Google研究总监Peter Norvig：人工智能的另一面

编译：刘翔宇、赵屹华、刘帝伟
本文基于Peter Norvig最近一次在线访谈，Norvig授权《程序员》翻译整理为中文
本文为《程序员》文章，未经允许不得转载，更多精彩文章请订阅2016年《程序员》

Peter Norvig是誉满全球的人工智能专家，Google研究总监（Director of Research），他同时也是经典书籍《人工智能编程范式：Common Lisp案例研究》（Paradigms of AI Programming: Case Studies in Common Lisp）和《人工智能：一种现代方法》（Artificial Intelligence: A Modern Approach）的作者/合著者。在本文中，我们将看到Peter Norvig对人工智能目前进展和未来发展的思考，对人工智能技术在Google应用的解读，以及对最新软件工程师在人工智能时代的成长的观点。

Peter Norvig眼中的人工智能

问：人工智能领域在哪些方面发生了您未曾预料的演变？

Peter Norvig：在1980年我开始从事人工智能研究时人工智能意味着：一位研究生用说明性语言写下事实，然后拨弄这些事实和推理机制，直到从精心挑选的样本上得到不错的结果，然后写一篇关于它的论文。

虽然我接受并遵循这种工作模式，在我获得博士学位的过程中，我发现了这种方法的三个问题：

• 写下事实太慢了。
• 我们没有处理异常情况或模糊状态的良好方法。
• 这个过程不科学——即使在选定的样本上它能工作，但是在其他样本上工作效果会如何呢？

整个领域的演变回答了这三个问题：

• 我们依靠机器学习，而不是研究生付出的辛苦努力。
• 我们使用概率推理，而不是布尔逻辑。
• 我们希望使用科学严格的方式；我们有训练数据和测试数据的概念，而且我们也有比较不同系统处理标准问题所得到的结果。

1950年，阿兰图灵写道：“我们只能看到未来很短的一段距离，但是我们很清楚还有什么需要完成。”自从1950年，我们已经得到许多发展并实现了许多目标，但图灵的话仍然成立。

问：对于机器学习研究，工业界与学术界有何不同呢？

Peter Norvig：我认为，在教育机构、商业机构还是政府机构并不是很重要——我曾经在这三种机构都学到很多东西。

我建议你在有着一群出色同事和有趣问题的环境下工作。可以是工业界、学术界、政府或者非营利企业，甚至开源社区。在这些领域里，工业界往往有更多的资源（人、计算能力和数据），但如今有很多公开可用的数据供你使用，一个小团队，一台笔记本电脑，或者一个小而廉价的GPU集群，或者在云计算服务上租赁或捐献时间。

问：您对深度学习有什么看法？

Peter Norvig：我清楚地记得80年代初的那一天，Geoff Hinton来到伯克利进行了关于玻尔兹曼机的讲座。对我来说，这是个了不起的视角——他不赞同符号主义人工智能很强大很有用，而我了解到了一种机制，有三件令人兴奋的新（对我而言）事情：根据大脑模型得出的认知合理性；从经验而不是手工编码中学习的模型；还有表示是连续的，而不是布尔值，因此可以避免传统符号专家系统的一些脆弱问题。

事实证明，玻尔兹曼机在那个时代并没有广泛普及，相反，Hinton、LeCun、Bengio、Olshausen、Osindero、Sutskever、Cou