前不久，優達學城（Udacity）聯合創始人兼總裁 Sebastian Thrun 通過知乎 Live ，與中國網友進行零距離交流。

　　Sebastian Thrun 眼中的 AI 和未來世界

　　AI，也就是人工智能，是現在硅谷最火的話題之一。人工智能的目標，就是要讓機器像人類一樣聰明，甚至比人類聰明。 從歷史的角度來看，大約300年前，人類發明了蒸汽機和農業設備，這些機器在物理層面上超越了人類的能力。

　　而 AI 要做的，是讓機器從智力層面上，也要超越我們人類。 機器也可以變得很聰明，他們可以玩游戲，可以開車，可以開飛機，還有很多它們能做到的事情。而目前最有趣的人工智能相關領域，就是機器學習。

　　機器學習，是指機器從經驗中學習的能力。同樣，讓我們對比著來看。當你為一臺電腦編程時，你會事無巨細地告訴電腦在任何一種可能的情境下，需要做什么樣的反應?，F在的電腦程序，通常會有成千上萬行代碼，因為有成千上萬種情況需要它們去處理。

　　而一個程序員，需要足夠聰明，可以預測到所有可能的情況，從而避免你的電腦崩潰。這也是為什么軟件工程師的薪水都那么高。在機器學習時代，機器不再需要被一條一條的灌輸指令，它們也可以被“教育”，就像人類的小孩獲得的教育一樣。我們教小朋友時，不是一行一行地把所有可能的行為指令都灌輸給他們，而是讓他們不斷去嘗試，跌倒，然后站起來，從跌倒的經驗中去學習。機器學習讓也能夠像小朋友那樣，能夠從經驗或數據中學習，獲得成長。

　　我在人工智能領域探索了很長一段時間。說起來你可能不信，我1993年就寫了一篇關于機器學習和機器人學的碩士論文。自從那時開始，我就為一個問題深深地著迷：機器到底能不能用和人類同樣的方式去學習？

　　2005年，距離現在十多年前，我參加了美國政府組織的 DARPA 超級挑戰賽，一個無人車駕駛大賽。196個隊伍參與角逐100萬美元的大獎，而我當時在斯坦福大學的團隊贏得了勝利。我當時是斯坦福人工智能實驗室的總監，在 Google 的人工智能項目中也擔任了同樣的角色。在參加挑戰賽時，我工作的核心，就是運用了機器學習。Stanley 是一輛會學習的機器人車。它能從數據中學習，有時它會從自己的經歷和錯誤中學習，更多時候，它會學習人類司機的行為，使得它自己能夠像人類那樣去駕駛。最終，Stanley 的學習模塊，讓它從196個隊伍中脫穎而出，早2005年，以決定性的優勢贏得了 DARPA 超級挑戰賽。

　　Google 的無人駕駛車也會學習，而我們也遇到了同樣的問題：在駕駛過程中，有太多的罕見情況需要去考慮，而無人車需要能夠處理好其中的任何一種情況。所以，Google 無人駕駛車最終在公路上駕駛了幾百萬公里來訓練軟件如何駕駛。人類和電腦的一個區別在于，學習的速度大不相同。舉例來說，如果一個人類駕駛員犯了一個錯誤，他會從中吸取教訓，也許下次可以不再犯錯。

　　但是其他人并不會擁有同樣的收獲。如果是一輛無人駕駛車出現了錯誤，不但它自己會從中吸取教訓，所有其他的無人駕駛車甚至是所有未來的無人駕駛車，也將從中獲得新的經驗。這意味著，一個錯誤就能訓練世界上所有的無人駕駛車，無人車的學習速度遠遠超過了人類。這個區別將導致未來有一天，無人車駕駛將比人類駕駛要安全的多得多。這是人工智能和人類在學習上非常關鍵的一個區別，而且它也適用于很多別的領域。

　　機器學習正在被運用于很多很多很多的領域。舉例來說，醫療診斷。機器學習可以比最優秀的人類醫生更準確地診斷癌癥。在法律領域，最資深的律師，也會在尋找資料和起草合同上輸給機器學習。當然，還有互聯網，Google 和百度都因為機器學習的助力，可以用超乎人類想象的準確度搜索信息。還有很多其他的領域，比如會計、駕駛飛行器和玩游戲。

　　前段時間，Google 的 AlphaGo 剛剛在圍棋上打敗了世界冠軍。而而這所有的人工智能應用都有一點相同：它們都會使用機器學習，從海量的數據中學習。如果你再觀察一下機器學習，比如 AlphaGo，會發現它能從成千上萬個棋局中學習。沒有任何人類的專家能夠活那么久，去看完幾百萬個棋譜。這個區別，使得 AlphaGo 可以運用比人類多得多的經驗數據，圍棋水平最終超越地球上所有的人類。

　　未來，人工智能對人類生活的改變，將和農業革命、工業革命帶來的改變一樣，讓我們可以變得更為強大。它將把我們從不需要動腦的重復性工作中解放出來，比如每天你在辦公室中不斷重復做著的很多工作。在未來，律師可以浪費更少的時間去尋找資料，花更多的時間去進行創意型的思考；醫生的誤診將大大減少，他們可以更好地診斷人類疾病，可以花更多時間和病人交流而不是用來盯著皮膚組織樣本。

