新智元整理  

整理：鍾惠中、隨一、熊笑

新智元為COO和執行總編提供最高超百萬的年薪激勵；為骨幹員工提供最完整的培訓體系、高於業界平均水平的工資和獎金。加盟新智元，與人工智慧業界領袖攜手改變世界。

簡歷投遞：[email protected]    HR 微信：13552313024

【新智元導讀】微軟全球資深副總裁、亞太研發集團主席、微軟亞洲研究院院長洪小文博士親臨北大 AI 公開課，就 AI 的感知與認知能力、AI (人工智慧)與 HI (人類智慧)的共進化等問題展開了深入講解。洪老師指出，黑盒無法承擔重大決策，AI+HI是終極智慧形態，而且人類已經在朝著 AI+HI 共進化狂奔。

微軟全球資深副總裁、微軟亞太研發集團主席、微軟亞洲研究院院長洪小文老師的到來讓本週的北大 AI 公開課備受矚目。在這堂接近兩小時的公開課上，洪小文博士滿是乾貨的演講以及和北大人工智慧創新中心主任、百度七劍客之一雷鳴老師的精彩對話，讓教室掌聲、笑聲不斷。我們先為您呈上本課精彩內容的摘選，然後是整堂課全程實錄的大餐。

洪小文博士近兩個小時的演講+問答是從一本書開始說起的—《Thinking， Fast and Slow》。這本書的作者是一個諾貝爾經濟獎的得主，他把人類思考的行為分成兩大塊，一個是我們不假思索，一個是需要好好想一下的。根據這一理論進一步細分，洪老師提出有關 AI 能力的三個問題：

1.   感知：這是貓還是狗？——這是個不假思索的問題（Think Fast）

2.   認知：這是喜劇還是悲劇？——這個要好好想一想（Think a little bit Slow）

3.   決策：微軟是否要買下LinkedIn？——重大的決定（Think Slow）

感知：人工智慧正在從各個方面超越人類水平，幾行程式碼輕鬆實現人臉識別

對於第一個問題，涉及語音識別、影象搜尋、影象識別，人工智慧已經解決的很好。洪小文提到2015年，微軟亞洲研究院的深度殘差網路做到152層的時候，在ImageNet上的錯誤率只有3.5%，低於人類5.1%的錯誤率。更不用說現在還有上千層的深度神經網路。

在2016年COCO影象分割比賽中，微軟亞洲研究院再次獲得了第一名，比2015年的成績（當時也是微軟第一）進步了33%，超過2016年的第二名谷歌的效能11%。

微軟對於這些認知、感知，將其做成微軟認知服務，裡面有計算機視覺、語音識別跟自然語言識別，知識還有搜尋，通過API的形式，讓學生們、老師們和各個開發者不需要掌握人工智慧的專業知識，也可以開發出屬於自己的智慧應用，從而把AI普及化。Uber、可口可樂都用人臉識別做很多東西。

洪小文還提到前兩年風靡的How-Old.net就是用微軟認知服務的API，它的人臉識別功能可以識別性別、年齡，而這個應用只用了幾行程式碼。

認知：大資料隨物聯網崛起，分析、預測、決定全面進入自動化

洪小文介紹，我們有了物聯網隨時蒐集資料，就會有更巨大的資料幫我們實現自動化。在控制系統中有FeedbackLoop的概念，其中包括驅動器（Actuator）、物理世界（Physical World）、感測器（Sensor）、分析（Analysis）、決策（Decision）。

洪小文舉例到，例如想治理河流，先有感測器檢測水質、之後再分析決定，每一次完成一個Loop都會進步。隨著更多感測器隨時隨地收集資料，就能完成更多的Loop，系統提升就越明顯。人也可以用可穿戴裝置形成這樣的系統，以隨時監測健康，提前預警健康問題。微軟目前和勞斯萊斯飛機發動機合作，進行飛機油量的自動化管理。不論是監測監控還是監控飛機油量，都是重複性的工作，非常適合AI做。

決策：AI黑盒無法承擔重大決策，AI+HI是終極智慧形態

人有因果推理，而現在的AI是黑盒子，對於重大決策，我們不會放心交給系統做。這種非重複性任務，讓AI去做的價值值得商榷，同時複雜決策常常不是在一個封閉的系統中作推理，它的涉及面太廣。

