?如果 AI 是人類的未來，那Google 或許也是 AI 的未來。

?人工智能（AI）領域里 Google 在全世界具有毋庸置疑的領先地位，從 2011 年 Google Brain 項目啟動開始，逐步從 Gmail、Google Photo、GoogleTranslate、Google Assistant……開始，AI成了一系列谷歌產品和基礎服務的標配，再到 2015 年底谷歌開源 TensorFlow，谷歌給全世界開發者提供了進入 AI 領域的通行證。

?谷歌無疑是主導 AI 這場變革的最關鍵力量，也一定程度上成了規則的制定者。

? Greg Corrado 是Google Brain 創始成員之一，也是谷歌人工智能和機器學習方面的高級研究員，也是谷歌大規模深度神經網絡項目的聯合技術主管， 簡單來說——關于 AI 的未來他是這個星球上最有資格發言的人之一。

?極客公園有機會在 Greg 停留北京的時候和他有了面對面的交流，于是我們向他問了 8 個問題，關于人工智能以及人類的未來，關于未來，你想知道的都在下面：

?開源 TensorFlow，讓谷歌成為規則制定者

Q1：Google 開源 TensorFlow 的意義和最終目的是什么？

TensorFlow 是谷歌內部研究人工智能和機器學習的一個工具，谷歌在 2015 年 11 月宣布將其開源給公眾使用。任何人想要學習或開發包含人工智能的工具都可以使用它，它實際上是一個開發工具，并且存在于谷歌的云服務中。

TensorFlow 在建立和訓練神經網絡方面速度要比第一代系統快 5 倍，而且更加靈活，可支持 CPU、GPU、桌面機、服務器和移動計算平臺，即可跨數據中心運行，甚至在智能手機上跑。

一個不算太恰當但易懂的例子是——TensorFlow 就像 AI 世界里的 Android。

全世界的開發者都可以通過它來開發和驗證自己的機器學習設想，并且 Google 在 TensorFlow 中還提供了很多現成的機器學習軟件供人使用，未來還將以 API 的形式為開發者提供打包系統。

這樣一來全世界的 AI 就共享同一套研發體系，可以更快更無障礙的加速整個 AI 領域的發展。 統一標準的制定會讓人工智能在全世界的技術突破到來更快，在各領域的運用更加普及，而谷歌一定程度上是這一標準的制定者。

讓 AI 更像人，無監督學習代表未來

Q2：對人工智能來說，有監督學習和無監督學習哪個更適合未來？

在機器學習和人工智能領域，機器學習可以分為有監督學習、無監督學習，或再加一個半監督學習。

通俗解釋有監督學習可以拿圖像識別作為例子：給人工智能展示 100 萬張貓的照片，然后不停告訴它「這是貓」，通過數據積累和算法，人工智能慢慢就能識別貓的圖像。

而無監督學習是在人類和動物中占據主導地位的學習方式，我們通過觀察能夠發現世界的內在結構，而不是被告知每一個客觀事物的名稱。簡單來說：展示整個世界，然后通過自己總結得出「這是貓、那是狗」的結論的學習方式。

而目前，絕大多數甚至幾乎所有的已投入實際應用的機器學習系統都是有監督學習。

可以實現通過無具體樣本自動學習的無人工監督的機器學習在 AI 研究領域非常吸引人，每年都有相關的很多學術研究和論文出現，不過目前還沒有發現任何已投入到實際應用的成果出現。

但所有人都期待未來能有創新的研究人員找到辦法實現它，無監督學習對于重新點燃深度學習的熱潮也起到了促進的作用，谷歌希望無監督學習在長期內越來越重要，因為這讓人工智能可以更像人的去學習和認知這個世界。

量子計算？也許有用，但很遙遠

Q3：量子計算機對人工智能的未來會有多大影響?

對人工智能的發展來說，「計算能力」的提升是一個非常重要的基礎，而量子計算的出現或許能夠使人類在計算能力有質的飛躍，前提是它能夠實現的話。

量子計算目前只是一個非常活躍的學術研究領域，在非常遙遠的未來，可能會有一些實際的使用。但是到目前為止，它仍然是一個讓人驚艷的物理學方面的學術性的實驗，即便是應用到工程設備上都還需要很長時間。

如果在我們的有生之年，真的造出了一臺量子計算機，它確實能夠極大的提高運算能力，那么它的確能使人工智能實現更多可能。但是到目前為止，關于量子計算到底能不能實現學術界也仍在爭論不止。

「我只能說，祝這一領域的物理學家們好運。」

就像人腦，人工智能的未來也是各司其職

Q4：未來會不會出現一種通用的全能型神經網絡，什么都能做？

在人工智能領域有著幾種不同的神經網絡，CNN、RNN、RNN-LSTM 等，每種神經網絡都有所擅長的領域，例如 CNN（卷積神經網絡）更多用于圖像識別、RNN 則在語意識別領域表現出色。

在 Greg 看來，未來并不太可能出現通用型的人工智能系統。因為在可預見的未來里，人工智能系統最好的方式依然是專門架構，針對專門領域任務，這才是人工智能可能能發揮最大效能的一種方式。

