東京大學博士－讓我將前方點亮

AlphaGo Zero 從 0 到 1，無師自通完爆 AlphaGo 100-0，這款以深度學習為基礎的技術 AlphaGo 的基礎上擺脫了對人類標註樣本的依賴，讓深度學習用於復雜決策更加方便可行。
以 AlphaGo Zero 為首的各類擁有龐大數據積累的人工智能被應用於各行各業，代替人類做出了很多更優質的實踐，人類將麵臨從進化到智人以來最大的一次改變——90% 的人將淪為「無價值的群體」，隻有剩下的 10% 能進化成特質發生改變的「神人」。
作為人工智能的創造者，人類是否能完美應用人工智能促進技術創新，推動社會進步？還是說註定是一場「你死我活」的零和博弈？
我們邀請到了東京大學博士生 Summer Clover 與您共話 AI，他將用超前的思維帶您提前觀戰、穿越未來。在一問一答間，汲取科技前沿觀點，打開人工智能黑箱，洞悉人類與 AI 「相愛相殺」背後的科學依據和利用價值。
人物介紹 
東京大學機器學習博士生，師從日本機器學習泰鬥 Prof. Masashi Sugiyama。本科畢業於中國科學技術大學物理係。先後作為研究助理實習於日本樂天技術研究院（RIT）、理化研前沿綜合智能中心（AIP）等研究機構。科技專欄撰稿人，對於科技創新、尤其對於人工智能與物理學的交叉有特別的見解。
<img src="http://5b0988e595225.cdn.sohucs.com/images/20171026/3f0290c08e4441f5b53df40336d46f40.jpeg">
問答： 
Q1：在我們今天要聊以深度學習為基礎的阿爾法元之前，必須先理清深度學習和機器學習的關係，請問這兩者有哪些區別和聯係呢？
深度學習是機器學習的子領域。我們把機器學習當中一個有名的模型神經網絡——如果我們訓練一個很多層的神經網絡的話，稱之為深度神經網絡。深度學習主要指的就是深度神經網絡。神經網絡是一種很古老的算法，但是最近十來年，多層神經網絡改名為深度學習，這也讓它重新火起來。
重新火起來的主要原因一個是計算能力變強，第二個是數據量變強。所以我們可以去訓練一些比較深度的神經網絡，這些神經深度的模型就可以發揮非常重大的作用。
傳統的機器學習對數據量的要求一般沒有深度學習那麽高，所以當數據量少的時候，用傳統的機器學習比較容易達到一個好的水平。但是當有更多的數據量，比如之前有一千個樣本，現在有一百萬個樣本，那麽一百萬個樣本對傳統機器學習的提升就沒有特別高，但是如果轉用深度學習的話，深度學習係統很有可能達到一個相當高的水準。
Q2：你對阿爾法元的出現有什麽看法？
上周 DeepMind 發表的這篇 Nature 非常有名，引起了轟動。AlphaGo Zero 主要是在原來的基礎上擺脫了對人類棋手、棋譜的依賴，讓深度學習從零開始，自己學習。
可以說 AlphaGo Zero 的出現並不算特別意外，比較意外的是，他這麽早這麽快就出現。要知道 AlphaGo 去年才第一次打敗了人類的世界冠軍，今年就有一個完全不依賴於棋譜的人工智能，從零開始，把 AlphaGo 以 100 比 0 打敗，這是非常令人驚訝的進化速度。
Q3：現在能夠自己無師自通去下圍棋是不是就意味著他們可能產生自我意識的呢，並且具有自我創造的能力？
機器能不能產生自我意識，能不能產生情感是一個很開放性的問題。大家都有各種各樣的解釋，因為我們並不能對意識，也不能對情感下一個明確的定義，但是我對某一件事是比較樂觀的——機器完全可以達到一種人類無法分辨的程度。
