Yann LeCun：發(fā)現(xiàn)智能原理是AI的終極問題

大數(shù)據(jù)文摘授權(quán)轉(zhuǎn)載自智源社區(qū)

對話整理：李夢佳 周致毅

導(dǎo)讀：在《科學(xué)之路：人，機器與未來》一書中，圖靈獎得主，卷積網(wǎng)絡(luò)之父楊立昆（Yann LeCun）提出，在科學(xué)史上，技術(shù)產(chǎn)品的出現(xiàn)往往先于解釋其工作的理論和科學(xué)。發(fā)現(xiàn)智能工作的潛在機制和原理，是他未來幾十年的研究規(guī)劃。

新書分享會上，北京智源人工智能研究院院長黃鐵軍、清華大學(xué)計算機系副教授劉知遠(yuǎn)、知名科學(xué)科普博主袁嵐峰三位人士，就AI是技術(shù)還是科學(xué)、人工智能的生物啟發(fā)等話題進(jìn)行了高屋建瓴的探討。智源社區(qū)針對訪談核心內(nèi)容進(jìn)行摘錄，并進(jìn)行了不改變原意的整理。

嘉賓介紹

楊立昆（Yann LeCun）：圖靈獎得主，卷積網(wǎng)絡(luò)之父，F(xiàn)acebook首席人工智能專家，紐約大學(xué)教授；

黃鐵軍：智源研究院院長，北京大學(xué)計算機學(xué)院教授；

劉知遠(yuǎn)：清華大學(xué)計算機科學(xué)與技術(shù)系副教授、智源青年科學(xué)家；

袁嵐峰（嘉賓主持）：知名科學(xué)科普博主，“科技袁人”節(jié)目主理人，中國科學(xué)技術(shù)大學(xué)副研究員。

神經(jīng)網(wǎng)絡(luò)的誕生——反向傳播算法的前世今生

（首先，楊立昆介紹了神經(jīng)網(wǎng)絡(luò)和反向傳播算法的誕生歷程）

楊立昆：人們認(rèn)識我大多源自于卷積神經(jīng)網(wǎng)絡(luò)。這種模型是一種組織神經(jīng)元之間的連接，并將神經(jīng)元組織成多層結(jié)構(gòu)的特殊方式，其靈感來自哺乳動物的視覺皮層結(jié)構(gòu)。這種模型結(jié)構(gòu)非常適合于圖像識別甚至醫(yī)學(xué)分析等領(lǐng)域的應(yīng)用。

比如，現(xiàn)在車輛的擋風(fēng)板上都有感應(yīng)攝像頭，能識別到汽車前方的障礙物，及時自動停車，避免碰撞?，F(xiàn)在的大屏電視，可以從低分辨率信號中獲取高分辨率視頻。這也被用于醫(yī)學(xué)中的腫瘤自動檢測系統(tǒng)，如拍X光片和核磁共振等醫(yī)學(xué)成像技術(shù)。這些都是源于卷積神經(jīng)網(wǎng)絡(luò)。我參與發(fā)明的技術(shù)無處不在，甚至可以挽救生命，這是我引以為傲的事情。

其實神經(jīng)網(wǎng)絡(luò)最初的想法來自上世紀(jì)60年代Hubel和Wiesel在神經(jīng)科學(xué)領(lǐng)域的經(jīng)典著作。上世紀(jì)七八十年代，日本科學(xué)家福島邦彥，構(gòu)建了首個基于無監(jiān)督學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)，但當(dāng)時還沒有反向傳播算法，訓(xùn)練效果受到一定局限。

而我和同事們是第一批成功實踐了卷積神經(jīng)網(wǎng)絡(luò)的人（即楊立昆1988-1989年期間在貝爾實驗室提出LeNet）。當(dāng)時沒有PyTorch、TensorFlow等工具，需要自己寫深度學(xué)習(xí)環(huán)境，也沒有Python，需要寫自己的語言進(jìn)行交互。當(dāng)時也沒有Linux和Windows操作系統(tǒng)，需要使用昂貴的平臺來處理圖像系統(tǒng)。因此，當(dāng)我們付諸心血來構(gòu)建能實現(xiàn)它的工具，并精心設(shè)計結(jié)構(gòu)使其奏效之后，便開啟了一種新的技術(shù)突破。在我看來這項突破并不算知識突破，因為站在知識的角度上，其原理早已存在。

