TED演講-人工智能將如何影響你的生活

谷歌高級研究員Jeff Dean就AI對生活的影響提出了一些有趣的看法。

中英雙字視頻如下：

針對不方便打開視頻的小伙伴，CDA字幕組也貼心的整理了文字版本，如下：

在過去幾年，人工智能領域在飛速發展。

你知道未來AI將如何影響你的生活嗎? 我有一些想法。

我叫Jeff Dean，我是谷歌的一名高級研究員。這有一定的含義。首先，說明我有點老；其次，我需要花時間攻克我認為對公司很重要的問題。

我在研究人工智能問題，我負責位于加州山景城的谷歌大腦團隊，也就是我們的人工智能研究團隊。

我們的團隊長期以來研究如何讓機器智能化，我們還會與谷歌的產品團隊合作，從而生產出智能的機器產品。我們希望用智能提升人類的能力，讓我們做得更多，消除繁瑣重復性任務，并讓我們有更多的時間進行創新。

AI的潛力

比起個人計算機的發明、智能手機的普及，AI將更具影響力。AI的概念并不新，在最早的計算機時代就存在，這是開發智能化機器的宏大項目。當中有很多實現的方法，從那時起該領域就深深吸引住了計算機科學家們。

當中最有潛力的方式是機器學習領域。比起讓機器掌握一切需要預先知道的內容，我們更希望讓機器學會如何學習，從而它們能夠通過對世界的觀察而學習，并根據觀察做出推斷。

深度學習是機器學習的一個特殊的領域。在過去四、五年間，深度學習在解決各種問題時優勢明顯。

人腦如何學習

在深入該問題之前，讓我們探討我們是如何學習的。

我們通過例子和重復練習進行學習。同樣，重復練習和例子對機器學習也至關重要。

在機器學習中，我們會讓系統接觸到我們想讓其掌握的行為樣本，系統將從那些樣本中學習。

看到這張簡單的圖，我們想教會計算機識別圖像中包含的是貓還是狗。我們會給出相應樣本，標明圖像是貓還是狗。然后把這些樣本圖像提供給計算機，讓計算機回答圖中是什么。

如果得到正確的答案就成功了。但如果錯了，則需要進行一些調整。從而在下次更有可能得到正確的答案，而不是錯誤的。

神經網絡

深度學習完成這點的方式很特殊，這很重要。即在學習過程中自動構建抽象層。

最低層包括，圖像的某個部分是否包含棕色的斑點等。接著上面層次的內容更復雜，比如圖像的某部分包含了耳朵、眼睛或胡須。這些特征是學習過程的組成部分，也是深度學習的關鍵因素。

我們不需要告訴計算機如何區分貓和狗，計算機能學會識別哪些是胡須，而且在貓的圖像中出現得更多。在學習過程中這些特征是自動構建的。

神經網絡能學習的不僅是分辨貓狗。還能學會分辨成千上萬種不同類別的物體，比如消防車、消防船等。神經網絡還能從音頻中學習，從音頻中識別出單詞。

比如"外面有多冷”；輸入英語的"hello, how are you”，輸出相應法語"Bonjour, comment allez-vous”。

它們能輸入圖像，進行分析。不僅識別類別，它們還能得出句子對圖像進行描述，比如"一列藍黃相間的火車在鐵軌上行駛”。這就展現了對圖像內容的高度理解。

TensorFlow的應用

深度學習中很棒的一點是，這些內容都能用相對簡單的算法和常用的軟件框架實現。因此我們構建軟件框架，解決不同的問題，并在我們的研究和產品中反復使用。

我們開發的這個系統叫做TensorFlow。我們用它進行該領域的研究開發。去年我們決定將它開源化，我們希望人們能夠免費下載這個軟件，用于解決他們的問題。我很欣喜的看到人們將其用于不同事物。

比如日本有一位種黃瓜的農民。對黃瓜種植者而言，你需要對黃瓜分成不同的類別進行銷售。比如個頭小的、中等的、大的、帶刺的、不帶刺的、直的、彎曲的。在收獲時，這個過程很復雜且耗時。

因此這位農民用相機拍照，加上他用TensorFlow訓練的計算機視覺模型，從而讓視覺模型判定黃瓜的類別。接著裝配到傳輸帶上，讓轉換器把黃瓜放到合適的箱子里。這樣在收獲季時，大量減輕了人力勞動。

計算力的顯著提升

正如我說過的，神經網絡并不新的概念，在1980年代到1990年代就已經出現了。當時在解決小型問題時，它們的成果顯著。但當時在面對現實的大型問題上，它們效果欠佳。

原因在于我們的計算力不夠。對每個樣本的模型進行調整，多次處理每個樣本，從而構建模型需要大量的計算力。因此我們需要更快的計算機。

幸運的是，如今我們有了更快的計算機。在過去的三十到四十年間，計算機每年都在飛速發展。如今神經網絡已能夠應用于實際問題?，F在你手機中的計算機，比二十年到三十年前的臺式機要強一百到一千倍。這是至關重要的，現在我們有足夠的計算力。

