會發(fā)生什么情況呢？
M：我喜歡使用造橋來做類比。假設(shè)我不依從任何準(zhǔn)則，毫無科學(xué)根據(jù)地建造了上千座橋梁，那么它們有很多都會崩塌，造成巨大的災(zāi)難。
與此類似，假設(shè)人們使用數(shù)據(jù)并根據(jù)這些數(shù)據(jù)做出推斷而完全沒有考慮誤差線、數(shù)據(jù)異構(gòu)、噪聲數(shù)據(jù)、采樣模式，以及所有那些作為一個工程師和統(tǒng)計(jì)學(xué)家必須慎重對待的事情，他們就會做出很多的預(yù)測，并且有很大可能會偶爾解決一些真正有意思的問題。但是時不時地還會做出一些災(zāi)難性的糟糕決定。這其中的差別你事先是不會知道的。你就只能做出預(yù)測然后祈禱一切順利。
這就是我們的現(xiàn)狀。許多人在（用大數(shù)據(jù)）做一些事情，期望它們能有用，有時它們確實(shí)起作用了。從某種意義上講，這么做也無可指摘，這本就是探索性的工作。但是就整個社會而言，不能放任這種情況發(fā)展，我們不能只是「但愿」它們有用，到頭來我們還是要給出切實(shí)的保證。土木工程師最終學(xué)會了如何建造能夠持久屹立的橋梁。那么說到大數(shù)據(jù)，我猜可能還要過幾十年才能形成一個真正的工程學(xué)方法，以便你能夠有一定程度的保證說，你正在公布合理的答案并且在對出錯的可能性進(jìn)行量化分析。
S：我們現(xiàn)在有提供那些誤差線的工具嗎？
M：我們正在著手把這門工程科學(xué)組裝起來。我們有許多想法，它們來自于數(shù)百年的統(tǒng)計(jì)學(xué)和計(jì)算機(jī)科學(xué)的研究，我們正致力于把它們?nèi)诤系揭黄?，讓它們具有可擴(kuò)展性。過去30 年間涌現(xiàn)了許多關(guān)于如何控制所謂的「族群誤差」（family wise errors）的想法，也就是在有多個假設(shè)的情況下想知道誤差率。但這些想法仍有許多還沒有從實(shí)際計(jì)算的角度進(jìn)行研究。解決這些問題是很難的數(shù)學(xué)和工程課題，并且需要時間。
這不是一兩年的問題，而是需要幾十年才能做好。我們?nèi)耘f在學(xué)習(xí)如何用好大數(shù)據(jù)。
S：在閱讀關(guān)于大數(shù)據(jù)和醫(yī)療保健的報(bào)道時，差不多每三篇就有一篇在談我們將幾乎完全自動地靠著從每個人身上（尤其是在云端）收集數(shù)據(jù)來獲得令人驚嘆的臨床診斷的發(fā)現(xiàn)。
M：對這種事，你既不能全盤懷疑也不能徹底樂觀，應(yīng)該就在這兩個極端之間。但是如果你把某些數(shù)據(jù)分析中得到的假設(shè)全部列出來，那么總有一部分是有用的，你只是不知道是哪一部分。所以如果你隨便挑出幾條來——比如說「吃燕麥麩就不會得胃癌」之類的，因?yàn)閺臄?shù)據(jù)上看似乎如此，那么你會有一些走運(yùn)的機(jī)會。數(shù)據(jù)是能提供某種支持的。
但是這還是在賭博，除非你真的做了完整的工程統(tǒng)計(jì)分析來給出誤差線并且量化錯誤率。雖然它比沒有數(shù)據(jù)就直接賭博要好些，那是純粹的輪盤賭。而這是一種部分的輪盤賭。
S ：如果我們繼續(xù)在您描述的那條（錯誤的）軌跡上前進(jìn)，大數(shù)據(jù)將會面對怎樣的不利后果？
