吴恩达专访：我的人工智能科研之路

AI科技评论 · 公众号 · AI · 2020-03-06 12:36

正文

任何进阶技能都可回溯到基础概念。

当然，对人工智能感兴趣的人非常多，这里面可能包括开发商，程序员，他们可能来自世界各地。确定的是，感兴趣的人数还会随着时间的推移而增长，所有的这些东西都不会凭空而来，所有一蹴而就的成功都需要花时间才能实现。

我第一次接触到在线教育是把我在斯坦福讲课的视频传到YouTube上面，随后也建了网站，建造网站的好处是让我可以进行迭代，让我们实现一些想法。

当时非常兴奋，尤其开发了一个特别的登录功能，即可以让多个人同时登录此网站，能够让多人同时看视频。当前的一些网站大多不支持此项功能，毕竟如果你已经登录了，我再想登录，那么只有你注销才可以。

当然也有许多失败的教训，其实如果有一些东西看起来很棒，然后没有人使用，那么它实际上并没有你认为的那么棒。

2、机器学习会像教育一样普及

整个机器学习运动的兴起，并不是凭空而来，越来越多的人在学习机器学习，进入这个领域的人还会影响他的朋友，所以这个AI学习者的比例还会不断的增长。

尚不清楚AI开发人员占总开发人员的多少，但是占到50%以上的比例还是非常轻松的。毕竟AI不仅涉及机器学习建模，还要涉及机器学习基础设备、数据管道等。就像今天的开发工程师或多或少的都对“云”有些理解，但并不是都在工作里需要“云”。我认为这种现象以后在某种方式上会适用于AI开发者。

曾几何时，只有一小部分人识字，也许你认为不是每个人都需要学会读和写，这些人只需要听就够了？但是当一个国家的人基本上都认识字的时候，这大大的促进了人与人之间的交流。

在计算机方面，仍处于这个阶段，如果人人都认识代码，都晓得机器学习，这在某种程度上类似于识字教育普及。

但随着机器学习和数据规模的上升，我发现的是，我认为在日常生活中，在工作中具体使用数据分析的人数非常多。如果你在经营一家商店，如果你能分析你的客户的销售数据，那么你的价值非常高。

在某种程度上这些人是数据科学家，因此，我认为机器学习的数据迹象可能比软件工程更容易进入发达国家。

3、无监督学习很重要！

Peter是我的我第一个博士生，他有着评判性思维，当时他的博士学位研究主题是用强化学习控制无人直升机，直到现在你都可以在斯坦福网站上看到这些视频。

这项研究非常难，有一些事情无法克服，例如当直升机倒飞时，你如何找出位置？如何定位直升机？我们尝试了很多方法，但显然问题出在GPS硬件上，当时想过用两个GPS定位，但没有成功。为了解读GPS信号，我们疯狂索复杂的专门硬件配置，经历了很多失败，最后解决方法采用在地面上安装摄像头解决定位问题。

斯坦福那时候有很多强化学习的理论文章，但是实际应用并不多，所以我们的研究在当时非常有名。

我们今天可能又回到了原点，强化学习的进展目前如此令人兴奋，但我们仍然在寻找更多的应用场景。

我非常喜欢研究理论，我希望我所做的工作会对人们产生积极的影响。我还记得，多年之前，我们和一位数学教授讨论的时候，当他说道他想做的事情的时候，他的眼里充满了小星星，他说我之所以研究数学，是因为它帮助人们发现真相以及宇宙的美丽。

所以，全力支持以及带着尊重看别人的观点非常棒，当我看到我的团队正在帮助人们的时候，也会非常有动力。

这个世界上需要各种各样的人，我只是其中一个，并不是每个人都像我一样做事情，但是当我钻研理论或者实践的时候，如果我坚信这是一条帮助别人的道路，满足感就会非常强烈。

我们也有忽略的东西，那就是早期无监督学习的重要性，在谷歌大脑的早期，我们在无监督学习上投入的精力远超有监督学习。

当前我们所知道的大部分都是通过有监督的学习来实现，从绝对有问题的论点来看，人类获取信息的方式是通过查看图像、收听音频和感悟他在这个世界上的经历。所以无监督的学习非常重要，当然，这不是说有监督学习不重要，毕竟早在几年前，很多人认为这才是进步的方向。

但是我们对“规模”的探索可能是正确的，毕竟规模能够为系统带来性能。我在斯坦福小组的名为 Adam 成员经过实验发现，我们训练的学习算法规模越大，效果越好。为此他还画了一个图，并说服了我：当模型的规模比在GPU上所做的大的多的时候，便能够得到一个非常好的结果。

或许这是一种有争议的文化，当时有很多朋友都说我追求规模的举动非常糟糕。但是我发现，如果你想取得突破，你必须对你所做的事情有信心，在事情流行之前做一些事情，会让你更有影响力。