13位最强AI达人对话AlphaGo投资人

这是AI界最值得期待的脑力风暴之一。

AlphaGo 战胜李世石掀起了新一轮人工智能（AI）投资狂潮。

我们邀请到DeepMind 的早期投资人 Jaan Tallinn 与中国 AI 界的最强大脑们进行对话。Tallinn 是最早发现 DeepMind ——2016年最红 AI 公司的投资人之一，他见证了 AI 技术的发展，却致力于研究人工智能带来的潜在风险。

受邀参与对谈的中国 AI 大佬包括：

陈孝良，声智科技 CEO

丁磊，汇百川征信 CTO，前 Paypal 全球消费者数据科学部负责人

高始兴，思必驰 CEO

*飞，出门问问 CEO

孟醒，顺为资本投资副总裁

吴甘沙，驭势科技 CEO，前英特尔中国研究院院长

许丞，心橙互联 CEO，前谷歌工程师、

漆远，蚂蚁金服 CSO

印奇，Face++ CEO

余凯，地平线机器人创始人，前百度深度学习研究院院长

张本宇，CloudBrain CEO

张予彤，金沙江创投合伙人

赵云峰，新媒体 “机器之心” 创始人

（排名不分先后，按姓氏拼音排序）

这是 AI 界最值得期待的脑力风暴之一。今天推出的是（上）篇，大佬们探讨了 AI 技术的商业化、AI 领域被低估的方向、AI 与人类的较量。下周，我们推出的（下）篇中，Talllinn 会为你解读 AI 投资和创业，并为你解密 DeepMind。

如果是人工智能领域的创业者，欢迎在后台留言 “AI”，我们将邀请你加入峰瑞资本 AI 交流群。此外，Tallinn 在对谈过程中引用了许多对于目前 AI 领域影响深远的采访报道。如果你想阅读这篇访谈的完整版，可以点击 “阅读原文” 关注峰瑞资本知乎专栏。

采访/ 峰瑞资本科技投资团队

翻译/ 冯琪祺 周小然

余凯(百度深度学习研究院前院长、地平线机器人创始人)

Q: 你投资 Deepmind 时，考虑过它的商业模式吗？哪方面对你最有吸引力？

A: 我投资 DeepMind 并不是为了赚钱。因此它商业模式不是我的优先考虑。对我而言这是一个策略性投资：我想加入一个未来有潜力成为 AI 研究领军者的团队，成为其中的一分子，也希望确保他们对 AI 的风险有清晰的认识。

2011 年我投资 AlphaGo 前，就非常看好他们的创始人，当时他们已经已经取得了不小的进展（包括来自 Peter Thiel 创办的 Founders Fund 的投资），我认为他们一定会大有作为。

Q: 在深度学习的革命中，下一个伟大的目标是什么？

A: 也许你比我更有资格回答这个问题。对于深度学习的发展，我关注得没有这么及时。我目前了解的大概关于 AI 的前沿发展有这些：

更好的无监督学习（unsupervised learning）：比如说寻找数据中的结构；或者在不借助标记数据（labeled data）的情况下，建立预测模型；

迁移学习（transfer learning）：将特定领域学习建立的模型，应用到其他领域。就像人类学习下国际像棋，也可以帮助提升在其他棋类运动中的水平；

更好的数据泛化（generalization）：和人类比起来，机器学习对于数据是非常 “饥渴” 的。只有接收、处理大量的训练数据（training data），才能形成可用的模型。但对于少数模型而言，研究人员并没有足够的数据来训练机器（我的朋友曾嘲笑深度神经网络只是被美化的查找表格）。这一点需要通过更好的数据泛化来加以改进。

印奇(Face++创始人)

Q: 人工智能很热，很多分析机构也预测人工智能会成为未来技术的水电煤——基础技术。这个过程如果到最终成真，是否也会有一个从量变到质变的过程，互联网改造商业也是从信息共享、购买商品这些量变一步步开始的，那么人工智能改变商业最初的几个量变领域最有可能是哪些？

A: 对我而言，这个预测并没有那么准确。要让 AI 成为一种类似于水电的工具服务，需要满足两个条件：

这项技术变得更为通用和能干。在很多场合下，你可以像租用计算能力这样，租10 分钟的 AI 服务。

即便 GAI（General Artificial Intelligence，通用人工智能）在经济中发挥重要作用，经济体中的其他因素仍然能发挥特定作用。

这两个观点实际上是直接矛盾的：要是 AI 变得更加强大和普及，经济体中的其他因素就会被削弱。最终，这样想吧：经济是人类制度，要是 AI 比人类能干，可能就不需要人类经济了，就像人类不需要蚂蚁经济。

用 Eliezer Yudkowsky（MIRI，Machine Intelligence Research Institute 的创办人之一）的话来说，拥有超级智慧的 AI，可以*重组宇宙里的任意原子。它们甚至不需要赚钱来养活自己。 一旦拥有重组原子结构的能力，它们可以制造出任何它们想要的东西。