M：最主要的就會是一次「大數(shù)據(jù)的冬天」（暗指20世紀(jì)七八十年代的「人工智能的冬天」——譯者注）。在一場泡沫之后——人們已經(jīng)投了錢，一大批公司作了承諾卻又拿不出嚴(yán)肅的分析結(jié)果——泡沫會破碎。并且很快，在2至5年間，人們就會說「大數(shù)據(jù)來了又走了，它死了，并且是錯的?！刮翌A(yù)言的是那樣。當(dāng)炒作過了頭的時候，這就是在那些循環(huán)往復(fù)之中會發(fā)生的事情。這些炒作或者說斷言，既不是基于對真正的問題是什么的理解，也不是基于解決問題可能要好幾十年或者說我們會取得逐步進(jìn)展的理解，而是基于一種我們還沒有在技術(shù)進(jìn)步中取得關(guān)鍵性跨越的理解。在此之后可能會有一個時期，獲取資源來做數(shù)據(jù)分析變得十分困難。（當(dāng)然）這個領(lǐng)域會繼續(xù)發(fā)展，因?yàn)樗钦鎸?shí)的也是有實(shí)際需求的。不過這種反彈勢必會對一大批重要的研究項(xiàng)目造成不利影響。
四、有10億美元他會干什么
S ：想想花在那上面的那么多錢，展示廣告的背后的科學(xué)仍然看上去不可思議的簡單原始。我有個愛好就是去搜尋一些荒唐的Kickstarter（一個面向全球的眾籌平臺，人們在上面發(fā)布項(xiàng)目創(chuàng)意吸引感興趣的人投資，投資者將會獲得一些特別的先期回報(bào)——譯者注）項(xiàng)的相關(guān)信息，主要就是想感受一下它們到底有多可笑，然后我就在好幾個月內(nèi)都一直被展示來自那些公司的廣告。
M：嗯，這仍然是個「譜分布」，取決于我們?nèi)绾卧O(shè)計(jì)系統(tǒng)以及我們涉及的范疇。在某些范圍狹窄的范疇內(nèi)，它（指廣告推薦）可以工作得非常好；而在非常寬泛的范疇下，語義變得比較模糊，則可能變得很糟糕。我個人覺得亞馬遜公司針對圖書和音樂的推薦系統(tǒng)非常非常棒。那是由于他們擁有大量的數(shù)據(jù)，并且（系統(tǒng)所涉及的）范疇相當(dāng)受限制。而在襯衫或者鞋子這樣的范疇下，語義變得比較模糊，他們擁有的數(shù)據(jù)量也較少，因此系統(tǒng)性能就差得多。
雖然還有許多問題，但是搭建這些系統(tǒng)的人們?nèi)栽谌σ愿?。我們目前的切入點(diǎn)就是語義與人的偏好。假如我購買了一個冰箱，這并不表示我通常對冰箱有興趣。我已經(jīng)買了一個，那么我可能不太會再對它們有興趣了。然而假如我購買了一首泰勒·斯威夫特（Taylor Swift）的歌曲，則我很有可能購買更多她的歌曲。這與歌手或是產(chǎn)品或者物體的特定語義相關(guān)。要在人們廣泛的興趣「頻譜」范圍內(nèi)把這件事做好需要大量的數(shù)據(jù)與工程實(shí)踐。
S：您曾經(jīng)說要是您有一筆不受限制的10億美金的資助，您會把它用在研究自然語言處理上。您會做什么事是谷歌在谷歌翻譯中還沒有做的呢？
M：我相信我想干的事谷歌都已經(jīng)在做了，但是我認(rèn)為谷歌翻譯（它涉及機(jī)器翻譯）不是唯一的語言問題。另有一個好的語言問題的例子就是問答系統(tǒng)，比如「加州第二大不臨河的城市是哪個？」假設(shè)我現(xiàn)在把這句話輸入谷歌，我不太可能得到一個有用的答案。
S：所以您的意思是有了那10億美元，至少就自然語言而言，您能夠解決通用知識的問題并且摘取人工智能的冠上明珠，即像人那樣思考的機(jī)器？
M：是的，你得要切出一個較小的問題，這類問題并不包羅萬象，卻能讓你取得進(jìn)展。我們做研究就是如此行事。我可能會挑一個特定的領(lǐng)域——實(shí)際上我們在進(jìn)行地理問答的研究。那會讓我得以專注于某類特定的關(guān)系與數(shù)據(jù)，而不是這世上的所有事情。
S：如此說來，要在問答上取得進(jìn)步，您就得把它局限在某個特定的領(lǐng)域內(nèi)嗎？
M：你能取得多大的進(jìn)步是一個經(jīng)驗(yàn)主義的問題。答案取決于在這些領(lǐng)域中有多少可用數(shù)據(jù)，你能付多少錢讓人們把他們對這個領(lǐng)域的了解落實(shí)到紙上，以及有多少標(biāo)注數(shù)據(jù)。
S：即使有10億美元，我們?nèi)匀豢赡苤皇堑玫揭粋€不那么通用的，只在某一個領(lǐng)域內(nèi)可用的系統(tǒng)，這聽上去不太給力啊。
