【静.沙龙】推出【主题分享】，围绕大数据、人工智能、前沿科技与人文等主题进行微信群的在线交流与探讨。
【静.沙龙主题分享】第18期 机器学习需多元探索，中国尚缺原创，引领精神
主讲嘉宾：邢波 Eric P. Xing
主持人：中国经济网经营顾问 杨静
嘉宾介绍：
【邢波Eric P. Xing】清华大学物理学、生物学本科；美国新泽西州立大学分子生物学与生物化学博士；美国加州大学伯克利分校（UC，Berkeley）计算机科学博士；现任美国卡耐基梅隆大学（CMU）计算机系教授，2014年国际机器学习大会（ICML）主席。美国国防部高级研究计划局（DARPA）信息科学与技术顾问组成员。（他在中国大数据技术大会上的报告请参考阅读原文链接）
Professor of Carnegie Mellon University Program Chair of ICML2014
Dr. Eric Xing is a Professor of Machine Learning in the Schoolof Computer Science at Carnegie Mellon University. His principal researchinterests lie in the development of machine learning and statisticalmethodology; especially for solving problems involving automated learning,reasoning, and decision-making in high-dimensional, multimodal, and dynamicpossible worlds in social and biological systems. Professor Xing received aPh.D. in Molecular Biology from Rutgers University, and another Ph.D. inComputer Science from UC Berkeley.
【杨静lillian】这次您受邀来中国参加大数据技术大会，在您看来，中国大数据相关技术和生态发展到了什么水平？与美国的差距主要体现在哪些方面？
【邢波Eric P. Xing】中国的大数据技术与题目跟进国外趋势还做得不错。但在原创性部分有欠缺。也许由于工程性，技术性上的原创工作通常不吸引眼球且风险极大这样的特点，所以没人愿意啃硬骨头。整体不算太差，但缺少领军人物，和领先的理念。还有在导向上，倾向于显著的效益和快的结果，但对于学术本身的追求不是很强烈。如果效果不是立竿见影，愿意碰的人就少。大部分人都这样，就是趋向于平庸。整个生态系统上看，中国大数据发展水平与欧洲、日本比并不差，公众的认知也热烈。整个环境还蛮好。与中国学生有点像，群体不见得差，但缺少特别杰出的领袖，和有胆识的开拓者。
人工智能的目标没有上限，不应以人脑为模板
【杨静lillian】您说过深度学习只是实现人工智能目标的一种手段，那么在您看来，人工智能的目标到底是什么？抛开《奇点临近》的科学性，您认为机器智能总体超越人类这个目标在2050年前后有可能实现么？或者说在2050年前后，世界的控制权会不会由人工智能主导？
【邢波 Eric P. Xing】人工智能的目标其实是没有上限的。人工智能的目标并不是达到动物或人类本身的智力水平，而是在可严格测量评估的范围内能否达到我们对于具体功能上的期待。例如用多少机器、多长时间能达成多少具体任务？（这里通常不包含抽象，或非客观任务，比如情绪，感情等。）人的智力不好评价，尤其标准、功能、结果及其多元，很多不是人工智能追求的目标。科幻家的浪漫幻想和科学家的严格工作是有区分的。大部分计算机科学家完成的工作可能不那么让人惊叹，但很多任务已经改变世界。例如，飞机自动驾驶装置可能没有人的智能，但它完成飞行的任务，却比人类驾驶员好。
再比如弹钢琴，机器也可以弹钢琴，精确程度肯定超过人。但是否有必要发明机器人代替人弹钢琴来上台表演，或机器人指挥家甚至机器人乐队？从这个角度看，我个人没有动力或必要去发明机器人来弹钢琴，至少我不认为应该去比较机器和人类钢琴家。钢琴大师如霍洛维茨，鲁宾斯坦是不能被机器替代的、比较的，虽然他们也弹错音。一个武术大师，如果现在用枪来和他比武力，把他打死，有意义吗？那么标准是什么？我认为我们应该去想和做一些更有意义和价值的事情。
