编译 | Nurhachu Null; Rik R
作者 | Peter High
来源 | Forbes
Yoshua Bengio 是以神经网络闻名的人工智能领域中最著名的思想家之一。尽管在过去几年中，由于数据的激增、计算成本的降低以及大量的资金和人才被投入等推动力，人工智能领域已经发生了巨大的进步，但是 Yoshua Bengio 早在上世纪八十年代就选择了这个领域的研究，那是人工智能最痛苦的时代，有人称之为「AI 寒冬」，他见证了对人工智能的资金投入和热情已经消失殆尽的一段时间。
Bengio 与 Ian Goodfellow 以及 Aaron Courville 一道合著了《deep learning》一书，Elon Musk 曾称之为「深度学习领域权威教科书」。除了在深度学习学术领域日渐增长的影响力之外，在将蒙特利尔打造成一个人工智能的策源地的过程中，Bengio 也是极其重要的人物。在 2016 年的时候，Bengio 联合创建了 Element AI，Element AI 公开宣称自己的使命是「将世界顶尖的 AI 研究转化为变革性的商业应用」。它的目标就是培养私营企业和学术界之间的合作关系，以帮助推动 AI 的发展。
Bengio 认为，优秀的大学、有实力的公司（其中一些是硅谷公司在蒙特利尔设立的实验室）以及加拿大精英中的合作精神相结合，蒙特利尔已经成为了一个强大的 AI 军团。在下面给出一些更加详细的内容:
您估计深度神经网络目前处于什么阶段？
尽管我们已经取得了惊人的进步，但是计算机的智能还远远不如人类水平。大多数进展都是基于监督学习的，这意味着本质上机器是在被教着如何模仿人类。使用监督学习的方法，人类提供了让机器进行学习的高层次的概念，这些概念往往是比较单调乏味的，它们限制了机器自我发现新知识的能力。而在无监督学习，或者强化学习中，机器不仅仅是在被动的观察这个世界，或是观察人类做事的方式，而是与环境进行互动并获得反馈。人类精于此道。我正在从事的研究就是将非监督的深度学习和强化学习结合在一起。
要进一步实现非监督学习需要哪些步骤？
首先，我们必须理解我们所面对的是什么问题。这就是科学的工作流程。它不仅仅关乎创造新的事物，也关乎理解我们正在研究的算法和现象。如果我们仔细观察目前最先进的深度学习系统，我们就会发现，那些在数百万样本，或者数十亿样本上训练得到的系统，或者它们所犯的形形色色的错误，都在告诉我们它们对这个世界的粗浅理解。尽管一个动物也会对世界有着这种水平的理解，我们的发现也不能被视为是令人沮丧的。作为人类，我们有着更加深层次的理解，这使得我们比动物生活得更好，并且教动物去做事情，就像我们现在以同样的方式去「欺骗」神经网络产生错误的答案一样。
那么我们如何更进一步呢？ 我曾经将我的研究聚焦在「学习更好的表征」这个题目上长达十年之久，这是深度学习的核心，尤其是表征的「解耦」属性（disentangled）。解耦就是将不同的概念和解释区分开来—我们将它们称为因子—它们可以解释数据，可以解释智能体（agent）看到的周遭环境、智能体如何巡视这个世界。解耦可以捕捉到一些因果关系，用以解释我们看到了什么，机器又看到了什么。
我目前并不知道能够让我们实现这一目标的具体步骤。我是有一个项目，但是其中存在很多未知性。在进行研究的时候，从很多方向去探索是很重要的。这就是基础研究和应用研究之间的区别；前者是长期性的、探索性的；后者是把我们所拥有的东西进行精调，所以才能建立产品，并解决具体的问题。应用研究也是很重要的，因为 AI 正在深刻地影响着这个世界，既是商业性的，也通过健康照护、教育以及农业等方面。
你最近联合创办了一家名为 Element AI 的公司。这家公司的初衷是什么、它的使命又是什么呢？