楊立昆在貝爾實驗室期間提出LeNet

卷積神經(jīng)網(wǎng)絡(luò)的成功離不開反向傳播算法。1986年，我用法語寫了一篇論文發(fā)表，卻無人問津，如果用英語寫也許會讓更多人看到，我在書里也寫到了這個故事。當(dāng)時我獨立地提出了反向傳播算法的原型，并不知道Hinton也有相似的觀點。在20世紀(jì)60年代，即使人們知道使用多層卷積可以提升神經(jīng)網(wǎng)絡(luò)的效果，也無法設(shè)計出合適的優(yōu)化算法。因為他們使用的是二進(jìn)制神經(jīng)元，函數(shù)的間斷導(dǎo)致在一些區(qū)域內(nèi)導(dǎo)函數(shù)不存在，模型無法利用基于鏈?zhǔn)椒▌t的反向傳播算法進(jìn)行參數(shù)優(yōu)化。

反向傳播算法是深度學(xué)習(xí)的基礎(chǔ)優(yōu)化算法。這種算法的設(shè)計思想與上世紀(jì)60年代提出的現(xiàn)代控制理論中的最優(yōu)控制理論有關(guān)，所以其基本思想非常古老。除了鏈?zhǔn)椒▌t，它不需要任何復(fù)雜的數(shù)學(xué)公式。在一個諸如神經(jīng)網(wǎng)絡(luò)這樣的多層結(jié)構(gòu)中使用鏈?zhǔn)椒▌t的想法，直到20世紀(jì)80年代才萌生。在接下來的10年中，人們又由于理論晦澀而對反向傳播失去了興趣，認(rèn)為這種算法沒有前景，即使事實恰恰相反。從21世紀(jì)初到2010年代，我和Geoffrey Hinton、Andrew Ng等人花了很大功夫才讓業(yè)界相信這行得通：這不是僥幸，也并非意外。

袁嵐峰：在《科學(xué)之路》中，你提到曾發(fā)明了一個名為HLM（Hierarchical Linear Model）的模型，雖然結(jié)構(gòu)很簡單，但因為使用了非連續(xù)函數(shù)，所以距離深度學(xué)習(xí)僅一步之遙。如果你改用Sigmoid或其他連續(xù)函數(shù)，模型是不是就可能成功？

楊立昆：是的。當(dāng)時我之所以堅持使用二進(jìn)制神經(jīng)元，是因為當(dāng)時的計算機運算速度沒有如今這么快。所以我認(rèn)為如果使用二進(jìn)制神經(jīng)元，就可以大大縮減運算時間。為了能夠?qū)嵤┓聪騻鞑?，我認(rèn)為每個神經(jīng)元可以反向傳播目標(biāo)輸出，而不是其中間變量。但結(jié)果表明，為了能夠有效地更新模型參數(shù)，依然需要連續(xù)型變量。因此在當(dāng)時的情況下，HLM距離正確方法確實只有一步之遙。

AI：技術(shù)or科學(xué)？

黃鐵軍：我認(rèn)為AI首先是技術(shù)，而不是科學(xué)。AI研究人員需要做的是構(gòu)建、設(shè)計強大的智能系統(tǒng)。如果系統(tǒng)運行良好，我們再去嘗試探究系統(tǒng)運行良好的原因，這才是科學(xué)。所以我的觀點是，AI首先是技術(shù)，之后我們再去研究原理和系統(tǒng)，這也是我在您書的中文譯本序言中闡述的基本觀點。所以我想就這個問題與您交流一下。

楊立昆：在我看來，AI的首要屬性是創(chuàng)新性，即構(gòu)思并設(shè)計一種新產(chǎn)品、新系統(tǒng)和新想法，確實是一種創(chuàng)造性的行為。這是工程領(lǐng)域的工作，就像藝術(shù)家們的事業(yè)一樣。而科學(xué)家所要做的是提出描述世界的新概念，然后使用科學(xué)方法研究解釋系統(tǒng)的原理，這也是AI的兩方面。研究AI，既是一個技術(shù)問題，又是一個科學(xué)問題。

終極問題是，我們要試圖弄清楚智能是什么。我們不僅需要構(gòu)建人工智能系統(tǒng)來進(jìn)行視覺和自然語言理解，還需要了解智能的本質(zhì)。以蒸汽機為例，新發(fā)明會推動理論研究。在科學(xué)家們發(fā)明蒸汽機百余年后，熱力學(xué)誕生了，而熱力學(xué)本質(zhì)上是所有科學(xué)或自然科學(xué)的基礎(chǔ)。因此，我們在AI中發(fā)明的人工制品可能是科學(xué)或智能本身，或者說這是我們的愿景。