計算機視覺識別

計算機視覺領域每年有舉辦比賽，看哪個團隊能對給出的圖像進行正確分類，圖像包括數千個不同類別。

2011年，在人們使用神經網絡之前，獲勝團隊的錯誤率是26%。比起人類5%的錯誤率，這個結果不太理想。但在五年后，如今有了深度學習和更多的計算力，錯誤率降低為3%。在這個任務上，超過了人類的水平，這是具有變革意義的。

如今計算機能夠看，這在之前是不行的，這是巨大變革的開端。對于開發機器人來說，這是非常有用的。

看到機器人的例子。這里使用了深度學習教它們做到手眼協調。每個機器人都有攝像頭能，模型將從攝像頭中獲得輸入像素，然后直接輸出到六個轉矩馬達的指令，用來控制機器人的不同接口。

它們將通過反復試錯練習拾取物品，通過抓爪是否關閉或完成拾取判斷是否成功。它們還根據得到的視覺數據，學習對于不同的物品哪種抓取更有效。我們在Amazon買了大量不同的玩具和工具，最終的效果很不錯。

醫療領域的運用

我認為機器學習有巨大機遇的另一個領域是醫療領域。

糖尿病性視網膜病變是世界上增長最快的致盲原因。每年有4億人面臨失明的風險，他們需要每年接受篩查，但很多人都沒有進行必要的篩查。我們希望通過計算機視覺攻克這個難題。

通常，眼科醫生通過篩查眼部圖像對癥狀進行評估，看有沒有相關癥狀。因此我們獲取大量這類眼部圖像，并讓眼科醫生進行標注。

如果讓兩個眼科醫生進行評分，他們有60%的幾率會得出相同的評估。更擔憂的是，若讓同一位眼科醫生在幾小時后評估同一幅圖，只有65%的幾率他們會得出相同結論，顯然這是個難題。

本周早些時候，我們團隊在《美國醫學會期刊》上發布相關論文。對于這個任務，我們的機器學習模型能夠媲美，甚至優于人類眼科醫生。

這是很重要的，因為這能讓眼科醫生更高效。他們能夠把時間交給那些真正需要關注的人群，而不是花時間篩查沒有這方面問題的人。

藝術領域的運用

再看到一個例子。圖賓根大學的Leon Gaty和他來自德國馬普研究所的同事，在去年發布了一篇出色的論文。他們的算法能夠輸入照片和畫，將照片輸出為畫的風格。

這里你看到的是同一個照片，呈現為三種不同藝術家的風格，這是非常驚人的。我認為這是一個好機遇，為藝術家們創造相應工具。讓他們與這類系統交互，從中獲得靈感并得出更有創意的藝術產物。

從1980年到如今，許多發展都源于計算力的增加。在未來也是如此，我們需要更多的計算力來訓練更大型的模型，從而學的更多。同時深度學習也在變革我們設計、開發計算機的方式。

兩大特征

神經網絡和機器學習算法中有兩個有趣的特征。

首先，精確度下降是可以接受的。當你乘以1.2或0.6時，這是沒問題的。我們不需要將計算成本用于追求數字上的精確度，那是傳統CPU設計的初衷。這將很有幫助，如果你需要進行大量計算，你能更加接近從而進行更多操作。神經網絡也是如此。

另一點是，之前我展現的所有機器學習系統和算法只需要依賴少量具體操作，并不需要通常計算機需要的全部指令。它們需要完成矩陣乘法、向量運算、線性代數等，僅此而已。

這讓我們能夠開發專門的計算機，能夠非常好的完成這些任務。在過去三年，我們在谷歌開發了TPU系統，用于加速計算。

這類深度學習算法能夠適用于許多問題。我們能夠提高計算力，與傳統CPU相比達到數量級的提高，這是很強大的。這能讓我們在產品中用到更強大的模型，從而得出更好的系統。

未來的需求

讓我們看到將來的一些需求。隨著用戶對系統的要求更高，人們希望系統變得更智能。

"哪些圖顯示了糖尿病視網膜病變的癥狀”。

我之前已經說過了，如今這點已能夠實現。

"用西班牙語描述這個視頻”。

這方面還做得不夠好。我們能夠很好的描述圖像，但對于動態的視頻還欠佳，今后這是可能實現的。

"幫我找到與機器人技術強化學習的相關文件，并用德語進行總結”。

這很復雜，但如果我們有相關工具可以做到的話，這將多么高效。

"請從廚房幫我拿一杯茶”。

讓機器人在類似廚房的復雜環境中工作是很難的，但之前手眼協調的例子就是不錯的開端。

總結一下，AI 能夠幫助我們變得更健康、更開心、更高效、更有創造力。

你對AI的未來感到激動嗎? 顯然我很激動，謝謝大家