初衷就是在蒙特利尔建立一个国际化的人工智能中心和一个全新的生态。为了创建这么一个既包含研究也包含创新元素的生态，我们需要许多伟大的公司参与其中。Element AI 就是先锋队中的一家。它在这个生态中占据了一个非常重要的市场定位。不像 Google、Facebook、Amazon、Microsoft、IBM 等公司一样，很多大型跨国企业都没有自己的科学家团队来从事 AI 研究。他们现在当然意识到了：如果他们不去把建立组织内部的 AI 提上计划，他们的业务就会朝着他们不想看到的方向发展。Element AI 为这些公司开发生产用具，并为其与当地的创业公司建立关系。
Element AI 的另一个重要的方面就是在公司内部和外部为从事 AI、机器学习以及深度学习等研究的研究者建立一个网络。这个由大学里和公司里的研究者组成的网络可以对任何新颖的想法展开探索。他们还与 Element AI 的应用研究者一起协作，所以他们能够站在各自领域的最前沿。例如，Element AI 正在进行的是一项被称为迁移学习的研究。这是机器的另一种能力：通过利用在其他的数据集或者问题上学到的东西来改善在一个新的问题上的学习。这意味着，在一个新的问题上，我们也许无需一个很大的数据集就能够得到较好的结果。
有没有具体的公司或者产业适合作为 Element AI 的客户呢？
来自产业界的回应很惊人，遍布所有领域。它们的需求已经超出了我们团队目前能够处理的范围。我们正在花大量时间招募新人。目前 Element AI 并没有聚焦在某一个特定的行业，而是在在很多领域中探索可能性并尝试开展一些项目。
如果一个正在开始它的人工智能之路的公司来找 Element AI，你建议他们从哪里开始？ 你建议他们从哪些模块开始开发？
首要是想出一个能够聚集这家公司中各类专家的一个策略。让那些对产品有不同视野人、能够看到未来发展方向的人、以及懂得这个特定的细分市场将来会受到哪些推动力并产生哪些需求的人。数据也是很重要的。公司已经积累了哪些数据？还能够收集那些数据？最后，我们还必须检查，从深度学习的视角来解决这个问题是否讲得通。我们能不能在合理的时间区间内设想出能够利用可预见的数据来解决这些难题的解决方案？一定会出现思想的交融：在来自于具有不同能力和专业技能的公司成员与提出很多推荐方案的 Element AI 的团队成员之间的死相交融。对大公司而言，可能会有一堆可行计划的组成一个组合，必须在实施之前对它们分出优先级，并进行评估。
除了企业家，你还是蒙特利尔大学的教授。这似乎正合你在前面描述的两个部分：一个是长期的、不会直接出成果的研究，一个是短期的、具有商业效果的 Element AI。你如何在二者之间分配时间？
Bengio：我的主要工作是学术。我是大学里的全职教授。我给 Element AI 和其他公司做顾问。我在 Element AI 和像微软这样的公司中的工作也主要是关于长期方面的。这是我的长项以及能力所在。我不负责处理公司具体的商业细节。
我也在建设蒙特利尔学习算法研究所（Montreal Institute of Learning Algorithms，MILA）。它就像一个大型初创公司，已经成为了蒙特利尔人工智能生态系统的核心。MILA 汇集了蒙特利尔大学和麦吉尔大学的机器学习研究员，已经吸引了大约 200 人参与进来。我们预计在未来的两到三年里将教授和学生的人数增加一倍。
在很多方面，如你所言，就像你在蒙特利尔大学和在 MILA 以及 Element AI 的工作都是关于建立一个生态系统。这么描述对吗？
社区的力量是必不可少的。很多成功都要归功于我的 MILA 实验室中所发展出的一种特定的文化氛围。我们的文化是把人放在舞台的中心。业界对于拥有专业知识的研究人员的需求是如此之高，因而我们必须像对待黄金那样对待他们。我们给予他们在社区中找到自己位置的自由，这样就可以尽可能地激励他们发挥个人的天赋来贡献和创造一些东西。