就算未來真的有人開發出這樣一套通用的神經網絡系統，但那個系統肯定速度更慢，更全能意味著需要更大的結構和預算能力，也就意味著會更雍容和緩慢，而且也必然會比這些專門用途的智能系統效率更低。

有時候全能反而意味著全面平庸，讓每個部分精其所精，這才是人工智能未來的方向。

AI 和隱私，這不是一個顧此失彼的問題

Q5：眾多 Google 的 AI 服務中都需要用戶的隱私數據作支撐，谷歌如何看隱私保護問題？

例如 Gmail 的智能回復、安插在Google Allo 中的 Google Assistant、Google Photo……等等的人工智能產品，提供服務的前提就是需要事先讀取用戶的郵件、信息、照片等隱私信息，雖然用不用的決定權在用戶手里，但就算使用對自己隱私的保護訴求也是天經地義的。

就像蘋果所提出的差異化隱私的技術，Google 也正在著手去開發更多的隱私保護技術，目前整個行業在推進 AI 發展的同時也同樣重視隱私的保護技術。

因為隱私保護的訴求在未來一定會是一個基礎訴求，就像現在互聯網的 HTTP 和 HTTPS，隱私需求正在變得越來越普遍，也越來越受到重視，因為人們正在把越來越多的東西放到網上。

AI 和隱私保護技術不應該是一個誰先誰后、誰更重要的關系，而是相輔相成、同步促進的共存關系。

AI 始終只是個工具，一種人類智能的延展

Q6：人工智能未來是否能像人類一樣智能甚至遠勝人類？

人類對人工智能的幻想和恐懼由來已久，尤其是當人工智能在一個又一個領域戰勝人類之后……

但 Greg 認為人與機器之間的互動中，人類其實是通過使用機器學習開發工具和新的技術，實現對人的腦力、智力各方面能力的一個輔助和增強。

這樣的事情古而有之，比如說紙和筆的發明，就是可以增強人的記憶力，還有計算器、電腦，都是同樣的道理。現在的搜索、機器翻譯，圖片識別，事實上同樣的，也只是更多被開發出來去拓寬人腦力邊界的工具而已。

可以用辦公自動化為例子，以前的辦公室是用打字機來打字，還要人工、人力去檢查核對，以及用紙質文件辦公，而辦公自動化在解放人類、優化工序、提高效率方面作用顯著。

機器學習、人工智能其實和上面的例子一樣，只是另一種技術革新，它能夠讓人類專注于更新、更重要、更能發揮創造力的那部分工作。

同時 Google 也為人工智能擁有正確的方向，主導建立了一個名為 Partnership on AI to Benefit People & Society 的組織。很多公司在這個開放式的討論平臺上探討關于人工智能技術如何與人類、社會、經濟等良性共生的話題，甚至是公開辯論，以此促進人們對人工智能技術的理解。

Google 的觀點是把這類話題和挑戰更多的放到桌面上公開討論，要好過由各家公司私下研究。

AI 不會只是巨頭的游戲

Q7：AI 領域中很多小規模公司認為自己在競爭中處于弱勢地位，無法和大公司競爭，人工智能是否只適合巨頭?

并不是這樣，公司分大小，而創意不分大小。

就像 IBM 沒有阻止微軟做大，微軟也沒有阻止谷歌做大，谷歌也沒有阻止 facebook 去做大……機會永遠存在，只是在把握機會的能力上大公司會有更多的可能性。

大小不同的人工智能公司另一個區別在于數據量，大公司意味著擁有更多的用戶數據，但關于數據卻有一個非常有意思的現象——數據隨著數據量的增大，邊際效益在不斷遞減。

在 2016 年，人們可以非常容易獲得足夠量的數據資源，大小公司的數據量差異其實并不會帶來實質性差距。

所以對于 AI 公司來說，其實數據并不是關鍵，關鍵的是人的創造力、天分，以及計算資源。

?AI 的未來不是工程師說了算，而是普通用戶

Q8：未來 AI 最有前景的領域會在哪？

一切都還在探索，不過很可能會在那些目前還沒發力的新領域，而這一切都是由普通用戶決定。

要知道 Gmail 的郵件智能回復最早是在 2009 年愚人節的時候提出來的，那天 Google 和全世界 Gmail 用戶開玩笑說「Gmail 以后將會幫你回郵件」，但 6 年以后，這個玩笑變成了真的。

這樣的事只要有足夠的合理性，實現是遲早的事。但需要的更多不是工程師，而是 CEO、有生意頭腦的人和普通用戶。這些人視野更廣泛，工程師很多時候并沒有這樣的頭腦和需求，他們想不到這樣的未來。

就像互聯網一樣，目前在人工智能領域，很多人在做各種各樣的探索，而 Google 認為，以后在制造領域、能源領域、醫療領域，人工智能都有非常大的增長空間，因為在這些領域人工智能還沒有做太多的東西。

去推動這些事情進展的最好方式，應該是讓以上那些領域的專業人士更多地了解什么是機器學習，然后才會有更多的可能性。

這又說回了 Google 開源TensorFlow 的意義，讓更多人了解人工智能，讓 AI 融入到更多行業中，如此才會激發更多想法和需求，從而極大加速人工智能的發展。