如果你把機器偽裝成一個人的外表，人類是很難區分這個機器到底是人工智能還是一個真正的人，也就是說我們至少可以把人類的情感反應模仿的非常逼真。
Q4：AI 在圍棋上的實踐讓人類感到震撼，但真正應用在行業內轉化為商業機會的，目前看來主要是圖像、語音識別等領域。下一個爆發點會是什麽呢？
最近一些年，人工智能在圖像、語音還有自然語言上的進展都是非常顯著的，我們很難說下一個爆發點是一個具體的什麽技術。但是從行業的角度來講，信息技術、人工智能和傳統行業的深度融合我認為是一個非常重要的方向。
以材料、醫藥研發為例，這些材料公司、醫藥公司怎樣在這些研發過程當中，有意識地積累數據，再把數據當中的價值更深刻的挖掘出來，這對他們降低成本還有提高研發效率都是非常重要的。這種深度融合產生的新機會是非常多的，幾乎各行各業都會有，就是看什麽樣的人能把他挖掘出來。
所以我認為所有的行業、所有的公司都應該考慮數據化的問題，誰能更好的數據化，挖掘出這些數據當中的價值、商業利益，誰就會搶占先機，真正的利用好人工智能的福利。
Q5：那發展道路會一帆風順嗎？現在會有人評論說當下很多的機器學習是多種模型在應用上的無意義堆砌，對這點你怎麽看？
我不認為機器學習是多種模型的無意義堆砌，其實很多機器學習模型的意義是挺清晰的。
我們能用這些機器學習模型來理解問題，比如貝葉斯學習，我們知道貝葉斯庫集裏麵有一些參數、有什麽明確的意義，有一些參數他就是一個均值，有些參數他就是方差。對很多模型我們是有理解的，隻是對深度模型來說，深度學習確實像一個黑箱子似的，我們對他的理解比較淺，但是現在有很多科學家在理論和數據上，分析深度學習為什麽會有這樣好的表現，以及在訓練過程當中，深度學習到底發生了什麽樣的事情。隨著了解加深，我們會發現其中很多重要的規律。
人工智能技術確實發展到了一個相當高的階段了，在不少任務上已經接近人類的水平，甚至超越人類的水平。比如說 AlphaGo 在圍棋這個任務上，人工智能已經徹底打敗人類，在其他一些問題上，人工智能與人類的水平已經是相當接近的，這就說明確實到了一個門檻了。
Q6：人工智能技術已經到了落地變現的階段嗎？
一家商業公司該怎麽利用現在先進的人工智能技術，獲得福利和商業利益，這是另外一個問題了。這並不隻是技術上的問題，還有很多政策上的問題，社會上的問題和市場上的問題。
以自動駕駛為例，我認為自動駕駛技術在 5 年到 10 年的這個時間尺度上，他的安全性能超越人類司機是相當有可能的事情。但這並不意味著自動駕駛就能很通暢的推廣開來，因為人類對於機器事實上是非常苛刻的。很多時候人類的司機可以犯錯，但是一個自動駕駛技術不能犯錯，因為一個人類司機的犯錯可以歸咎於某個司機，不會被歸咎於整個人類。但是機器不一樣，一個人工智能犯錯，人類會把所有的問題都歸罪於所有的自動駕駛汽車。
所以技術上能實現什麽，更是一個比較純粹的技術問題。但是能在商業上取得多大成功，能不能大規模的推廣開來，這其中涉及到的因素會更多一點，並不單純由人工智能本身決定，還會和人類對於人工智能的接納，政策上的問題相關。
Q7：那在現在的商業化浪潮中，是否又有很多偽人工智能混雜其中？
現在確實會有一些公司用人工智能來包裝自己，或許他們會用到一些比較初級的機器學習算法，但是這並不是他們的核心競爭力，他們也並沒有因為這個算法取得多大的優勢，但是他們會借助這些把自己包裝成一家人工智能公司，這樣會更有噱頭。
但潮水退下之後，他們隻拿到噱頭卻沒有真正地用到人工智能的紅利，真正虧損的是他們自己。
下期預告：
原文地址：http://www.sohu.com/a/200307796_115128