“人工智能的運算能力已經(jīng)超過人類很多，但是在學習和理解的能力上還遠遠趕不上我們。只有充分搭建好深度學習的模型，更好開放數(shù)據(jù)和信息共享，我們才能較快地看見人工智能更廣泛的應用。”
4月28日，在GMIC領袖論壇上，百度副總裁李明遠、微博CEO王高飛、獵豹移動CEO傅盛和主持人長城會創(chuàng)始人文廚展開了一番精彩的對話。在談到已成為社會話題和全民猜想的“人工智能發(fā)展”話題時，李明遠道出了這個觀點。
百度是本場對話中唯一在人工智能領域有全面研發(fā)和深度應用背景的企業(yè)。因此李明遠的發(fā)言格外受到在場嘉賓和場下聽眾的重視。
在回答主持人文廚關于“人工智能的時代真的來了嗎”這個問題時，李明遠首先提出：從運算能力來看，機器和人工智能系統(tǒng)早已經(jīng)超過人類。但是現(xiàn)在人工智能的學習和理解能力是很受限的。機器不會明白運算的目的，以及用什么方法去運算。這些都需要人類給予指定。所以人工智能的發(fā)展必需突破機器學習、理解的維度，讓機器接管整個運算流程中更多的部分，最終突破人類對數(shù)據(jù)的一些理解模式。“所以人工智能要獨當一面，還需要好幾年時間。”李明遠認為。
傅盛對李明遠關于對人工智能的觀點表示贊同。他說“前段時間我看完幾場阿法狗戰(zhàn)勝人類棋手的直播感覺十分震撼。圍棋下到很高的層次是一般人學不來的本事，而人工智能在這方面卻做得這么好。后來我認真研究了一下深度學習，發(fā)現(xiàn)只要有足夠理想的深度學習模型搭建，就能完成以前的算法怎么也解決不了的問題。人工智能未來確實有可能產(chǎn)生極速的突破。”
李明遠還對方興未艾的人工智能行業(yè)發(fā)展提出了建議。他舉例道，以前汽車行車電腦里積累的數(shù)據(jù)可能很少拿給人工智能算法工程師去分析。在智慧汽車和無人車時代，這樣業(yè)務口彼此封閉的做法肯定不行。我們必須做到打破產(chǎn)業(yè)應用中各工作端的交流邊界，打破人跟機器間的數(shù)據(jù)邊界，甚至打破互聯(lián)網(wǎng)行業(yè)和汽車行業(yè)的邊界。
“只有充分共享信息和數(shù)據(jù)，才能突破人工智能現(xiàn)存的一些發(fā)展瓶頸，提升算法的準確度，進而提升整個人工智能的應用水平。”李明遠強調。
以下為演講實錄：
文廚：
前一段時間Alpha Go的對弈，Alpha Go最終勝出，人工智能的時代真的來了嗎?昨天看到很多新聞，說獵豹的機器人公司，傅盛你先說一說。
傅盛：
其實我當過一段極不合格的程序員，大概寫幾個月的程序寫不下去只好改行，但我對技術還是有很多熱情的，從去年年初獵豹上市我當時做國際化，我在硅谷、以色列看到很多科技初創(chuàng)公司，當時發(fā)現(xiàn)一個驚人的現(xiàn)象，以前我認為很復雜的技術，或者說我根本沒有想到能做到的技術他們已經(jīng)開始展示出來了，當時我不知道后邊有深度學習的東西，一直到Alpha Go出現(xiàn)的時候，當時我隱約地預感，很多技術壁壘是不是在突破，比如說視覺，計算機看數(shù)很擅長，看一張圖看不懂。視覺不管是一只貓還是開車，判斷前方的障礙物，雖然沒有到全智能。我最近買了一輛P90D，特斯拉的，在五環(huán)雙手離開方向盤還直播，后來看到Alpha Go之后當時很被震撼，圍棋屬于我智商學不下去的棋種，后來知道他贏這么成功，我認真研究了一下深度學習，可能李明遠更了解一些。只是通過一些模型的搭建就能完成以前的算法怎么也解決不了的問題。想做一個機器人公司，機器人的核心是和人的交互和對世界的理解，他站在這里他知道誰是誰，能夠有怎樣的任務。
而且Alpha Go代表一個時代，所有重復性的腦力勞動，比如說下圍棋、下象棋，天天掃地，都應該被機器人代替，這樣我們可以解脫出來踏向詩和遠方。
李明遠：
機器的算力超過人已經(jīng)很長時間了，人工智能從運算角度，所有能計算出算法的東西機器一定比人強，毋庸置疑。這兩年，機器跟人的互動程度確實是在不斷地提升，機器過去的問題運算力很強，但機器始終不明白為什么算，或者說用什么方法去算好。人對機器學習理解程度的提升其實是一個很大的突破，使得我們運算能力大大地提高。
未來一段時間，跟運算力有關的東西，機器的接管程度會很高，更大程度地突破我們現(xiàn)在對于數(shù)據(jù)的理解，對于數(shù)據(jù)與數(shù)據(jù)關系之間的理解。我們以前很多數(shù)據(jù)，可以說拿不到，拿到以后其實也很難真的弄明白這個層次的數(shù)據(jù)和下個層次之間的數(shù)據(jù)關系，所以讓機器理解這個事，讓它彼此之間迭代。