但是AI是否就無法為決策提供價值了呢？AI利用其大資料的處理分析能力，可以為我們推薦值得注意或者研究的點，但裡面的道理還要人類自己去求證。正如微軟的AnnaTalk，用自然語言提問，系統給出初步的分析結果。AI與HI配合，可以讓我們做出更好的決策。

AI威脅論由來已久，人類早已朝著AI+HI共進化狂奔了

洪小文對AI報以樂觀的態度，並不認為AI真的會威脅到人。曾經1950年二戰結束不久，全世界的計算機用兩隻手就數的過來的時候，時代雜誌就開始宣傳機器威脅論。現在回想起來，蠻不可思議的。

洪小文提到他曾經最傷心的是小學一年級沒有被選進珠算隊，可是現在的年輕人沒有幾個會拼命學習珠算。所以人類在圍棋上被AI打敗也沒什麼好傷心的，就像現在也不會有人因為珠算算不過計算器而傷心了。

事實上智慧的四個層級：感知、認知、創造力、智慧，人類被碾壓到1.5層，也就是說大多數常用感知、聽、看都被超越了。認知也有相當一部分被超越。

人類應當習慣，就像計算能力和記憶力，我們覺得機器比我們強是很正常的。我們其實早就朝著人類智慧和人工智慧共同進化的路狂奔了。

微軟硬起來，硬體做的比蘋果還好

洪小文說：“最近很多人說，微軟的硬體做的比蘋果的還好”。微軟的混合現實裝置HoloLens馬上要在中國上市了。

蒂森克虜伯電梯公司的維修人員用HoloLens為電梯進行維修已經用了很久了。AI的確對職場工作產生了一些變化，但我們不是被取代，而是用AI做的更好。

AI=Augmented Intelligence

Human+Machine=Superman

洪小文認為人工智慧確實很多方面比人強，但是他也認為人的不完美可能正好造就了我們的創造力。

關於機器意識，他認為完全沒有必要糾結造出有意識的機器人，而是應該造出有用的機器，以及不會失控的機器，如果非要造有意識的，不如多生點小孩。理想的機器助手應該沒有意識，但是又會察言觀色就像微軟小冰。

關於奇點會不會到？AI是不是可以持續讓世界越來越好？洪小文認為就算有一天做到了強AI，解決了一個難題，這個世界還有很多未解的難題，雷曼猜想、P等不等於NP，甚至宇宙從哪裡來，有沒有大爆炸，將來宇宙會不會再縮小，總有一個問題可能永遠無解。他認為AI=AugmentedIntelligence，Human+Machine=Superman。人和機器的共生才是終極形態。

對於AI技術的研究方向，他建議把目前深度學習這一套和以前做白箱的認知結合起來。另外洪小文表示非常看好物聯網，與其相關的感測器做到又小、又省電、又方便、又準，是一個很有挑戰的研究方向，不僅僅是軟體的問題，還有物理和材料方面的挑戰。

洪小文認為數字化轉型一定會席捲所有公司，只是用的多少和早晚有差別。他提到微軟有很多AI+工業的應用，包括跟勞斯萊斯、蒂森克虜伯電梯公司的合作。

AI 的滋養：雲是氧氣，資料是水

微軟押注雲和AI。洪小文認為雲和物聯網都很重要。雲和物聯網結合以後，不用擔心計算，也不用擔心資料。AI需要的兩個重要的氧氣和水分，一個就是資料，一個就是計算。對於做AI的公司而言，雲是一個不可或缺的氧氣。

AI分化就是貧富分化

AI+HI 是否會造成人類的分化？無法和 AI 結合的人是否會沉入底層？洪小文認為，分化一直都有。前幾年有數字分化，將來有AI分化，其實本質就是貧富差距。我們希望人人平等。政府有責任把稅收、社會福利系統做好。而微軟這種大企業可以在計算資源平等上出力，微軟特別拿出10-20億價值的雲資源專門給付不起錢的地區使用。

洪小文老師個人宣講實錄

   很高興今天有機會跟大家來分享，謝謝雷老師開課，大家也上過很多前輩講的課。這個課接近尾聲時我會談一下從現在怎麼看未來人工智慧的發展。我覺得到最後將會是人工智慧跟人類智慧的共同進化。