M：通常每一項(xiàng)這樣的技術(shù)都是這樣演進(jìn)的。我們早先討論過視覺。最早的視覺系統(tǒng)是人臉識別系統(tǒng)，那是領(lǐng)域受限的。但也正是從那兒開始我們見證了一些早期的進(jìn)展并且對于它們可能真的管用（這個信念）有了一點(diǎn)感性認(rèn)識。在語音領(lǐng)域也是如此，最早的進(jìn)展是針對單一獨(dú)立的單詞的；然后慢慢地開始進(jìn)到了能夠處理整句話的地步。（技術(shù)）進(jìn)步都是那樣的——從一個受限的東西變得受限越來越少。
S：我們到底為什么需要更好的問答系統(tǒng)呢？谷歌現(xiàn)在這樣難道還不夠好嗎？
M：谷歌有一個非常厲害的自然語言研究組正好就在做這事，因?yàn)樗麄冋J(rèn)識到他們對某類查詢表現(xiàn)得很糟糕，比如使用「不」這個詞的查詢。而人們需要使用「不」，比方說「告訴我一個不在河邊的城市」。在當(dāng)前的谷歌搜索引擎里，這個查詢得不到很好的處理。
五、如何避談「技術(shù)奇點(diǎn)」
S：現(xiàn)在換個話題。假設(shè)您在硅谷和人談話，然后他們對您說，「告訴你啊喬丹教授，我可是技術(shù)奇點(diǎn)（singularity）的擁躉呢?！鼓鷮λ麄兊挠∠髸兒眠€是變壞？
M：幸運(yùn)的是我還從來沒有碰到這樣的人。
S：天啊，怎么會！
M：真的沒有，我生活在工程師和數(shù)學(xué)家組成的知識分子的小圈子里。
S：但是假設(shè)您真的碰到了這樣的人，您會怎么辦？
M：我會摘下自己作為一名學(xué)者的帽子，然后就跟個想著幾十年后會發(fā)生些什么的普通人一樣。我會饒有興趣，就好像我讀科幻小說時那樣。然而這并不能指導(dǎo)我所做的任何學(xué)術(shù)研究。
S：好吧，但是基于您做學(xué)術(shù)研究的認(rèn)識，您怎么看待這個問題呢？
M：我的理解是它不是一個學(xué)術(shù)上的科目，在一定程度上是關(guān)于社會演化以及個體改變的哲學(xué)問題，同時在某種程度上又是文學(xué)，就像科幻小說那樣思考著技術(shù)發(fā)展帶來的一系列后果。但這并不能產(chǎn)生算法層面的創(chuàng)意，至少我是這么認(rèn)為的因?yàn)槲覐膩頉]有見到，而這些創(chuàng)意才能啟發(fā)我們?nèi)绾稳〉眉夹g(shù)進(jìn)步。
六、比起P=NP他更關(guān)心什么（譯者注：P指的是在圖靈的計(jì)算模型下有多項(xiàng)式復(fù)雜度算法的解的問題，NP為已知可解但未知有多項(xiàng)式復(fù)雜度算法的解的問題。P是否等于NP是理論計(jì)算機(jī)科學(xué)關(guān)心的核心問題之一，即探討這兩類問題是否實(shí)際為同一類，亦即是否任何一個圖靈可解問題都存在一個多項(xiàng)式復(fù)雜度算法的解。）
S：您對P是否等于NP有猜想嗎？您關(guān)心嗎？
M：對于多項(xiàng)式與指數(shù)之間的差別我倒不是那么在意，我更感興趣的是低維多項(xiàng)式——線性時間和線性空間。P還是NP意謂把算法分類為多項(xiàng)式復(fù)雜度（因而可以有效求解）以及指數(shù)復(fù)雜度（因而沒法有效求解）。我認(rèn)為大多數(shù)人會贊成也許P是不等于NP的。作為一個數(shù)學(xué)問題去弄明白它是很有趣的。但是這兩者的界限并不那么分明。有許多指數(shù)時間的算法在某些受限的領(lǐng)域內(nèi)仍然是可用的，其中部分原因是由于現(xiàn)代計(jì)算機(jī)的發(fā)展。此外，對于最大規(guī)模的問題，多項(xiàng)式復(fù)雜度不足以保證有效求解。多項(xiàng)式只是代表復(fù)雜度以一個超線性的速度增長，比如平方或者立方，而最大規(guī)模的問題確實(shí)有必要要求時、空開銷隨規(guī)模以線性速度增長。就是說，假設(shè)你又拿到了5個數(shù)據(jù)樣本，你就只須再多付出5份計(jì)算開銷；甚至是次線性，比如對數(shù)級別：我拿到100個新的數(shù)據(jù)樣本，開銷就增加2份；拿到1000個新樣本，開銷增加3份。