黃鐵軍：你在書中分享了一些例子，1903年的萊特兄弟，以及更早期的克萊門特，他們發(fā)明了飛機。三十多年后，西奧多·馮·卡門發(fā)現(xiàn)了空氣動力學(xué)理論。在這個例子中，飛機的發(fā)明與空氣動力學(xué)至少是同等重要的。所以對于人工智能來說，例如深度學(xué)習(xí)效果很好，它是一項發(fā)明，一種貢獻(xiàn)，是一個非常強大的人工智能系統(tǒng)。當(dāng)然，我們需要探究深度學(xué)習(xí)為何如此有效，但那可能是很多年以后的事了。也許二三十年，甚至更多年以后才能有所發(fā)現(xiàn)。作為BAAI的院長，我認(rèn)為，需要有人探究人工智能系統(tǒng)的原理。與此同時，可能也需要更多的人來設(shè)計更強大的系統(tǒng)。

關(guān)于生物啟發(fā)智能

楊立昆：我了解到BAAI也研究人類大腦的結(jié)構(gòu)，試圖理解大腦的運行機制。就功耗而言，現(xiàn)在大腦的效率遠(yuǎn)高于計算機的效率。假設(shè)要使計算機達(dá)到人腦的算力，能耗可能是人腦的一百萬倍，但這并不意味著計算機可以復(fù)制大腦所做的事情。

大腦的能耗量只有25瓦，相當(dāng)于一塊普通GPU。人腦究竟是如何做到的呢？生物學(xué)給了我很多靈感，好比卷積神經(jīng)網(wǎng)絡(luò)的靈感來自視覺皮層的架構(gòu)。但是，正如我在《科學(xué)之路》之中提到的，如果科學(xué)家太依賴生物學(xué)，在不了解基本原理的情況下試圖復(fù)制生物現(xiàn)象的一些細(xì)枝末節(jié)，那將難以構(gòu)建準(zhǔn)確有效的系統(tǒng)。

我舉個例子，19世紀(jì)后期法國航空業(yè)的先驅(qū)克萊門特·阿代爾是一位出色的工程師，他制造的飛機實際上在19世紀(jì)90年代就可以靠自身的動力起飛，比萊特兄弟早了30年。但是他的飛機形狀像一只鳥，缺乏可控性。所以飛機起飛后，在離地面大約15厘米的高度，飛行了15米就墜毀了。究其原因，是他只考慮到了仿生但沒有真正理解其中的原理。

阿代爾的飛機充滿了想象力，在引擎設(shè)計方面他是個天才，不過由于缺乏空氣動力學(xué)的理論支撐，他的設(shè)計終究沒有走遠(yuǎn)。所以對于試圖從生物學(xué)中獲得啟發(fā)的人來說，這是一個有趣的教訓(xùn)，我們還需要了解基本原理是什么。生物學(xué)中有很多細(xì)節(jié)是無關(guān)緊要的。

黃鐵軍：我同意你關(guān)于生物啟發(fā)或者大腦啟發(fā)的觀點，只是有一點不同，關(guān)于大腦的原理，腦科學(xué)家們已經(jīng)探索了至少100年。但是對于AI，每十年或者二十年就可以有新設(shè)計。對我來說，生物學(xué)的啟發(fā)就是視覺皮層的結(jié)構(gòu)，來啟發(fā)我們?nèi)ピO(shè)計一個新的ANN結(jié)構(gòu)，參考神經(jīng)元突觸等的原理，并不一定是全腦的理論。我們基于可用的資源去設(shè)計人工神經(jīng)網(wǎng)絡(luò)，這就是我們在BAAI所做的事情。

楊立昆：這個問題其實是是否使用脈沖的問題?，F(xiàn)在的人工神經(jīng)網(wǎng)絡(luò)，基本上神經(jīng)元的輸出是通過數(shù)字編碼的，用數(shù)字表明它們的活動。但是大腦中的神經(jīng)元不輸出電壓或類似的東西，它們輸出脈沖信號。這種輸出的強度被稱為脈沖頻率，所以其中一個問題是，像大腦一樣使用脈沖信號是否重要，而不是像目前在人工神經(jīng)網(wǎng)絡(luò)中那樣只用數(shù)字來表示。