    我今天用一個方法來介紹一下，大家對未來人工智慧哪一些東西能做，哪一些東西不能做。首先跟大家介紹一本書，這本書叫做《Thinking，Fast and Slow》，這本書的作者是是一個諾貝爾經濟獎的得主，這本書是商學院經濟學系通常都會用的，他把人類思考的行為分成兩大塊，一個是我們不假思索，一秒鐘之內就想好的。還有一個東西我需要想，而且要想很久，這裡面我再細分，分成有些東西我們想的非常快，比如說給你看一個是貓還是狗？這個可以馬上回答。還有一些要思考很久，比如說大家看到這個劇照，這是一個喜劇還是一個悲劇？這種東西顯然要稍微想一下。這是一部美國電影，如果有人認識這個男演員說他拍的90%是喜劇，就猜錯了，這是他拍的很少數懸疑的悲劇叫做《23》，所以必須要拿著圖片去找，就算有這些錄影還要一幀一幀的去找，或者要做一個人臉識別那個女的是誰，再查這兩個人同時在哪一部電影出現。

    還有一個問題，大家都知道我們去年決定收購LinkedIn，現在已完成收購，這種事情在商業裡面常常都是這樣，我們該不該，該花多少錢收購他們，這種問題基本上都是大的決定，一輩子只做一次。既使你說去年我們決定不買，今年決定想買的話價格也不一樣，時過境遷什麼都不一樣了，你要重新思考。

    人也有很多這樣的問題，你們進北大以前該報考哪一個學校，該報考哪一個系，我保證你們要稍微想一想，我不相信有人說10秒鐘就知道決定。甚至於人生大事男女朋友該不該跟對方求婚，這種人生大事你一定想了很久，而且還問了很多人的意見，最後你做出決定，這種事情都是想很久。

    現在我目前用人工智慧所做的專案，特別是微軟所做的跟大家介紹一下，以這個為例子，不是微軟自己做，大家都在做。

    第一個問題就是作為感知的問題，語音識別、影象搜尋、影象識別，大家可能知道有一個ImageNet，在計算機影象識別上是一個公開的database，每年都有比賽，微軟在2015年12月份憑藉深層神經網路技術的最新突破，第一次超越了人的水平，實現了錯誤率3.5%，而人的是5.1%。大家到今天一定聽說過什麼叫深度學習，當時我們拿到第一名的時候，是世界上第一次用上百層，到現在已經上千層了。大家可能會說深那就越深越好，但真正做的時候你就會知道，你越深需要Data越大，需要計算量更大，很多時候是跑不完的。怎麼樣讓一樣的data能夠把結果做上去，同時還能夠算出來，這個東西還需要很多的研究和功力。而且深度學習只是在辨認哪一些是影象，實際上一個影象裡面有很多物體，像一個簡單的照片裡面就有十幾種物體，不但要辨認出每一個是什麼，還要把它劃出來才有用。有另外一個比賽COCO，這裡面比的是比劃出來還難，要做到畫素級別的識別才算正確。微軟亞洲研究院我們多年參加這個，2015年我們是第一，去年也是第一，而且領先很多在業界大家很熟悉的人工智慧很牛的公司。

    我們這個演算法不止可以做的很準確，還可以做的很快，所以我們在Video每一幀每一幀去做，最起碼24幀甚至有到60幀的，我們可以做到實時，所以就可以做很多應用。

   剛才講的只是把它框出來，甚至還有一個 task 叫你要講出這個圖片要幹什麼。所以給你一個Video就更難，有一個人在彈琴，有一個人在讀書，要把這個做成一個服務，大家有興趣可以看一下www.captionbot.ai，你可以上傳任何一個照片，像這個不僅知道它是三明治，還知道三明治被切了一半，我們剛才講的VideoCaption也有這個技術。

