谷歌大脑负责人 Jeff Dean ：让机器学会学习，专用硬件很有前景
近日，谷歌背后的“大脑” Jeff Dean 接受了 Gigaom 的访问，谈及了这些工作和未来的主攻方向，也分享了他个人对于通用人工智能、机器学习以及人工智能应用的一些见解。
提到谷歌大脑，一定要提到它背后的“大脑” —— Jeff Dean ，他于 1999 年加入 Google ，带领团队完成了一系列令人瞩目的工作，如支持谷歌运行的超大规模计算框架 MapReduce ，以及你正在使用的 TensorFlow 等等。
作为谷歌大脑的负责人，他仍在进行一系列开创性的研究工作。近日，Jeff Dean 接受了 Gigaom 的访问，谈及了这些工作和未来的主攻方向，也分享了他个人对于通用人工智能、机器学习以及人工智能应用的一些见解。
那时候公司很小，在 Palo Alto 一栋二层办公室里。我们有一张乒乓球桌和吃不完的东西。在那兴奋和充满活力的日子里，我们怀着改变世界的心情研发一款如今人人都在用的搜索引擎，也为它倾注了无数的心血。
在过去的十七八年里，哪些是你认为做过最棒的工作？
首先我为我们的广告系统搭建了最早的框架，并进一步改进维护升级了它。 随后几年我和其他同事把主要的精力放在了核心搜索系统上。
当用户向 Google 提问时，我们必须非常迅速的分析出哪一个页面是与问题最为相关的，并为用户返回一系列结果。同时在后台还有一整套服务系统，当用户向 Google 提问时，它需要来决定将问题分发给哪一台计算机来解决。在这些工作中，我主要负责核心搜索系统和索引系统。
我们在其中投入了相当大的研究精力来进行机器学习和人工智能的研究，并利用这一系列研究成果来构建智能系统。
我们也致力于将这些技术嵌入到现有的产品中去。我们经常与 Google 不同的团队合作开发更加智能化的产品。同时我们也进行一部分纯粹的、没有太清晰产品规划的研究，目的是不断增强和提高我们的系统能力。
现在都在谈论人工智能，你认为人工智能是什么？
这是一个在计算机发展早期就提出的概念。我认为它本质上是构建一个显示出智能的系统（主体、结构、程序）。
我们希望构建出一个表现出智能特征的系统，但对于狭义的人工智能来说，特指一些能够处理特定任务的智能系统，这就需要十分特定的智能。
但我们依旧想构建出一套足够灵活、可以处理不同事物的智能系统。在狭义人工智能的领域我们已经取得了重要的进展，但对于更开放的灵活智能问题至今仍然面临着巨大的挑战，还需要很多的研究人员投入无数的精力为之奋斗。
你是否认为人工智能是在模拟智能？
我认为的人工智能会展现出一系列我们认为是智能的特征。虽然生物学和硅基智能有不同的优劣，但是我们真正关心的是：“这一系统是否真正有用，是否能拓展增强人类的智能水平呢？”
对于通用人工智能出现的时间，为什么相差会如此之大？
这主要是由于我们对自己真正的需求还不确定造成的。一些人认为这即将来临，另一些人认为还有漫长的路要走。而我的观点是：二三十年后可能出现拥有很多智能特征的系统，但是我对我的期待保留很高的误差。
通用人工智能将会是完全不同的领域，你同意这样的说法吗？
我们已经触及到了构建通用人工智能系统，我承认还有很多的问题没有解决，但我认为我们今天所从事的研究将会成为未来通用人工智能的一部分。
你认为你能见证通用人工智能的到来吗？
在不远的 15 、20 年后，世界上会出现很多现在还无法想象、我们没有的东西，时间将为我们呈现出我们从未见过的未来。
你怎么看待机器的意识或者人工智能会产生意识这件事？
我不知道，我平常都会避免卷入这样的哲学争论中去。对于我而言，意识就是生物系统的一系列神经元的电脉冲活动，并让其意识到自我和因果等等。从这个角度看，意识并不是什么特殊的东西，它只是智能系统所展现出的多个特征中的一个而已。