而且，与北美大部分地区的文化相比，魁北克文化不那么个人主义和推崇竞争。我们更有可能会合作，共同致力于去建设一些东西。加拿大正在做一些有趣且新颖的事情来吸引人工智能人才。你提到了把蒙特利尔建成人工智能中心的设想。为什么是蒙特利尔在这一领域取得了成功？学术界、城市政府、省政府之间以及商业团体之间的关系是否有助于促成一场人工智能革命？
你列举了一些重要的因素，但我认为关键的一点其实很简单：临界质量（critical mass）（译者注：发生核反应等事件所需的最小物质质量）。我的小组是首批研究深度学习的团体之一。它始于蒙特利尔大学对我们的远见的信任，允许我们在一个还未流行的领域招募更多的教授。然后就有了雪球效应。更好的研究员带来了更好的学生和博士后。这意味着我们能够发表更好的论文，因此我们吸引到了更多的国际知名度，这意味着我们可以招募更优秀的人才。
同样，当深度学习的商业价值日渐凸显，吸引到了更多的公司和投资者。这加速了该领域的发展。随着微软、谷歌、Facebook 等大公司相继造访蒙特利尔，我们在科学界和投资界变得更加引人注目。所有这些都激发了企业家精神。我的学生中有更多的人想要创办公司，而他们就在蒙特利尔做着这件事情。投资者过去常常要求我们的企业家去硅谷，但现在他们很高兴看到创业者们留在加拿大。
正如你提到的，不仅仅是蒙特利尔。多伦多正以同样快的速度向前迈进。我们已经在多伦多的向量研究所（Vector Institute）、蒙特利尔的学习算法研究所（MILA）和埃德蒙顿的阿尔伯塔机器智能研究所（Alberta Machine Intelligence Institute）之间建立了合作关系。我们正在为加拿大建立人工智能联盟（AI Consortium）。我们的目标是把加拿大打造成为科技版图上的人工智能国家。与美国和中国相比，我们是一个小玩家，但我们的临界质量将带来很大的不同。就像硅谷并非一个人口大区，但却由于临界质量效应而成为了一个创新中心。
我想谈谈人工智能安全方面的话题。Elon Musk 说他担心人工智能可能导致第三次世界大战。执此说法的并非他一人。一些领先的企业家和学者都在强调，如果人工智能没有得到适当的利用，将成为潜在的威胁。你对此有何看法？
我不担心人工智能终结人类的说法。有些人正在调查这些问题，这很好，但那离我们很远。我关注的是人工智能应用中可能出现的短期和中期问题。人工智能可能会被滥用。正如你提到的，一个令人担心的问题是它在军事领域的应用。在科学界，有很多人支持制订国际条约或法律来禁止杀伤性自动化武器。包括联合国在内，各个团体都在就这个问题进行认真的讨论。有些国家，比如美国，正试图阻止这条禁令。这是个重大错误。允许法律轻易地被商业力量影响不利于每个人的安全，因为这会降低小玩家们利用这些工具的门槛。对杀伤性自动化武器的防御技术进行军事研究当然是有意义的。然而，我们需要一个国际条约来谴责这类武器的使用，就像我们在过去的二十年中不断谴责核武器、化学武器、生物武器和地雷那样。虽然我们可能无法完全阻止这些事情，但如果我们能向公众、国家和大公司传播道德层面的谴责以减少这类事件，仍旧可以大大降低地球上每个人的安全风险。
深度学习领域近期的哪些进展会对我们的日常生活产生影响？
自然语言领域的深度学习进展是一个。随着计算机对文字和语音理解力的提高，并且能够响应与生成自然语言，我们与计算机交互的方式将被改变。这将对就业市场产生巨大的影响，正面和负面都有，因此许多公司都在大举投资这一领域。在某种程度上，这就是深度学习迅速取得进展的原因。科学进步与投入成本成正比。过去三年中，深度学习之所以如此成功的原因之一就是，从事研究而后用它来开发东西的人越来越多。这种趋势还将继续下去。 