关于2050年的未来预测，如果非要比较的话，我认为人工智能不会达到超越人类的水平，科学狂人或科幻家也许喜欢这样预测未来，博得眼球，但科学家需要脚踏实地做有意义的工作。所谓奇点是根本不可能的。未来学家这样去臆测也许是他们的工作；政治家、企业家、实践学家向这个方向去推动则是缺乏理性、责任和常识；而科学家和技术人员去应和，鼓吹这些则是动机可疑了？
人工智能脱离人类掌控？这种可能性不能排除。但要是咬文嚼字的话，如果是计算机的超级进步涌现出智能，以至脱离人类掌控而自行其道，那还何谓“人工”？这就变成“自然智能”。我认为“世界的控制权会不会由人工智能主导”这类题目定义就不严肃，无法也无益做科学讨论，也不能被科学预见。
【Ning】能否通俗科普一下机器学习的几个大的技术方向，和它们在实践中可能的应用。
【邢波 Eric P. Xing】很难科普的讲，不使用专业术语。机器学习不过是应用数学方法体系和计算实践的一个结合，包罗万象。比如图模型（深度学习就是其中一种），核（kernel)方法，谱(spectral)方法，贝叶斯方法，非参数方法，优化、稀疏、结构等等。我在CMU的机器学习课和图模型课对此有系统全面的讲解。
机器学习在语音、图形，机器翻译、金融，商业，机器人，自动控制方面有广泛的应用。很多自然科学领域，例如进化分析，用DNA数据找生物的祖先（属于统计遗传的问题），需要建模，做一个算法去推导，数学形式和求解过程与机器学习的方法论没有区别。一个成熟的，优秀的机器学习学者是应被问题、兴趣和结果的价值去激励、推动，而不是画地为牢，被名词所约束。我本人在CMU的团队，就既可以做机器学习核心理论、算法，也做计算机视觉、自然语言处理，社会网络、计算生物学，遗传学等等应用，还做操作系统设计，因为底层的基本法则都是相通的。
【李志飞】大数据，深度学习，高性能计算带来的机器学习红利是不是差不多到头了？学术界有什么新的突破性或潜在突破性的新算法或原理可以把机器学习的实际应用性能再次大幅提升？
【邢波 Eric P. Xing】大数据、深度学习、高性能计算只是接触了机器学习的表层，远远不到收获红利的时候，还要接着往下做。算法的更新和变化还没有深挖，很多潜力，空间还很大。现在还根本没做出像样的东西。另外我要强调，机器学习的所谓红利，远远不仅靠“大数据、深度学习、高性能计算”带来。举个例子，请对比谷歌和百度的搜索质量（即使都用中文），我想即使百度自己的搜索团队也清楚要靠什么来追赶谷歌。
【Ning】世界各国在机器学习方面的研究实力如何？从科普的角度来看，人的智能和人工智能是在两个平行的世界发展么？
【邢波 Eric P. Xing】不太愿意评价同行的水平。人的智能和人工智能可以平行，也可以交互。
【杨静lillian】您既是计算机专家，还是生物学博士，在您看来，如果以未来世界整体的智能水平作为标准，是基因工程突破的可能性大，还是人工智能领域大，为什么？
【邢波 Eric P. Xing】基因工程其实突破很多。在美国和全球转基因的食品也有很多。胰岛素等药物也是通过转基因菌株来生产，而不是化学合成。诊断胎儿遗传缺陷的主要手段也基于基因工程技术。但是舆论风向在变，也不理性。例如我小时候读的《小灵通看未来》里，“大瓜子”等神奇食品现在已经通过基因技术实现。从技术上看，我们已经实现了这个需要，但公众是否接受，是个问题。科学家要对自己的责任有所界定。例如造出原子弹，科学家负责设计制造，但怎么用是社会的事。
人工智能领域也已经有很多应用型的成果，但也还有很大空间。人工智能就是要去达到功能性的目标，有很多事情可以用它去达成，但这里不见得包括感情思考。人的乐趣就是感情和思考，如果让机器代替人思考，我认为没有这个需要。
靠基因工程提升人的智能基本不可能，人的成就也未必与基因完全相关，例如冯.诺依曼，很大程度是后天环境教育形成的。基因只是必要条件，而非充分条件。作为一个生物学博士，我反对用基因工程改变人的智能的做法，认为这很邪恶。科学家应该对自然法则或上帝有所敬畏。在西方，优生学是不能提的，因为它违反了人本主义的原则和人文人权的理念。我个人认为这个题目在科学道德上越界了，是不能想象的。
【杨静lillian】您说过美国的大脑计划雷声大雨点小，请问欧盟的大脑工程您怎么看，会对人工智能发展起到促动作用么？或者说，人工智能研究是否应以人的大脑为模型？
