译 | 连然
每个人的脑海里都有一些碰撞的想法。有意思的东西更多的来自科学家和人工智能研究者。Tech Insider与13位人工智能研究者、机器人专家和计算机科学家聊了聊在他们的职业生涯中的“惊奇时刻”们。
以下：
1.Matthew Taylor：我为AI战胜人类的次数之多所惊叹。
“电脑可以在很多的任务上比人类做的更好是事实，而且现在有越来越多的事情他们可以战胜我们。虽然还是有事情是人类可以做的，但电脑确实在越来越的事情上都比我们做的好了。”
“在人工智能上有一个“危险边缘”，即计算机如果越过这个界限的话，危险程度就非同一般了。具体来说，这些界限包括有如五子棋，扑克和国际象棋等游戏的操作。现在计算机能够在围棋上赢过人类了。”
“围棋曾经是很多人以为计算机永远不会表现出彩的领域。现在计算机能够把围棋的很好了。”
（Matthew Taylor，华盛顿州际大学的一位计算机科学家。）
2.Yann LeCun：最简单的想法往往是最好操作的。
“正如Geoffrey Hinton告诉我的那样：如果你做的所有事情都是明智的，那么它就确实可行。”
“令人兴奋的事实是，践行最简单的想法的好处在事后会非常明显地显现出来。但是要让研究团体接受这样的思路则并不容易。”
（Yann LeCun，Facebook的人工智能研究部主任。）
3.Hector Geffner：我对世界如何运作保持敬畏。
“在我成长的时间里，相对论和量子力学正是风头大热之时。随着时间的推移，我已经了解到“简单的”理论对我们的生活和身份其实有着更为直接的影响。”
“尤其是达尔文的进化论和图灵的计算理论。这些简单而杰出的理论有着更加深远的影响。”
（Hector Geffner，Pompeu Fabra大学的人工智能研究员。）
4.Oren Etzioni ：人类的大脑使我惊讶。
“当我了解到人脑中神经元和连接的数量有数千亿时，我惊呆了，也意识到智能是一件非常复杂和有挑战性的事。”
（Oren Etzioni，艾伦人工智能研究所的CEO。）
5.Stuart Russell ：无法相信“一堆肉”（指大脑）能做那么多事情。
“我们对人工智能和大脑如何工作了解的越多，就越对大脑感到惊讶。”
“很多人认为在2030年左右，机器会比人类大脑更强大——从其每秒可以进行的运算数目来看。但事实上并不能这么说，因为我们对于大脑使如何组织和如何工作并不清楚。”
“但它确实令人感到难以置信。”
（Stuart Russel，美国加州大学伯克利分校的计算机科学家。）
6.Lynne Parker：我们不完全明白大脑是如何工作的，但它确实很令人感到惊讶。
“事实上，人类大脑所做的工作是如此惊人，它是如此有力和富有适应性。”
“你花费很多精力投身于的建立人工智能系统的事业，其实只算得上人类大脑的一部分。”
（Lynne Parker，国国家科学基金会的信息部与智能系统事业部的主管。）
7.Toby Walsh：看到人类学习的初始状态时很惊讶。
“我认为最令人兴奋的事实是，在宇宙中，人类的大脑是由数千亿的神经元和神经元彼此之间的连接构成的，是我们迄今为止遇到的最复杂的世界。”
“不久前我成为一个父亲，在看到我的女儿是如何同时学习两种语言后，我突然明白了人类初始的学习状态是什么样的。”
（Toby Walsh，澳大利亚国家信息和通信技术部门的教授。）
8.Pieter Abbee：得到构建基于儿童学习的机器人的灵感。
“我一直有观看儿童成长过程视频的想法，想知道小孩子们是如何变化的。不过看起来一切都是如此自然。”
“这是一个很好的例子。”
“在一个实验中，一个孩子认为将三块相同的饼干中的两块分给研究者，一块分给自己是不公平的。”
“但是当实验者将孩子的饼干分成两份的时候，那个孩子便觉得是公平的了——因为此时双方都有两个饼干了。”
”这些类型的发现有助于了解人类大脑的灵感如何而来以及什么样的学习能够胜任。”
（Pieter Abbeel, 美国加州大学伯克利分校的一个计算机科学家。）
9.Joanna Bryson：这个关于视觉的发现让我投身人工智能的研究。
“当我发现有一个名为扫视运动的神经元系统，能够决定眼睛如何运动时，我的世界观受到了冲击。”
“如果你的眼睛翻动，或者你移动自己的身体，你的眼睛就会以一种特定的方式展开轨迹。”
“我在美国中西部的一个小镇长大，有着一定的宗教背景。当我发现大脑的工作方式类似于一台机器的时候，我的整个世界观都得到了冲击。”
“如果你的一部分大脑不是不受你的大脑控制的，那么此间的责任担负和行动选择上的意义如何定义？”
“我仍然记得在教室里，当教授解释这些的时候的情形。我对人工智能和自然智能的兴趣就是从那时而来。”
（Joanna Bryson，普林斯顿大学的研究员。）
10.Sabine Hauert：大量的协同努力创造出惊人的智能。
Kilobots是1000台简单，协同工作的机器人。
“作为一个群组工程师，我着迷于庞大的数目——事实上，你拥有的细菌比你拥有的数十亿个细胞还要多。”
“在我看来，这些庞大的数字格外迷人。正是由于拥有它们，你才能在体内实现身体和大脑的自我组织——这正是智慧的来源。”
“在经历了大量的简单的事情后，有助于做出理智的选择。”
（Sabine Hauert，布里斯托尔大学的一个机器人学家。）
11.Geoffrey Hinton：数据是处理智能的最佳方式。
“有了足够的数据，足够的计算，一定的程序，就有机会改变模拟神经元大型连接的强度，创造能够处理困难任务的复杂系统。”
“在我的大多数职业生涯中，大多数人都将人工智能和认知科学认为是愚蠢的想法，但事实证明恰好相反。”
（Geoffrey Hinton，身兼谷歌研究员和多伦多大学的计算机学家。）
12.Murray Shanahan： 黑客大幅提升了AI的性能。
“这有点古怪，但实在惊人——当我看到图形处理单元是如何主宰高性能计算时。”
“在每个人的电脑里都有一个专门的图形处理器和用于提升游戏体验的驱动器，不得不说，它们的发展都太快了。”
“后来人们发现，这些处理器不只可以用来处理图形，还可以用来进行别的运算。而且它们能够很好地处理那些需要大量并行处理的东西。”
“我想要模拟大量的神经元，并使用处理器来处理图形，提供给人们良好的游戏体验，做一些基本的科学研究。我想这里会有一些出乎意料的进展的。”
（Murray Shanahan，皇家学院的一个计算机学家。）
13.Bart Selman ：今天的AI的规模已经完全将20世纪80年代的规模比下去了。
“在20世纪80年代，我选择了神经网络研究作为硕士论文的一部分。我当时选了20个单位的神经元进行研究。而现在要做研究的话，至少需要成千上万个单位。”
“所以当我看到神经网络的规模，看到它们完成深度学习并处理一些有趣的工作时，我实在是印象深刻，这是我不曾预料到的。”
“这是大数据，云计算，缩放算法的组合——十年前我们都以为这些与我们相距甚远。”
（Bart Selman：康奈尔大学的计算机科学家。）
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