很多人都會有這種疑問，有些人認(rèn)為我們應(yīng)該使用源于硬件設(shè)計的脈沖，因為就軟件的能耗而言，脈沖信號傳輸更經(jīng)濟，即使速度較慢。

以脈沖神經(jīng)網(wǎng)絡(luò)為例，所有的人都認(rèn)為它有魔力。大家不懂其中的原理，僅僅是因為大腦使用脈沖，就在神經(jīng)網(wǎng)絡(luò)中引入脈沖信號，我不認(rèn)同。況且，現(xiàn)在性能最優(yōu)的神經(jīng)網(wǎng)絡(luò)并不使用脈沖信號進(jìn)行傳輸。這是我對是否應(yīng)該從神經(jīng)生物學(xué)中獲得更多啟發(fā)的回答。

黃鐵軍：關(guān)于這一點，我想和您分享一個我引以為傲的事情。我的一個博士生近期發(fā)表了一篇關(guān)于視網(wǎng)膜編碼原理的論文。她設(shè)計了基于CNN的神經(jīng)網(wǎng)絡(luò)來模擬人類眼部的活動。這是截至目前最好的一個模型。我的團隊正在設(shè)計一款“超高速脈沖相機”。

超高速脈沖相機

?

楊立昆：我知道，這是上世紀(jì)80年代末和90年代初的熱門話題，一種基于脈沖的模擬電路，可再現(xiàn)神經(jīng)元的功能，采用脈沖神經(jīng)網(wǎng)絡(luò)來編碼數(shù)據(jù)。這一課題一度陷入低迷，但因為人們對用于AI和神經(jīng)網(wǎng)絡(luò)的低功耗硬件很感興趣，現(xiàn)在又重新回歸了。至于它相較傳統(tǒng)應(yīng)用的優(yōu)勢，我認(rèn)為還需數(shù)年的研究來證明。當(dāng)然在這一領(lǐng)域還需要大量工作。

?

有趣的是，對于所有脊椎動物來講，視網(wǎng)膜都是大腦的外延。眼睛收集光線，而視網(wǎng)膜必須壓縮通過眼睛的信息。因為將視網(wǎng)膜連接到大腦的神經(jīng)必須經(jīng)過一個眼球部位，那里是生理盲點，視覺纖維匯集向視覺中樞傳遞的出眼球部位（無感光細(xì)胞），如果那個位置在你的視野中，不能引起視覺，你什么也看不到。雖然大腦會收到信息，但實際上在那你什么也看不到。

?

視網(wǎng)膜大約有五千萬到一億個感光細(xì)胞，但視神經(jīng)與大腦的連接只有一百萬個，因此在傳輸圖像之前，必須在視網(wǎng)膜中進(jìn)行大量的預(yù)處理和動態(tài)壓縮。

?

這是進(jìn)化中的錯誤。所有的脊椎動物都是這樣。但無脊椎動物不是。章魚和魷魚的視網(wǎng)膜后面有神經(jīng)，所以它們沒有這個問題。這是更好的設(shè)計。與脊椎動物相比，無脊椎動物的進(jìn)化更加幸運。所以我們可以問自己一個問題。如果要重現(xiàn)與人類具有相似性能的視覺系統(tǒng)，我們要解決在視網(wǎng)膜和大腦之間傳輸?shù)男畔⑵款i嗎？有神經(jīng)科學(xué)家正在建立網(wǎng)絡(luò)模型，來處理視網(wǎng)膜和大腦之間傳遞的信息。這是我對進(jìn)化的看法。生物學(xué)也并非絕對正確。就這一方面來看，脊椎動物有點不走運。

?

黃鐵軍：是的，我完全同意。實際上，我的學(xué)生設(shè)計了一個模型來模擬視網(wǎng)膜功能，這是從生物學(xué)角度入手的。同時我自己的團隊設(shè)計了一個照相機。如你所說，相機設(shè)計不在乎輸出帶寬，所以輸出光纖會將動作電位高速傳向計算機。我們在同時進(jìn)行這兩項設(shè)計。

??