【邢波 Eric P. Xing】欧洲大脑工程的争议很大，包括目标和经费分配。但这个目标也提升了社会和公众的对于科学的关注，工程的目的不用过于纠结。这个项目就是启发式的，培养人才，培养科学实力的种子项目。
大脑工程，无论欧洲和美国，对人工智能发展没有直接的促进作用。以仿生学来解释人工智能工程上的进步，至少在学术上不是一个精确和可执行的手段，甚至是歧路。只是用于教育公众，或者通俗解释比较艰深的科学原则。
人工智能不必也不应以人脑为模型。就像飞机和鸟的问题，两者原理手段完全不同。人工智能应该有自己的解决办法，为什么要用人脑的模型来限制学科的发展？其实有无数种路径来解决问题，为什么只用人脑这一种模板？
机器学习领域应多元探索，巨大潜力与空间待挖掘
【李志飞】更正一下我的问题: 现有的机器学习算法如深度学习在利用大数据和高性能计算所带来的红利是不是遇到瓶颈了？(至少我所在的机器翻译领域是这样) 接下来会有什么新机器学习算法或原理会把大数据和高性能计算再次充分利用以大幅提升应用的性能？我觉得如果机器学习领域想在应用领域如机器翻译产生更大的影响，需要有更多人做更多对应用领域的教育和培训，或者是自己跨界直接把理论研究跟应用实践结合起来
【邢波 Eric P. Xing】机器学习的算法有几百种，但是目前在深度学习领域基本没有被应用。尝试的空间还很大，而且无需局限在深度学习下。一方面机器学习学者需要跨出自己的圈子去接触实际，另一方面应用人士也要积极学习，掌握使用发展新理论。
【杨静lillian】您认为谷歌是全球最具领导性的人工智能公司么？您预测人工智能技术会在哪几个领域得到最广泛的应用？人工智能产业会像互联网领域一样出现垄断么？
【邢波 Eric P. Xing】谷歌是最具有领导性的IT公司。世界上没有人工智能公司，公司不能用技术手段或目标定义名称和性质。人工智能是一个目标，而不是具体的一些手段。所以有一些界定是不严肃的。关于应用领域前面已经谈过了。
【杨静lillian】您曾经比喻，中国的人工智能领域里，有皇帝和大臣，您怎么判断中国人工智能产业的发展水平和发展方向？最想提出的忠告是什么？
【邢波 Eric P. Xing】中国整个IT领域，以至科学界，应该百花齐放，有的观点占领了过多的话语权，别的观点就得不到尊重。目前业界形成一边倒的局面，媒体的极化现象比较严重。建议媒体应该平衡报道。中国目前深度学习话语权比较大，没人敢批评，或者其他研究领域的空间被压缩。这种研究空间的压缩对机器学习整个领域的发展是有害的。学界也存在有人山中装虎称王，山外实际是猫的现象。坦率的说，目前中国国内还没有世界上有卓越影响的重量级人工智能学者，和数据科学学者。中国需要更多说实话，戳皇帝新衣的小孩，而不是吹捧的大臣、百姓和裸奔的皇帝。不要等到潮水退去，才让大家看到谁在裸奔。
现在一些舆论以深度学习绑架整个机器学习和人工智能。这种对深度学习或以前以后某一种方法的盲目追捧，到处套用，甚至上升到公司、国家战略，而不是低调认真研究其原理、算法、适用性和其它方法，将很快造成这类方法再次冷却和空洞化，对这些方法本身有害。行外人物、媒体、走穴者（比如最近在太庙高谈阔论之流）对此的忽悠是很不负责的，因为他们到时可以套了钱、名，轻松转身，而研发人员投入的时间、精力和机会成本他们是不会在乎的。美国NSF、军方和非企业研究机构与神经计算保持距离是有深刻科学原因的，而国内从民到官这样的发烧，还什么弯道超车，非常令人怀疑后面的动机和推手。
【杨静lillian】确实如您所说，现在大多数中国企业或学术机构，被一个大问题困扰。就是缺乏大数据源，或者缺乏大数据分析工具，那么怎样才能搭上大数据的时代列车呢？
【邢波 Eric P. Xing】首先我没有那样说过，我的看法其实相反。即使给那些企业提供了大数据，他们真会玩么？这有点叶公好龙，作为一个严肃的研究，应该把工具造出来。得先有好的技术，别人才会把数据提供给你。有时小数据都没做好，又开始要大数据，没人会给。可以用模拟，更可以自己写爬网器（crawler)自己在网上抓。例如我们的实验室，学生就可以自己去找数据源。研究者的心态有时不正确，好像社会都需要供给他，自己戴白手套。其实人人都可以搭上“大数据”这个列车，但需要自己去勤奋积极努力。
【杨静lillian】Petuum开源技术系统会成为一种大数据处理的有效工具么？可以取代Spark?
