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