如何看待大規(guī)模NLP預(yù)訓(xùn)練模型

劉知遠(yuǎn)：近幾年，我們見證了機器學(xué)習(xí)方法從監(jiān)督學(xué)習(xí)到自監(jiān)督學(xué)習(xí)的成功發(fā)展。我們可以在預(yù)訓(xùn)練的語言模型上使用大量無標(biāo)簽數(shù)據(jù)進(jìn)行微調(diào)，而參數(shù)量也增長到上千億級別。我很好奇你對這種大規(guī)模預(yù)訓(xùn)練語言模型的看法？

楊立昆：人工智能界在過去兩三年中產(chǎn)生了重大變革，一種新型的神經(jīng)網(wǎng)絡(luò)架構(gòu)——Transformer問世。實際上，這種架構(gòu)類似于記憶模塊，當(dāng)給模型輸入一連串向量，其可以產(chǎn)生另一個關(guān)聯(lián)的向量，通過查詢恢復(fù)相關(guān)的記憶。

所以Transformer是大量相關(guān)記憶模塊以特定形式排列的架構(gòu)，這種架構(gòu)可以將訓(xùn)練數(shù)據(jù)中所包含的信息挖掘并存儲下來。當(dāng)一串文字輸入到經(jīng)過預(yù)訓(xùn)練的Transformer模型中，可以使其預(yù)測下一個單詞。這些模型具有少則數(shù)十億，多則上萬億的巨量參數(shù)。采用非常豐富的數(shù)據(jù)來源，數(shù)據(jù)量十分驚人。這就相當(dāng)于給模型賦予了一些以文本編碼的人類知識，使其學(xué)習(xí)到人類世界的先驗信息，而這些先驗知識的內(nèi)容往往又極其豐富，因此模型在處理自然語言方面常常能有令人驚艷的表現(xiàn)。

諸如Transformer這種大規(guī)模自然語言處理預(yù)訓(xùn)練模型的使用，標(biāo)志著自監(jiān)督學(xué)習(xí)的方法在深度學(xué)習(xí)領(lǐng)域開始引領(lǐng)革命的旗幟。和傳統(tǒng)監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)等機制不同，自監(jiān)督訓(xùn)練一個模型不是為了完成某一特定任務(wù)，而是為了訓(xùn)練其了解數(shù)據(jù)的能力。所以這種學(xué)習(xí)方法的運行方式是，去除句子中10%-15%的單詞，訓(xùn)練系統(tǒng)預(yù)測缺少的詞匯。在這個過程中，系統(tǒng)開始構(gòu)建對文本含義的理解。

舉個例子，如果將“貓在廚房追”作為模型的輸入去預(yù)測下一個單詞，那么答案應(yīng)該是老鼠或者其他小型動物，因為這樣的預(yù)測符合現(xiàn)實世界的邏輯。而如果將“獅子在大草原追”作為模型的輸入，那么輸出就應(yīng)該是瞪羚或其他草食動物。雖然根據(jù)這些有限的信息，模型可能無法準(zhǔn)確得出具體在追什么，但是由于存在貓、獅子、廚房以及大草原這些信息作為先驗，模型可以預(yù)測出一個大致的范圍。而如果僅僅給模型輸入“XX在XX追”，由于缺少行為者和具體的場景，模型將很難判斷空缺位置應(yīng)該填入什么。

所以說，這種基于大規(guī)模預(yù)訓(xùn)練模型的自監(jiān)督學(xué)習(xí)，就是給系統(tǒng)注入了人類世界的先驗知識，使得在處理語言任務(wù)時，能夠聯(lián)系輸入向量的上下文信息做出合理判斷。而這種自監(jiān)督學(xué)習(xí)方式，也是對自然語言處理任務(wù)的巨大變革。

關(guān)于自監(jiān)督學(xué)習(xí)

劉知遠(yuǎn)：您將預(yù)訓(xùn)練語言模型稱為一場變革。您認(rèn)為預(yù)訓(xùn)練模型或者自監(jiān)督學(xué)習(xí)是實現(xiàn)人工智能終極目標(biāo)的方式嗎？如果是的話，我們應(yīng)該如何提升自監(jiān)督模型效果？

楊立昆：我的答案是肯定的。我認(rèn)為現(xiàn)在人工智能的一個巨大機遇就是從人類和動物身上學(xué)習(xí)經(jīng)驗，最好的范式就是自監(jiān)督學(xué)習(xí)。自監(jiān)督將變革人工智能，并讓人工智能取得更大的進(jìn)步。這種學(xué)習(xí)方式使得人們可以使用少量數(shù)據(jù)就能進(jìn)行模型訓(xùn)練。當(dāng)需要系統(tǒng)完成特定任務(wù)時，不需要過大的數(shù)據(jù)量，只需要按照現(xiàn)有的監(jiān)督訓(xùn)練方式標(biāo)記數(shù)據(jù)即可。