但也有人和我持不同的观点。有些人认为：即便 AI 拥有超群的智力和通用性，现有的经济体系也能维持下去。我的朋友 Robin Hanson, 一位约翰梅森大学的经济学教授，就认为超高智慧的 AI 将出现在现有的经济体系，并受其约束，而不是将它颠覆并且毁灭。

张本宇（CloudBrain 创始人）

Q: 你认为有什么比较重要的方向被低估了，且没有得到足够的投资？”

A: 我觉得是 “价值观对接研究”（value-alignment research)。这个概念第一次由斯图尔特·J·拉塞尔（Stuart J. Russell，世界首屈一指的计算机科学家）在《人工智能：现代方法总论》（Artificial Intelligence: a Modern Approach）中提出。他认为：我们需要重新定义 AI 研究的目标。不停留于单纯的智能开发上，而是开发能充分对接人类价值观的超级智慧。但从世界范围内 AI 的发展来看，这一领域在目前的研究中被极大地忽视了。

这固然是一项非常艰巨的挑战，诚如慈善评估机构 Givewell 在一份有关 AI 风险的报告中提到的：知识是可以被验证的，但价值观却不能。如果 AI 学习了错误的数据，做了错误的预估，人们会很快发现并加以纠正。但对于错误的价值观，我们是很难察觉并且纠正的。

我们没有选择，必须面对这个挑战。如果我们想要给子孙后代留一个未来，就必须尽快解决 AI 价值观对接的问题。当然，我不是说对于 AI 其他风险的研究就不重要了。

Q: 对于 AI 在 3-5 年后的研究和开发，你认为瓶颈将会是什么呢？比如说：计算机能力？或者是先前沿用冯·诺伊曼（计算机之父）理论本身的问题？人类目前有限的知识？*的管制？或者说是因为容易赚钱的方式越来越多，导致研究人员的不足？

A: 长期以来，AI 领域缺乏富有洞见的人才，和强大的计算能力（这将极大地提升神经网络技术）。短时间内，这两个瓶颈仍然难以突破。

一个有意思的话题是 “快钱” 如何影响人才。一方面来说，高涨的需求势必会刺激供给。但另一方面，它给行业带来不少噪音，让人才难以专心研究。

从基础理论上来说，目前的 AI 技术更多采用 GPU（图像处理单元），而不是 CPU（计算处理单元）。所以在很大程度上，这个行业已经抛弃了诺伊曼的理论。

吴甘沙（前英特尔中国研究院院长、驭势科技 CEO）

Q: 你是 Deepmind 的早期投资者，推动 AI 对人类智能的赶超，同时又是剑桥 “存在风险研究中心” 和 MIT “生命未来研究所”的创始人，后者致力于探讨 AI 对人类产生存在性风险的可能性和解决方案。这两者之间存在一定的冲突。你如何在伦理和社会影响方面给 Deepmind 反馈和指导?

A: 在 Deepmind 任职期间，我们举办过一些相关的讨论会。为了 AI 未来发展的安全，Deepmind 专门招聘了研究人员，并开始与牛津大学的 Future of Humanity Institute 合作，还和 Google 创立了 “伦理与安全” 委员会。当然，作为一家资金与人员都十分有限的创业公司，DeepMind 对这一领域的贡献仍然非常有限。但我相信他们会持续投入精力做“价值观对接”的研究。

总的来说，我很高兴自己能帮助 AI 研究和 “价值观对接” 的研究搭建桥梁。此外，Deepmind 现在能专注于 “价值观对接” 的研究上，我还是有一点点的小功劳的（笑）。

赵云峰（新媒体 “机器之心” 创始人）

Q: 继 Elon Musk，Stephen Hawking 之后，近日 Michio Kaku（加来道雄，美籍日裔理论物理学家）也表示我们应该担忧人工智能，很多人工智能产业之外的名人和大众也比较关注这个话题。但是，人工智能领域的从业者往往是从解决具体问题出发，对这个问题好像不是特别在意，或者只是提出一些较为宏观的解决方案，比如说 DeepMind 的道德委员会，你认为对于防范人工智能风险，我们应该采取哪些具体的、马上可以开始行动的方案吗？

A: 有趣的问题。加来道雄真的认为我们应该对此感到焦虑吗？他之前是不相信 AI 风险的（至少我是这么认为的）。如果他的态度发生转变，这是一个好消息（越来越多人开始正视问题存在了）。

关于研发者的态度，我觉得你是对的。他们的确没有动力去考虑系统的风险（更准确的说，是关于价值观对接的问题），但他们有动力去提高系统的性能。就如 Holden Karnofsky 所说：“目前从文化和机构层面来看，研发者没有多大的动力去关心这些问题。但即使如此，还是有小部分有关人士开始关心这些潜在问题。所以我相信，未来会有更多的人加入这一思考。”