【邢波 Eric P. Xing】希望如此。更客观地说，不是取代。是解决不同的问题，有很好的共生、互补关系。
中国学术界的原创性待提高，缺乏灯塔型领军人物
【刘成林】@杨静lillian问题提的好！期待详细报道。另外我加一个问题，请Eric给中国人工智能学术界提点建议，如何选择研究课题和如何深入下去。
【邢波 Eric P. Xing】希望中国人工智能学术界要对机器学习、统计学习的大局有所掌控，全面判断和寻找，尚未解决的难题。这需要很多人静下来，慢下来，多读，多想。而不是跟风或被热点裹挟。得有足够的耐心，屏蔽环境的影响和压力。在技术上得重视原创性，如果只把学术看成是一个短时期的比赛，价值就不大。得找有相当难度，而自己有独特资源的方向，就保证了思想的原创性和资源的独特性。要分析清楚自己的优势。
例如我们做的Petuum，很多人就不敢碰。我们开始时甚至都不懂操作系统，从头学；我们放缓了步子，两年近十人只出两篇文章。但不尝试怎么知道？得给自己空间。
【张宝峰】邢老师提到过在机器学习领域，美国可以分成几个大的分支，比如Jordan
算一个，能否再详细的阐述还有哪些其他分支和流派？
【邢波 Eric P. Xing】这算八卦。原来有几个流派，但现在流派的界限已经非常模糊了。
【刘挺-哈工大】您认为哪些方向或组织有希望出现领军人物？
【邢波 Eric P. Xing】国内的同行思路有些短板，所以研究领域比较割裂。上层不够高，下层也不够深，横向也不宽，因此扎根不够，影响有限。所以比较缺憾，体现为很多割裂的领域。
在中国的企业界和学术界哪里会出现领军人物？这个问题我认为：对什么叫“领军人物”国内的同行的定义还相当肤浅，功利。除了商业上的成功，或者学术上获奖，这些显性成就，还需要有另外的维度。例如从另外一个角度，具有个人魅力，他的思想、理论、人格被很多人追随和推崇的，有众多门生甚至超越自己的，就没有。中国的研究者不善于建立自己的体系，去打入一个未知的境界，做一个灯塔型的人物。这种人物在中国特别少，基本上没有。
在美国M.Jordan就是这样的人物，就有灯塔型的效应，被众人或学术界效法，敬佩，和追随，包括他的反对者。他也不是中国最典型的最年轻教授等成功人物，而是大器晚成，到了45岁才开始发扬光大，上新台阶。但他的做为人的魅力（会五国语言，年轻时弹琴挣钱，平时风趣博学）；他的勤奋自律（到Berkeley后正教授了还和我们一起在课堂听课，从头学统计，优化，到现在还天天读文献）；他的工作和生活的平衡（现在自己组乐队，和孩子玩儿）；他的众多学生的成就（很多方向和他大不相同，甚至相对）；他的严谨，严肃的学风；和他的洞察力。这些都是除了学术成就之外他成为领军人物的要素。我们国内知识分子接近这个境界的太少了。不要说学术上的差距，就连上餐桌品酒、懂菜，说话写作遣词造句的造诣都差不少。所以，先不要急出领军人物；先从文化上培育土壤，培育认真、一丝不苟的习惯和精神，培育热爱教学、热爱学生的责任；培育洁身自好、玉树临风的气质；注重细节、小节、修养，再由小至大、由士及贤、由贤入圣。在这个境界上，学问就变成一种乐趣了，就可以做出彩了。
【张宝峰】欢迎回国，把Pleuum变成实际产业标准。