    微軟對於這些認知、感知，我們就把它做成微軟認知服務，裡面有計算機視覺、語音識別跟自然語言，知識還有搜尋，都把它做成API每個人都可以呼叫，讓學生們、老師們和各個開發者不需要掌握人工智慧的專業知識，也可以開發出屬於自己的智慧應用。目前為止，Uber、可口可樂等都用我們的人臉識別做了很多東西，像Uber，司機要開車以前會跟Uber登記他是誰誰誰，要做一個人臉識別，確定他是那個人，不能代駕，他才可以接Uber的活，這個是用我們的技術。

    機器翻譯其實在中國現在用處是最大的，很多遊戲在國外有玩家玩，在上面就可以做。LUIS可以做聊天機器人，中國中信集團，新加坡政府等都在用。我們最近剛上線的就是OCR甚至是手寫OCR，在我們的OneNote等上面都有。我們不僅在做API，同時我們也在做應用，其中一個很有名的叫做How-Old.net，兩年前推出的時候，一時之間馬上變得全世界瘋狂，上傳照片就可以知道圖裡的人是男的還是女的，幾歲，很多人到今天還不知道這個是微軟做的，而微軟做這個的目的不是要做應用，目的是要展示微軟認知服務的特性，因為How-Old.net裡面原始碼總共只有幾行，有了API想一些設計引數以後就上傳照片，回來就有這些照片裡面所有的資訊，所以整個應用只用了幾行程式碼，我們做這個的目的就是要讓AI普及化，讓大家能夠有一些好的想法去做AI的應用，不需要每一個人都把所有的AI技術去學一遍。

    在中國我想大家知道微軟小冰，日本叫Rinna，在美國叫Zo，小冰到今天其實是各個智慧的結合，它不僅有自然語言的聊天，它也有語音，它也有視訊，也有照片，譬如說像有人上傳一個狗的照片，小冰的目的不是說辨別這是什麼狗，通常人看到狗可以聊什麼呢，可以聊狗的主人，可以聊什麼樣的人喜歡這個狗，你可以說哪一個有名的人長的很像這個狗。這樣的話就有東西可以聊下去，我們對小冰衡量的方法就是使用者跟小冰聊了幾個回合，一問一答叫一回合，目前小冰在中國大概平均是25輪，25輪很了不起，因為你自己跟你朋友親人微信上聊的話，我估計每次大概是3到5輪，小冰是平均25輪。

    同樣，我們跟京東合作我們有這些書，如果說辨別書，這是哪一本書那就聊完了，所以你可以聊書的內容。

    在書方面，可以聊作者，聊喜歡什麼型別的書；在衣服方面，可以辨認出布料，種類，款式。我們會在社交網路上看大家的聊天內容，如果大家接下來會聊針線活，那麼機器可能也會聊同樣的話題。在人的方面，主要是認知服務，機器能夠根據照片判斷性別，年齡，twins or not。如果顏值在一個區段，可以聊外表；如果顏值在另一個區段，可以聊內心。小冰是所有這些感知服務的整合。

第二個問題就是think a little bit slow，很多問題很複雜。在我看來每一件產品都是可以應用這張圖。如果現在有一個sensor（感測器），就可以在物理世界收集資料，接著可以進行分析、決定下一個產品要做什麼，下一個行業要做什麼，之後再有actuator（驅動器）。比如，我想治理北京附近的河流，先有一個 sensor 去測試水值，之後再分析、決定。每一次完成一個loop都會進步，完成的越多，進步越明顯，這在控制工程中叫feedback（反饋迴路）。以前我們要派人去收集資料，需要花費很多時間。如今，我們有IoT，隨時隨地可以收集資料。

人的身體也是如此。在加護病房中，會測試病人的鉀、鈉等元素，一旦發現數據偏離正常值，醫院就會有所行動，使得人體維持在正常水準。以後，當人長出第一個癌細胞的時，可能就知道，越早發現就越容易治療，可以利用穿戴式裝置等。我剛才講的觸發者和感測器，就是所謂的物聯網，能夠收集大量資料。如果有大量的運算能力，你就可以把它自動起來，當然也包括很多深度學習的演算法。

現在為什麼AI這麼紅火，雖然這個系統很複雜，但是可以自動化，把它連起來。舉一個商業例子，叫預防性維修（PredictiveMaintenance），與剛才異曲同工。