（这里有一篇非常棒的文章，列举了许多优秀的 AI 研发者对于风险的思考 http://slatestarcodex.com/2015/05/22/ai-researchers-on-ai-risk/）

目前如何预防这种风险？当 “价值观对接” 领域缺乏资金的问题得到缓解后，紧接着的瓶颈是缺乏这方面的人才（素质要求与 AI 研发的其它领域不同）。我们需要更多的人和机构，来解决各种研究上的问题——从运算理论上升到哲学思想。

就像我前面提到的，解决 AI “价值观对接” 的问题不仅非常重要，而且是有趣的！

陈孝良（声智科技CEO）

Q: 机器学习理论与神经科学、人类行为学都有着密切的联系。因此，Deepmind 使用的“深度强化学习算法”需要海量的案例去训练 AI。但如我们所知，我们人类往往可以通过单一案例举一反三，从而学习一个概念，还能通过比机器算法更丰富的方式学习。为了解决这个问题，科学家正尝试利用贝叶斯推论法让 AI 通过简单案例学习。你怎么看贝叶斯推论和深度学习的未来？下一步 AI 又要如何模仿接近人类的想象力和推理能力？

A: 嗯...…据我所知，神经网络大体建立在函数逼近上，与神经生理学只有一些偶然的联系。

我对贝叶斯学习法了解不算深入，我认为虽然它是理论上最优的，但是特别消耗计算资源。此外，最近还有一个很有趣的所谓 “终极” 贝叶斯 AI 产品 AIXI。

的确，从通用的角度，目前的方法都还不够好。我的朋友 Gary Marcus 已多次重申这个观点。他自己也创立了一家公司来探索能够通用化的技术：Geometric Intelligence（我投资的项目！）。

高始兴（思必驰创始人）

Q: 你觉得未来人们有没有可能有自己个人的大数据？

A: 从某种程度上来说，有可能。我投资了两个创业项目，都与 “私有云” 有关：Sandstorm（http://sandstorm.io/ ）和 Urbit （http://urbit.org/）。

但这样说吧，公共数据（public data）的规模和价值都会更 “大”。随着传感器的广泛应用，数据量会呈几何倍增长。此外，越来越先进的分析技术能利用部分数据和历史数据来推断出更多信息。

刘维(联想之星合伙人)

Q: 非结构化的数据的未来发展该会是怎样？如何才能充分使用它们？我们有没有必要结合框条化的学习与深度学习呢？此外，大量数据就能解决一切问题吗？如果，在一些条件下，失败的代价很大，并且很难去穷尽它的边界条件（比如说：自动驾驶）？”

A: 从根本上来说，我认为非结构化的数据最终能满足需要。就像小孩子就可以从非结构化的感观信息开始学习，我并不认为人脑里有什么 “神奇” 的东西。

最近，我的一个朋友在听了许多关于自然语言处理（NLP，Natural Language Processing）的演讲后，发现一个有趣的现象：许多研究者都在吹嘘他们对语言学的认知有多 “少”，由此来暗示，他们的系统已经聪明到可以在没有预设知识的前提下学习。

我同意你关于非结构化学习的观点。这种学习很可能导致 “黑箱” 系统，最后在极端情况下产生严重的后果。当系统变得更自治，能操控的资源也更多时，我们需要让 AI 变得更为可预测。一种方式是引入更多的结构和限制到系统中。

我们肯定不想把这个星球的未来，交给一个由一堆非结构化的浪漫小说训练出来的 “黑盒”（black boxes）神经网络吧？

Q: 你是否认为通用人工智能（GAI）是从一些列垂直领域的 AI 中衍生出来的？长期而言，对机器学习算法的依赖将会在哪些方面造成风险？你认为 2150 年最常见的职业是什么？

A: 我不认为聪明地整合各种垂直领域的 AI 就能生成 GAI 。Deepmind 的做法就很有前景：它开发出一套比较通用的算法，然后把它用于垂直领域的学习中，以达到超过人类的表现。

有关风险：把 AI 用到 AI 领域的发展本身将会带来极高的风险，因为在这个过程中没有了人的参与，让 AI 来控制发展进程，结果可能是失控的。

有关职业：我觉得到 2150 年职业（和整个经济）可能已经完全不存在了！经济分工是一个人类社会中的概念。它存在的语境是——这个世界上有很多人，他们能力相近，但因为优势各异，所以他们之间的交易能有所得。而当我们有一个超级智能的 AI，它的能力超过所有人类，经济分工存在的基础就没有了，就如同我们人类不与蚂蚁做贸易。

当然，有可能到了 2150 年，还没等我们早出超级智能 AI，人类文明就因为其他原因不存在了