現(xiàn)在的趨勢往實踐化方向發(fā)展，使得我們對這個事的理解變深。比方說圍棋是算力體現(xiàn)比較深的。我們現(xiàn)在做的比較多的是圖像識別、語音識別，靠過去的無限的算力畢竟還是影響效率，對于聯(lián)網(wǎng)的體驗是不好的。未來還是要把深度學習的模型越做越好，使得算力的優(yōu)勢真正被釋放出來。我們做自動駕駛，你想讓機器接管駕駛員，這個其實還真的需要好幾年的時間，但如果說由于人工智能、由于機器的接入使得人的駕駛變得更安全，就是現(xiàn)在進行時，立刻就能變得很強。以前汽車工程師他知道汽車里產(chǎn)生的數(shù)據(jù)是什么，但算法工程師根本搞不明白，不知道、不理解這些數(shù)據(jù)，彼此其實是封閉的。現(xiàn)在這些邊界被打破，人與機器的邊界、數(shù)據(jù)與數(shù)據(jù)的邊界、行業(yè)與行業(yè)的邊界，算力會改變我們生活很多。
王高飛：
從微博的角度看，還是做很多基于學習在實際業(yè)務中的使用，剛才傅總說到的圖象識別，這樣對我們原有工作會提升很大的效率，我們很大一部分工作由機器去完成了。對微博來講更關注如何把機器的運算能力和人的海量用戶之間的協(xié)同效應能做到讓我們的一些用戶行為去指導機器優(yōu)化它的算法，這是我們在研究的相應來講更關鍵的一個方向。
比如說我們之前也做過兩年在大數(shù)據(jù)方面相關推薦的研究，其實我們發(fā)現(xiàn)真正對海量數(shù)據(jù)的協(xié)同性的效應其實可能還不如一個相對不夠海量的一個用戶群體，我們針對它的用戶行為和分析做一些更深層的計算，讓機器再去學習他的能力可能更有效果，這是我們在應用中會更多地看這方面。
傅盛：
我補充一個，剛才明遠和高飛說的數(shù)據(jù)這一方面，我最近有一個特別強烈的感受，以前我們老喊大數(shù)據(jù)、大數(shù)據(jù)，后來覺得數(shù)據(jù)你用好就是大數(shù)據(jù)，這些數(shù)據(jù)怎么用?今天我發(fā)現(xiàn)整個業(yè)界越來越傾向于怎么把現(xiàn)實世界轉換成數(shù)據(jù)，這是一個和以前在思路上很不同的一點。因為有一次我去硅谷，你知道谷歌做無人車，一直一輛車在路上一直跑、一直跑，跑了很多年了，不停搜集路況在做，我聽說硅谷一個工程師說特斯拉怎么辦呢?你買的每一輛特斯拉都不一樣，等第二代到P90D的時候就付諸于駕駛了，因為特斯拉長了谷歌級了，我不知道百度是不是這樣，后來大家的路徑有點不一樣了。
王高飛：
我們讓機器學習海量數(shù)據(jù)，還不如讓機器學習一些相對來講更有效的人的行為，這要快很多很多。
文廚：
我上個月在硅谷跟任宇翔還聊了這個方向，說實際上特斯拉認為它的這種方法、研究方向是比谷歌的研究方向更有效，而且硅谷的主流觀點也認為，硅谷現(xiàn)在所有的無人駕駛技術研究方向，我用所有的一切都是最好的，最好的技術、最好的產(chǎn)品、最好的工程師，但是特斯拉這種方法可能他們認為是一個最有效的方向，研究人的行為，因為特斯拉本身也是面向大眾的，所以它有海量的人的數(shù)據(jù)，這個方向應該會更有效。
傅盛：
我跟谷歌無人駕駛核心的人員深聊過兩次，當然我的判斷可能不一定準，我覺得今天這個時代為什么我們有機會去做機器人?以前你積累了很多技術的路線，可能很容易被彎道超車掉。你說谷歌那個是在彎區(qū)經(jīng)常跑，頂上那個東西70萬人民幣，它需要高精尖地圖，它本身是用激光完成的，它是不會認識這里是不是一個紅綠燈，或者收費站，它是怎么做到的?他是在地圖上知道這里有一個收費站、這里有一個路口、這里有一個紅綠燈，他經(jīng)過這里再找到那個位置停下來，它特別依賴高精尖地圖，就會出現(xiàn)一些問題，比如說有些地方修路改規(guī)劃，因為它視覺上比較弱，當然它追求完美。
特斯拉像剛才我們說先從輕的方式進，它拿了大量的數(shù)據(jù)，這些數(shù)據(jù)有沒有可能突破我們對計算機視覺的理解?我們認為它掌握起來很難，掌握突發(fā)的事件很難，其實是多條往前走，很多公司在用顛覆性的想法在做很多技術的突破，這種技術的突破如果不成就算了，如果一旦成，原來的積累就完了。
