吴恩达：人工智能也能具备意识

百度首席科学家吴恩达近日接受科技博客GigaOM采访时表示，创造力并非深不可测，人工智能不仅可以获得创造力，甚至有可能具备意识。

以下为原文内容：

吴恩达2014年5月出任百度首席科学家。他负责领导该公司的全球人工智能战略和基础设施建设。他领导百度北京研究院和百度硅谷研究院，带领技术团队在语音、大数据和图片搜索领域开展研发工作。

除了任职于百度外，吴恩达还是斯坦福大学计算机科学系的兼职教授。2011年，他领导开发了斯坦福的MOOC（大规模开放在线课程）平台，并教授了一门在线机器学习课程，听课学生已经超过10万。他后来参与创办了Coursera，至今仍然担任董事长。

在此之前，吴恩达还是谷歌(微博)大脑深度学习项目的创始负责人。他署名和联合署名的机器学习、机器人及相关领域论文超过100篇。他2013年入选《时代周刊》评选的“全世界最有影响力的100人”。他先后在卡内基梅隆大学、麻省理工学院和加州大学伯克利分校获得学位。

他将于2月15日至16日在旧金山举行的Gigaom AI大会上发表演讲，以下是我们对他的采访。

问：请给我们讲讲你在百度的日常工作。你的人工智能团队都做些什么？

答：我们会开发基础的人工智能技术，从语音识别到计算机视觉，从神经语言程序学到数据仓库，再到用户理解。我们会利用这些技术支持百度的很多内部业务，还会孕育新的方向。例如，在百度内部，我们所有的重要业务领域都已经被人工智能改变。从网络搜索和广告投放到机器翻译和餐厅推荐。所以人工智能已经在百度随处可见。

除此之外，我们还看到了很多由人工智能创造的新机会，例如更好的对话式医疗助手——它采用聊天盒子的形式。我们还使用面部识别开发了十字转门，可以在有权限的人接近时自动打开。所以说，我们的团队正在追求垂直领域的各种新机会。

问：你做的事情有没有涉及基础研究的内容？你有没有做过一些或许有用，但还不知道具体如何使用的事情？

答：我们会从事很多基础研究。有些研究最初是一项非常成功的基础研究，经过一段时间之后，当你从中看到实用价值后，它就没有那么基础了。我们有很多这样的研究。我们在百度开展的早期面部识别工作最初就像是基础研究，但现在已经成为融入产品的一项服务，供数以亿计的用户使用。

我们早期在神经机器翻译领域的工作最初也是基础研究。事实上，此事包含着鲜为人知的一面：神经机器翻译是一项最早由中国开拓、发展和推出的技术。美国公司在这方面远远落后于百度，这个例子可以说明我们的中国团队处于领先地位。

我感觉我们在面部识别领域展开的计算机视觉基础研究同样处于先驱地位。我们目前正在学习机器人和机器学习等领域展开广泛的基础研究，涵盖从基础研究到应用的整个过程。

问：百度的团队是什么样子？你们是否普遍采用小团队形式？是否以开发人员为主？你们认为怎样才能有效分配有限的资源？

答：这是个复杂的问题。我们的很多项目一开始都很小。比如一年前，自动驾驶团队只有22人。但在取得一些进展，展示出最初的前景，并制定了经过深思熟虑的商业计划后，便可因此投入更多资源，现在的团队可能已经有几百人了。这一开始是一个基础研究项目，但现在成为了全新的业务方向。

所以我们有很多项目最初的团队规模都很小，但在取得一些进展，价值越发明确后，便会将团队规模扩大到几十人，甚至几百人。

问：你认为当今人工智能技术有哪些难题可以在5年内解决? 有哪些事情如今看来很难实现，但5年后会变得稀松平常?

答：从研究角度来看，我认为迁移学习和多任务学习是我需要探索的领域之一。当今机器学习技术的多数经济价值都是应用学习，学习许多标签化的数据，以此完成你希望解决的具体任务。例如，利用庞大的标签化人脸数据库学习识别人脸。对于很多任务而言，我们在特定的垂直领域根本没有足够的数据来构建自己的系统。

所以今后的一大领域是迁移学习，你可以让一套机器学习系统从事不同的任务。比如让它学会识别常见物体。学会了识别常见物体后，可以利用其中的多少知识来从事面部识别这项具体任务？

从研究角度来看，我认为这很有前景，而且有一些技术目前已经广泛应用于迁移学习，但我认为相关的理论和最佳实践仍然处于早期阶段。我们之所以看好迁移学习，是因为现代深度学习技术已经可以为具备海量数据的问题提供不可思议的价值。这可以为很多应用模式的发展提供巨大的动力。

以语音识别为例。我们在某些语言上拥有海量数据，比如普通话。某些语言的使用人数很少，永远不可能有这么庞大的数据。因此，可以将我们从普通话学到的知识迁移到这种语言，从而则针对只有少数人使用、数据量很小的中国方言提供语音识别。我们的确有这方面的技术，我们目前也在从事这方面的开发，但我认为这一研究领域的进步可以帮助人工智能解决更多问题。