微軟大樓裡面都有電梯，以前怎麼維修。一旦電梯壞了，就打電話讓電梯公司來維修，電梯公司隔了幾天派人到這個大樓來，然後將一個東西插上去，叫rs232。接上去以後像一個PC，下載一些資料，然後拿回去分析，又隔了一兩個禮拜，然後找到問題了，再派一個人過來維修。幾個禮拜電梯都不能工作。現在，就在上面裝一堆感測器，收集電梯運作的速度，發出的聲音等資料，並傳回公司。在電梯壞之前，有預防性維修（PredictiveMaintenance）。如果聲音不對了，阻力大了，速度不均勻了，在還沒有壞之前，就派人去維修。這在工業界，已經鋪天蓋地了。可以想象，在機械沒有壞之前你就可以去維修的話，可以省下很多金錢和時間。

其實講物聯網並沒有幾年。之前溫總理當年在無錫講物聯網。將來萬物都會放上感測器。若要知道牛的品質，奶的品質，肉的品質，就在牛、水等物體上安裝感測器。物聯網就這麼回事，但是非常重要，沒有這些資料，AI沒戲，AI只是演算法。微軟有很多資料，並提供從收集資料，到大資料分析，到視覺化等。我們有很多夥伴，比如勞斯萊斯，勞斯萊斯的引擎特別有名，生產很多飛機的引擎。

其實飛機公司最大的成本就是油錢。若飛機載油多，重量增加，就會用更多的油；若載油少，遇到天氣逆風，會變的不安全。通常如果飛機較慢，80%都是與油的量有關。因此，在飛機公司，油的管理是最重要的一環。那麼現在有了這個系統可以省油，因為能夠預測航行路線，風向，氣候，重量。

我上一次飛機誤點很荒謬，都算好之後，又載了一些貨。貨放的多了，就要想辦法加油還是卸貨。最後慢了六個小時。有了這個機器就簡單了，可以記錄飛機有多少重量，左右多少可以平衡，天氣如何，路線，然後就可以預測，就可以做的比較精準。這就是FeedbackLoop的重要性。我們做技術的人希望把AI技術，把演算法做得更好，但是別忘了最後還是因為這些資料的取得，資料取得的快速程度可以讓你實現很多東西，這又是一個很好的例子。將來可能會做一些稍微慢的東西，但你會重複的做，這些交給ＡＩ很適合。加上物聯網後，就能夠全面自動化。

第三類的問題比較特別，一個東西若要thinkslow，然後makedecision。通常，這樣的系統裡，資料取得不可能完整，甚至不是一個封閉的系統。比如我剛剛舉這個例子，我們該不該買LinkedIn，我們想買別人也想買，別人想買的時候，標的的價錢就上去了。你們報考的時候也如此。還有該跟誰結婚，該跟誰求婚，大部分的人一輩子只做一次。這樣的決定讓AI做，我想在很長一段時間，是不可行的。

我覺得大部分人也不會交給系統做。但是，不代表AI不能幫助我們，因為AI會給你很多資料，我覺得有很多人會去看一下，參考一下。包括在決定要不要去收購LinkedIn時候，我們會做很多資料分析，但是最後是人來做這個決定．這就是我講的AI+HI。如果不是一個重複性的任務，你讓AI去做的價值值得商榷。同時，也不是一個封閉系統，更不要說大資料和推理了。

我們不太可能做黑箱的思考，而是要做白箱的思考。人的思考一定是一些有規則的，比如種什麼因得什麼果。這不同於現在的AI系統。現在的AI系統是一個黑箱，不知道里面怎麼運作，然後黑箱與黑箱之間的關係也不清楚。除非一個黑箱的輸出剛好是下一個黑箱的輸入。如果你知道某一個事情的因果關係，就可以做這些事情。

因果關係在統計學裡面是非常難的。統計學裡常常舉一個例子，以前大家認為喜歡玩電遊，與暴力傾向有很大的相關性。如果學過統計學，學過機器學習就會知道，這是完全不科學的。當A與B的相關度很大，但是到底是A影響B，還是B影響A？可能是倒過來，可能有個小孩本身就很暴力，它就比較喜歡玩電遊。如果不是封閉系統的話，因果關係是完全沒有意義的。所以我提到的一個概念——AI與HI的組合。Analysis與decision可以做黑箱。科學上，我們常說大膽假設小心求證。其實多年比薩斜塔的實驗就是蒐集資料來證實想法，就是一個AI加HI。人永遠在Loop裡面。