你觉得未来会不会产生不断解决人工通用智能的机器？
我认为这会是人类社会的一大进步，人工智能将会应用在生活的方方面面，可能不是那么伟大的地方，但确实会从每一个地方改变我们的世界，推动人类社会。
如果现在我要处理一个问题，需要花 10 个小时来解决。那么在未来，这一切的都可以用一句“帮我找到 XX 领域的文章并总结给我”解决，可能只需要 20 秒，这样的人工智能一定会对我们的工作产生巨大的帮助。
我们需要可以应对多种任务的通用人工智能，可以处理成千上万、甚至是从未遇到过的事情。我们希望它可以从自身的经验学习，将上百种事物的经验迅速移植推广到上千种不同的事物上去。
这最后将会称为元学习，在不需要专家的帮助下学会很多的工作。它可以随着时间不断改进自己的能力，并基于已有的经验拓展新的能力。
这听起来像是迁移学习？这是一个全新的领域吗？
如果我有一堆任务需要完成，那么我先学会其中的三个任务，随后利用这三个结果来学习第四个任务，一步一步进行下去我们就能得到一个不依靠人类帮助的学习系统了，它可以自己学习处理新的任务。
多任务学习和迁移学习已经在小规模上成功，但我们需要在更大规模上验证它的有效性并实现它。
你如何看待“人工智能将减少人类的工作机会”这个问题的？
我认为在某些行业自动化的确会逐渐取代很多工作岗位，而且这是每个时代都会发生的事情，就像工业革命对农业和手工业造成的冲击一样。但是人们总能发现新的工作机会，或者总会有新的工作等待着人们去处理。
我承认一定会有很多人在这一大潮中失去工作，这很不公平。很多工作将被自动化更好的完成。我想指出的是，最容易被自动化代替的是日复一日的重复劳动，而那些每天都面临不同挑战的工作是不会那么轻易被取代的。
我参与研究了一些医疗健康方面的问题，我认为机器学习可以为健康领域带来不一样的改变。同时我还致力于如何构建出适合于机器学习的计算机软硬件系统，可以为我们提供快速实现验证机器学习想法，并可以大规模应用。
如果实现了通用人工智能，将会出现下一个 Google 吗？
我认为它可能出现在任何地方。我们在这个领域做了相当广阔的努力，这是一个十分重要的领域值得我们不断推进。但通用人工智能是一个十分长期的目标。
除了 GPU ，你觉得还有哪些事件的发生带来了人工智能的复兴？
GPU 确实是很重要的一点，但我认为最根本的还是我们认识到了神经网络等机器学习模型与现在在计算机上运行的大多数代码实际上具有不同的计算特性。除了 GPU ，谷歌也开发了一种新的定制芯片 —— TPU ，它的精度比 GPU 更低，并具有显著的性能优势。
但是，如今的神经网络和机器学习模型适用于非常广泛的领域，比如语音识别、机器翻译等。所有这些东西都可以使用相同的基础元素来加速线性代数去实现完全不同的事情。因此，我们可以开发适用于许多不同场景的专用硬件。
请分享一些你近期工作中令人振奋的成果
我想我有很多成果想和大家分享，来列举其中代表性的几个：
1. 机器学习在药物和医疗领域的应用是非常重要的。对于医生和其他医护人员来说，这将是一个巨大的帮助，让他们可以快速的获取病人的确切的病理信息，什么对病人是最有效的。
2. 机器学习将在未来 5 - 10 年成为一个非常有意思的新兴领域。我认为，这种“学会去学习”的工作将会带来更灵活的系统，在不需要太多机器学习技能的情况下，它们可以学习做新任务。
3. 在所有的机器学习工作之下，为特定的机器学习模型定制个性化的硬件也就会在未来五年成为一个很有意思的方向。
最后的最后，我认为机器学习的领域不仅涉及计算机科学，还能涉及很多人们正在钻研的领域。因此，我觉得目前的发展真的很令人振奋。这也正是在过去 的 5 - 8 年里，越来越多来自不同领域的人们都加入了研究，在这其中做着自己酷炫的事情。
责任编辑：刘海星
相关内容
微信扫码咨询专知VIP会员