　　精彩問答

　　Q： 你是如何看待計算機視覺的未來前景的？

　　Thrun： 計算機視覺是人工智能中最激動人心的領域之一。直到幾年前，我們甚至還不能識別照相機圖像中的最基本的部分，如你的臉，或者你坐的椅子，或者流動的云。但是多虧了深度學習，我們現在能夠分析非常復雜的東西。

　　例如，汽車停在停車場中，電腦放在桌子上，甚至柔軟無棱角的物體，如冰箱邊上的食物。這只是個開始。計算機視覺使一種控制汽車的新方法得以實現。過去無人駕駛汽車使用雷達和激光作為感知環境的方法，現在有一種新方法是用計算機視覺和攝像機來分析行駛方向，并且進步很快。

　　Q： 現在業內關于自動駕駛技術和實現的完成度，各家相比會有很大的差距嗎？比如 Tesla 和 Geohot ？

　　Thrun： 你問了無人駕駛汽車的市場和 Tesla 與 Geohot 的區別。如果你看看 Geohot 的新聞，就會得知 Geohot 已經決定終止無人駕駛汽車的項目，并轉而做別的項目。這個決定回應了美國政府對于 Geohot 對用戶是否真的安全的質疑。我不得不承認我今天看到這個消息很難過，因為我希望無人駕駛汽車技術短期內就有市場。相反，Tesla 已經建立了名為 Autopilot（自動導航）的無人駕駛技術。

　　它沒有完善到你可以在開車的時候睡覺，你必須保持注意力。但是如果你保持注意力，它能夠按路線行駛的非常棒。我有一輛 Tesla 并且我每天都使用 Autopilot。Tesla 的技術曾基于 Mobileye，一家以色列公司，現在換成了 Nvdia， 一家美國的公司。因此你可以看到無人駕駛性能的進步因為具體的技術在進步。在今天的市場，大部分都是非無人駕駛技術，是駕駛輔助技術，汽車只有一種功能。Tesla 是最先進的一個，因為它是個很棒的公司，發明了 Autopilot。

　　盡管如此，Autopilot 還不是最完美的無人駕駛汽車系統。然而，業界的進步十分迅速，接下來兩三年，我期待更多主流的汽車公司也來做無人駕駛，并研發出類似的無人駕駛技術。

　　Q： 現在的人工智能離強人工智能還有多遠？機器人什么時候能真正讀懂人說的話、理解看到的東西、了解人類的情感，（深度）神經網絡能做到這一點嗎？

　　Thrun： 現在的人工智能離強人工智能還很遠，現在是專業化的人工智能。每一個人工智能系統精通一項任務，但是如果要它做一個不同的任務需要從零學起。這很重要因為我們不需要無人駕駛汽車會下象棋，我們也不需要飛機會投籃，這些是不同的領域。

　　然而，現在的問題是機器人是否能夠理解人類情感，我認為這需要很大的進步。現在在訓練人工智能理解人類是高興或沮喪，不舒服或疲憊，已經有了很大的進步。你們手機上的人工智能系統可以辨別你現在的心情，這個用最基本的人工智能系統就可以做到，只需要觀察你貼圖的頻率，看微信的頻率，走路的方式。

　　我想說我對人類情感很感興趣，但是我對機器情感并不感興趣。我不需要我的人工智能有情緒，我不希望它生氣或者開心，我不想來到廚房，發現我的冰箱愛上了我的洗碗機。它不愿意為我工作因為我昨天晚上對它發了脾氣。我希望機器能夠穩定工作，因此我認為人工智能機器不需要情感。

　　Q： 基于學習的方法主導機器學習的根本原因是什么？它將如何與更傳統的 AI 方法進行交互？

　　Thrun： 機器學習主導的根本原因是它必須做到跟人類學習的方式類似。如果你想教小孩做正確的事情，你不能坐下來把生活規則一條一條寫下來，這是不可能教會他的，相反，你應該讓小孩從他自己的經歷中學習。

　　機器學習不是像我們曾經寫代碼一樣來學習的，也是從經歷中來學習，因此在很多領域都不那么做了。比如 Google 每天從數千億的在線網頁的數據集中學習，這些數據沒有任何規則，但數據卻存在規律。所以今天的機器學習是將人類的學習方式用在數據上得出結論，這比用常規的編程方式要更強大。

　　Q： 未來的硬件技術有什么新的要求，以滿足AI的趨勢？

　　Thrun： 如今人工智能發展的一大激活因素是計算機的規模。10年以前，這是不可能的。 10年前我們的計算機系統規模最大都不如老鼠的大腦，現在它們比人類的大腦更大。這使得一切都變的不同了。人工智能領域大多數發現，世界上最好的算法，在30年前就已經出現，但現在才開始興起的原因是因為計算機變得越來越快。

　　展望未來，計算機必須更快，更便宜，更加關注浮點數的運算，可以大量相互連接。在所有這些事情正在發生的現在，計算機公司（比如我們知道的谷歌和亞馬遜）之間最大的區別，對 AI 最重要的，是處理浮點運算的能力。因此，GPU（顯卡，圖形處理器） 和浮點運算能力是人工智能的必要條件和驅動力。