這裡跟大家介紹微軟的一個產品叫Power BI，大資料視覺化。大家會說為什麼視覺化這麼重要？因為資料是死的，視覺化可以讓你有一個介面，從不同的角度去看，去洞察他的insight。在洞察了因果關係之後，再去找新的資料來證明你的想法。下面我想跟大家舉個例子。這是真實的資料，關於過去七八十年來人類遭到鯊魚攻擊的資料。在這些資料中，微軟的工具可以自動發現一些有趣的點，大約有上千甚至上萬。不見得所有的點都有意義，同時解讀每一個點，都需要ＡＩ與ＨＩ的配合。系統會智慧推薦有興趣的點，裡面的insight 還是需要自己去判斷，這就是我們推出的quick insight。通常介面上有兩種，一種是push，UI介面怎麼將上千上萬的東西分類推給使用者，現在人能否用自然語言對話的方式去pull，去拿人們想用的資料，我們就做了一個東西叫Anna talk。

大家剛看到的是用自然語言的方式，各取所需。當年說了一個詞dangerous，機器不知道這個名詞什麼意思，使用者可以定義，dangerous是死亡多少人。之後，機器不僅知道dangerousyear，還知道dangerousactivity。

為什麼如今AI這麼熱，因為有了資料、演算法，可以做很多數字轉型。而且這種數字轉型，對每個人和社會，都會產生很大影響。至少資料轉型會在四大塊對於未來產生深遠影響：

首先，用剛才講的Loop，產生產品迭代，這其實就是網際網路思維；

其次，就算產品不改變，如何優化公司與客戶的聯絡，調動客戶；

再次，是公司運營，如何讓運營變得更有效率，更節約成本；

最後，是人才，如何用大資料讓員工的生活更順暢、和諧，同時還可以激發員工的潛力和創造。

這四塊適用於每個公司，也是業界看到的機會。從架構上看，類似於雲端計算的IaaS。其中包括硬體（GPU、FPGA等）、軟體（深度學習框架等），我們提到的認知服務就是一個PaaS。

現在新興的叫Data tasks，在座的很多畢業以後做Data tasks工作，或者做開發者，開發者要用一些SaaS，也要用一些PaaS， SaaS裡面重複性很複雜的東西，有閉環可以用AI搞定。有一些東西是人跟機器一起做的，就是AI+HI這是不同的SaaS，這是可以做的一個簡圖，機會是無窮的，我剛才講的針對每個公司每個單位有四大塊都可以做這些改進。

 在微軟的話，大家看到我們新一任CEO到今天，最近大家看到的微軟都是很快的，因為我們在這裡面都講到了先機，這麼多東西用我們的產品和服務做數字化轉型。微軟是一個軟體公司，但是微軟最近硬起來了，網上很多人說，微軟的硬體做的比蘋果還好。

新的硬體HoloLens，我們絕對是領先的，HoloLens已經宣佈今年就會在中國上。還有想Surface studio等等，這些才是未來的東西，很多東西只有我們有。講了那麼多AR、MR我們快賣了一年半了，給大家看一個例子。

這就是那個電梯公司——蒂森克虜伯，在講維修，這相當於在做訓練，訓練這些維修的工人，就是在他辦公室裡就可以看到電梯裡面的結構，這是訓練，還有因為這些都要動，他不可能這時候還在翻它的指南，而且大家可以看到以前電梯維修的記錄。而且還可以知道電梯裡面的結構該從哪裡拆進去。

我講一個簡單的例子，大家看的很清楚，AI的確讓一些職場工作產生了變化，大家不要想的那麼簡單，全部都被取代，很多時候大家都講機器人，其實更重要的是AI+HI，怎麼樣讓技術幫助人更有效能，工作上可以很簡單的看出來，對於一樣的修復工作非常有效率，非常輕鬆的，在沒有壓力的情況下利用技術配合起來把事情做的更好。