一個小孩出生兩個月內(nèi)，學(xué)會了基礎(chǔ)的事情，比如世界是三維的，物品擺放有前后方位之分，身邊的每個方向都有相對的距離。這些是很簡單的概念。之后，他學(xué)會了即使是在目光所不及的地方，物體仍然存在。這就是所謂的事物的永久性。到八、九個月時，他學(xué)會了如果物體沒有支撐，就會掉落，重力對每個物體都有影響。在出生后的九個月里，小孩學(xué)會了很多基礎(chǔ)的環(huán)境知識，了解了世界的運轉(zhuǎn)方式。他們在大腦中建立了對世界的認(rèn)知模型，使得他們可以預(yù)測即將發(fā)生的事情，了解世界，區(qū)分動物和靜物，弄清楚如何移動物體、如何組裝零件。

在我看來，這種學(xué)習(xí)機制與自監(jiān)督學(xué)習(xí)十分相似，但卻和我們現(xiàn)在使用的監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)迥異。我認(rèn)為，研究大腦的學(xué)習(xí)原理是更有效的途徑，我們?nèi)?fù)制學(xué)習(xí)的原則而非直接再現(xiàn)大腦的功能，因為大腦過于復(fù)雜。圖靈在二十世紀(jì)五十年代就曾說過，如果想創(chuàng)造智能機器，復(fù)制小孩的大腦比復(fù)制大人的更合理，因為機器可以學(xué)習(xí)并自我進(jìn)化。

寫作《科學(xué)之路》的動因

袁嵐峰：我代表大眾問一個問題：你為什么要寫這本書？

楊立昆：原因很簡單，因為有需求。人們見證了生活被人工智能改變，也意識到未來將有更大的改變。因此對大眾而言，了解人工智能的一些知識是很重要的。這本書分為三個部分。第一部分是歷史，解釋了基礎(chǔ)概念，講解神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的發(fā)展；第二部分講述數(shù)學(xué)、算法和計算機科學(xué)的基礎(chǔ)原理，讀者不需要具備相關(guān)的知識儲備，僅具有高中及以上的水平就可以讀懂；最后一部分是人工智能在今天的應(yīng)用，包括機器翻譯、內(nèi)容審核、計算系統(tǒng)等，還介紹了未來的發(fā)展趨勢，探討人工智能到底在研究什么。這一部分里我所講述的是我的主觀觀點，而并非是業(yè)內(nèi)專家們的共識。人工智能對社會可能存在的影響有哪些？潛在應(yīng)用有哪些？我在本部分表達(dá)了我對未來的觀點。

總而言之，第一和第三部分所有讀者都能讀懂，而如果你想了解其中的原理、獲得一些靈感的話，可以閱讀第二部分。之所以加入第二部分是因為，回想我自己的學(xué)生時代，對人工智能很癡迷，但當(dāng)時的人工智能還處在萌芽階段。對于一個初學(xué)者來說，很渴望的是一本簡明扼要介紹基本原理的書，而非一本全是晦澀概念的書。

所以寫作這本書的另一個目的是啟發(fā)青年學(xué)生，讓他們更多地了解人工智能，因為這是一個充滿吸引力且重要的領(lǐng)域。

?

如何看待中國的人工智能研究

袁嵐峰：最后，您有什么話想對中國讀者說嗎？

楊立昆：在我看來，中國年輕人對人工智能熱情高漲。而且不僅是年輕人，政府也對投資、研究和部署人工智能很重視。過去的幾十年里，中國的科學(xué)界非?；钴S，取得了令人難以置信的成就，而其中最為出色的領(lǐng)域之一就是人工智能和深度學(xué)習(xí)，計算機視覺頂會中有一半都是中國的論文。

另外，我對于技術(shù)應(yīng)用很樂觀。不過與此同時，我們也應(yīng)認(rèn)識到，人工智能是一把雙刃劍，利弊取決于如何使用。在中國、歐洲和美國，人們對于在社會中使用和接受人工智能的看法也不一樣。錯誤地使用人工智能會侵犯隱私。我們需要重視如何在國家層面構(gòu)建法律體系和政策或商業(yè)法規(guī)等，保護(hù)公眾免受人工智能的負(fù)面影響。當(dāng)然，這個過程需要一些時間的沉淀。

點「在看」的人都變好看了哦！