【邢波 Eric P. Xing】不是没有可能，但也需要好的平台和环境、机缘。这次回国参会，很兴奋的是，学术界和产业界都对机器学习的技术有很大的热情，也有信念去获取成功，相当积极。我个人的观点，通过交流，收获很大。期望这种交流继续，也期待国内的学界、媒体、企业能够共同促进产业生态的发展，利益多样化。可以是金钱的成功，也可以是原创性的增长。而不是被某一个目标来一统天下。
如果回国发展，应该有更多商业上的机会。但是国内的起点低，有些规则两国不一样。现在人生的目标不是钱，而是对乐趣的满足，以及服务社会。实现自我的价值，也让家人，朋友，学生，师长，同事开心。
下个月还有机会回国，到时也期待与大家继续交流互动。非常感谢@杨静lillian 提供这个和大家交流的机会。也钦佩她专业敬业。这次结识很多朋友，后会有期！
【李志飞】以前看您的论文时觉得比较理论化，而从应用研究者的角度很难快速的知道怎么去实用到自己领域中。以后论文是不是都加一个session, 指导性的讲讲怎么应用到相关领域。当然这是假设该论文有实用价值，有很多机器学习论文都是没有的
【邢波 Eric P. Xing】我自己的论文，相当一部分是非常适于应用的（比如我们在ACL，EMNLP，ISMB等的获奖论文，我们在CVPR上的很多工作，和最近我们Petuum的工作。）你要是去看机器学习专业论文，那就应该谦卑的去服从他们的规则。就像我本人看纯数学家的论文需要花几个月去搞懂背景知识；我看生物、语言学文章也需自己从他们模糊的不精确的表述中提炼严格的数学形式一样。我认为这是我作为读者的责任和乐趣。每一个成熟的研究者和工程师应该有能力从论文中读出自己能用的东西。
【Ning】很赞Eric 回答问题的思路。他是典型的厚积薄发。@杨静lillian 沙龙很有范儿! 这些讨论很有启发性。
【静点评】感谢邢波教授此次回国特地安排时间与群友沟通分享。虽然他平时在群里讨论或行文时言辞犀利，但见到他本人时，却发现他是一个风度翩翩、玉树临风、儒雅渊博的“中国式”学者，甚至比许多中国本土学者还有“中国风”——邢教授经常围着一条有范儿的围巾，看起来像是从电影里走出来的民国时期名教授。他的许多观点得到了大家的赞许，例如知识分子要有自己的独立思考，不宜盲目跟风，或者仅仅追求名利以及短期利益，也应该有长远眼光和缜密判断。在美国，科学家并不像中国这样，是公众舆论的中心，但也让他们可以安心学术，少受环境干扰。针对国内一个普遍的问题，如有庞大数据和计算能力支撑的大企业才能玩转大数据，邢波教授他们研发了开源的Pleuum系统，让更多开发者有更多机会搭上大数据的列车。
邢波教授感叹中国业界缺乏灯塔级的领军人物，但国内学术界和产业界都对机器学习的技术有很大的热情，获取成功的动机强烈，也意味着机遇。他在美国机器学习领域已经成为了主流学术的中坚，他的学生们也纷纷在学界业界成为新一代领袖，我们也期待他的研发成果与学术经验能更给中国业界更多启迪与反思。相信这类线上线下的交流，能为中国大数据和人工智能业界创造更多双赢空间。
作者: 杨静 微信公众号：杨静lillian 转载请注明
阅读记录: read once