基本上我給大家看的AI，特別是相應的大資料、物聯網技術結合以後可以做這些東西。

我現在講講未來，未來會怎麼樣？當然AI報道非常多，對AI的報道里面有很多是危言聳聽或者聽起來很嚇人的。到底哪一些該害怕哪一些不該害怕的。

    首先1950年是二戰剛剛結束沒多久的時代，二戰結束剛5年，當年全世界的計算機可以用兩隻手數出來，絕對不超過10臺，但那個時候時代雜誌就已經在擔心造出一個機器比人聰明，1950年我們原子彈都造出來了，原子彈的威力大家也看到了，我們造了很多拖拉機、飛機各個東西，但對那些都不太害怕。

其實我很害怕，因為工作的原因我看過無數多的機器人，有時候不小心手這樣一揮就會被打到，人型機器人站的很穩是非常重的，我站在那邊不小心他碰到我怎麼辦，我一直都很害怕，我這個人比較瘦小，我看到那些大型動物都很害怕。我覺得人類很好玩，大部分人不害怕，人就很擔心機器比我們聰明，那個時候AI還沒有影呢，1950年AI這個詞還沒有出來，AI去年60年，是1956年達特茅斯會議時提出的。說到這個我講講我跟這個的淵源，1956年的時候一個人叫John McCarthy，我很有榮幸，我可以叫他師祖，他帶了一幫人在達特茅斯開了一個會定義了AI兩個字，這也是之所以人家說他是AI之父。我的老師也拿過圖靈獎，他的老師就是JohnMcCarthy，也拿了圖靈獎，所以我算是John McCarthy的正宗徒孫。1956年AI的詞還沒有，大家都已經很害怕了，就跟今天一樣，人在智力這個事情特別受創傷的感覺一直都有。

下面講一下，什麼是智慧。其實人對智慧的定義一直在改變，感知就是說能夠聽，能夠看。感知之下還有一些東西，今天大家都不覺得很智慧的東西，今天講人臉識別大家覺得很智慧，能夠聽懂語音也很智慧，能夠跟人聊天都是很智慧。但是今天有沒有人認為計算是智慧，在座沒有人認為算術可以算的很快，很準，你會覺得這個人很快，但是你不會說他很智慧。我這一輩子受到的第一次打擊就是我小學一年級的時候，沒有選上參加珠算隊，現在的年輕人有沒有人真正摸過算盤，用算盤計算過？在我們那個年代計算是跟下棋一樣分級分段的，最早也是到九段，有人可以心算，算的很準，當時我們認為是神童。一年級的時候老師跟我說你蠻聰明的，但是身體不好，別參加珠算隊，當時我很沮喪，但今天跟計算機比計算簡直是以卵擊石。

其實記憶力，以前我們講詩詞倒背如流就是記憶，記憶這個東西大部分人也不會認為是聰明，就像電話號碼，今天我一個電話號碼都記不出來，有手機誰記電話號碼？所以記憶力這件事情不錯，但是沒有人認為多了不起，尤其是涉及到安全，大家記不記得IBM幾年前打敗了所謂的世界冠軍，那個遊戲大部分都是靠記憶，問一些歷史或者地理問題都可以答出來，但那個都還沒有達到今天我講的層次。

人類對智力的定義是不斷在改變的，這是我要講的一點。我這一代已經經歷了，這是人類智慧和人工智慧共進化，如果我沒有做人工智慧，假如說今天沒有人工智慧，沒有計算機，我們一定認為一個人很會做心算的很聰明。

我們剛才講Perception感知，感知AI可以做的比人好。我舉個例子，今天假設說北京有50個危險的恐怖分子，給你50張照片，今天你的tasks就記好這50個人長什麼樣，你站在關口那邊看，我可以保證，機器會做的比你好，但是我也保證機器做這個事情你會非常高興，安檢機器做會比我們做的好很多，我們也不會受到傷害。今天讓你拿30個電話號碼記，機器都不用做AI，做一個比較就可以了，人幹嗎要去做這個呢？這個太Low了，這個東西就讓機器去做，這個不是說沒有智慧。

既使是這樣，機器去做，你有沒有發現哪一個AI系統跟人做的一樣？今天沒有，明天也沒有。所有系統哪怕是再強，99%點多，有的東西還沒有達到99%，這個是Perception。到了這個level叫做認知，認知這件事情目前為止還是沒有譜的。

相關推薦