那是理想的情況。那樣的算法正是我們要關(guān)注的，而這個問題與P和NP的問題相去甚遠(yuǎn)。P是否等于NP是一個非常重要也非常有趣的智力問題，但是它對于我們研究的問題并沒有多少指導(dǎo)意義。
S：同樣的問題對量子計(jì)算又如何呢？
M：從學(xué)術(shù)研究的角度講，我對這些東西都感興趣。它是真實(shí)的，它是有趣的，只是它確實(shí)對于我的研究領(lǐng)域還沒有什么影響。
七、圖靈測試的意義到底在哪里
S：在您的有生之年機(jī)器會通過圖靈測試嗎？
M：我認(rèn)為機(jī)器的能力是慢慢地積累起來的，包括在諸如語音、視覺與自然語言這樣的領(lǐng)域內(nèi)。也許不會有那么一個孤立的時間點(diǎn)讓我們想說「現(xiàn)在宇宙中誕生了一個新的智能體」。我認(rèn)為像谷歌這樣的系統(tǒng)就已經(jīng)提供了一定程度上的人工智能。
S：這些系統(tǒng)的確很有用，但是它們從來不會被誤認(rèn)成是一個人。
M：的確不會。我認(rèn)為我們多數(shù)人不會覺得圖靈測試是一個非常清晰的界限。然而，當(dāng)我們看到智能的時候我們都能認(rèn)出來，并且它在我們周圍的各種設(shè)備上逐漸顯現(xiàn)。它并不一定要嵌入一個單獨(dú)個體。我能意識到我周圍的基礎(chǔ)架構(gòu)變得更加智能。我們所有人不論何時都正在意識到這一點(diǎn)。
S：在您說「智能」這個詞的時候，您是否只是把它用作「有用」的同義詞？
M：沒錯。我們這一代感到驚奇的事情——比如計(jì)算機(jī)某種程度上識別到了我們的所需、所求、所欲——我們的孩子們會覺得沒那么驚奇，而他們的孩子們會更加覺得沒什么驚奇。（到了那時）人們會理所當(dāng)然地覺得我們周圍的環(huán)境是自適應(yīng)的，是有預(yù)測能力的，魯棒的。那還包括通過自然語言與你的環(huán)境進(jìn)行交互的能力。某一天，你會驚訝于可以與你的環(huán)境進(jìn)行一場自然的對話。目前我們在非常受限的條件下可以部分地做到這些，比如說我們可以（在網(wǎng)上）進(jìn)入自己的銀行賬戶。這是非常非常初級的。但是隨著時間的推移，我們將會發(fā)現(xiàn)這些東西變得更加細(xì)致，更加魯棒，也更加廣泛。某一天，我們會贊嘆：「哇！我小時候跟現(xiàn)在天差地別?！箞D靈測試幫助這個領(lǐng)域起了步，但是到頭來它就會像土撥鼠日（譯者注：北美地區(qū)每年2月2日的一個傳統(tǒng)節(jié)日，那一天人們用土撥鼠預(yù)測春天的到來。）那樣——是一個媒體事件，但其實(shí)沒那么重要。
譯者信息：
徐旻捷，清華大學(xué)博士生。主要研究方向?yàn)榉菂?shù)化貝葉斯方法、矩陣低秩分解。chokkyvista06@gmail.com
朱 軍，CCF會員、本刊編委，CCF青年科學(xué)家獎、優(yōu)秀博士學(xué)位論文獎獲得者。清華大學(xué)副教授。主要研究方向?yàn)榇笠?guī)模機(jī)器學(xué)習(xí)等。dcszj@mail.tsinghua.edu.cn
----------------------------------------------------
方便查看歷史文章。
申請加入機(jī)器之心微信群，討論前沿科技。
申請加入機(jī)器之心翻譯團(tuán)隊(duì)，與小伙伴一起為未來寫詩。
國內(nèi)外前沿科技尋求報(bào)道。
轉(zhuǎn)載請?jiān)谖恼麻_頭顯著注明“本文來源于微信公眾號‘機(jī)器之心’（almosthuman2014）”，并保留原文作者和來源。
聯(lián)系客服
