专访两届图灵奖得主、七大ACM/IEEE院士：人工智能先驱在想什么、做什么？

2015年10月28日，以“人工智能，无限可能”为主题的 第十七届“二十一世纪的计算”大型国际学术研讨会在北京召开，包括近两年的图灵奖得主Leslie Lamport博士和Michael Stonebraker博士在内的七位全球计算机科学领域的大师来到现场，为中国高校的新生代人才讲述他们在各自领域取得的最新成果、解读人工智能背后的科研故事，一起探索直达未来的种种可能。

大会期间，CSDN记者对七位演讲嘉宾进行了视频专访，揭秘他们与数据科学结缘的深层原因，并针对人工智能技术发展经历过的挫折、当前进展和影响、待解的难题、未来的启示等问题，从系统、架构、算法、编程、应用等不同角度进行探讨。本文为全部的采访视频及采访实录。

七位受访嘉宾包括：

1. Lorenzo Alvisi 德克萨斯州大学奥斯汀分校计算机科学系教授，美国计算机协会院士
2. 洪小文 微软全球资深副总裁， 微软亚太研发集团主席，微软亚洲研究院院长，微软杰出首席科学家，电气电子工程师学会院士
3. Thorsten Joachims 康奈尔大学计算机科学系及信息科学系教授，美国计算机协会、美国人工智能学会院士
4. Leslie Lamport 微软研究院首席研究员，2013年图灵奖获得者，美国计算机协会院士
5. Peter Lee 微软全球资深副总裁，美国计算机协会院士
6. Michael Stonebraker 麻省理工学院客座教授，2014年图灵奖获得者，美国计算机协会院士
7. Demetri Terzopoulos 加利福尼亚大学洛杉矶分校计算机科学系杰出教授，美国计算机协会、电气电子工程师学会、伦敦及加拿大皇家学会院士

七位大师畅谈了各自的观点。Lorenzo Alvisi表示，他希望构建一个系统，它不但会做人们想要它做的事情，而且只会做人们想要它做的事情——而不是其他什么事情，无论在任何情况下，哪怕发生环境问题、恶意攻击、软件缺陷、配置错误等。在工程技术领域，击败复杂性的唯一方法就是竭力做到优雅。这是不断的鼓舞，也是不断的挑战。

洪小文表示，机器比人聪明，临界点等是对AI的高估。今天的AI很大一个部分就是机器学习、大数据分析，基于假设采集真实世界中的数据以后，可以优化算法和假设，优化下一个实验，这个过程叫做closing feedback loop。每一个反馈都能让我的东西更进步一点。今天移动互联网、大数据，以及未来的物联网，允许我们实时地收集数据，实时地把这个loop给关闭起来，每转一圈就进步一点。这个进步将是不得了的，尤其在未来的十年，二十年之内，在各行各业，科技能够带来的所有创新。

Thorsten Joachims从事的研究都与智能搜索和推荐有关。他表示，机器学习就是理解数据，使用数据，以及将数据转化成可以据以采取行动的知识。对于推荐系统，机器能够理解社会和个人对于电影或产品的偏好。这些都是人工智能领域令人赞叹的进步。我们进步的速度越来越快，但从基本知识到杀手级应用还是需要一些时间的。借助机器学习，我们可以很好地理解语音和图像。这些技术都面临着巨大的机遇，但人们要花费很长时间才能把这些技术融入自己的生活。

Leslie Lamport表示，在并行系统中，如果你在启动项目前没有一个坚实的基础，那它很快就会死掉。根本就没有办法对一个并行编程排查错误。如果最基础的概念就是错误的，那么排查错误的同时就会引入同样多的错误。他现在要做的事情是开发一些开发工具，并且教会工程师们如何从事开发工作，拿出准确、严格的设计。至于对我们生活或计算机科学的影响，那就是让计算机程序变得更加值得依赖。

Peter Lee表示，放眼未来，在人工智能在视听方面将有很大的进步，或许可以超出人类的能力，但在理解其所看到和听到的内容方面，能力还有待提升。我们倾向于把人工智能看作人类智能，尽管许多人非常关注这个，但他认为我们永远不会创造出这种人类智能。他表示，我们会有很多十分先进但功能比较狭隘的人工智能产品，它们就在我们身边，包括身上的可穿戴设备，也存在于我们的汽车里和家里。这些设备协同工作时看起来很智能，但从单个设备来讲，它们可能并不比一只狗聪明。

Michael Stonebraker目前最关注的领域是数据集成。遇到的问题，首先就是处理大规模数据库的标准方法，很多问题都需要同步才能进行，虽然现在的想法不少，但是还没有一种确定的解决方案。另外一个问题就是如何对待即将出现的新硬件，包括新型存储器、图形处理器（GPUs）。如何处理日渐增长的数据库规模，也还未能解决。以及复杂性分析，也就是，很多人预测数据科学将替代商务分析，即进行分析的标准做法。事实上，数据科学包含机器学习、预测性建模、数据集群、神经网络等技术——它们都是基于RAZE的，而非工作台活动，所以如何将复杂性分析和数据管理整合起来，也是一个有趣的议题。

Demetri Terzopoulos表示，我们并不能为人工智能界定一个单一的目标。人工智能本身包含着许多方面的努力，每个子领域都有着不同的目标。我们现在的模型是以人类智能为目标的，因为这是我们所知的最高级的智能。他认为，我们能够实现人类的智能，其本身已经非常了不起，但没有什么能够阻止我们去实现超越人类的智能。飞机就是一个很好的例子，我们的飞机已经超越了自然界的飞行机器——鸟类或昆虫等。

从微观角度来看，七位大师在某一具体问题上的意见或许相左，但从宏观的角度，他们都对大数据、机器学习和人工智能的远景表示看好，认为人工智能带来的变革已经开始显现，但同时人工智能应用也还处在初级阶段，需要更多人更长时间的更多努力。

Lorenzo Alvisi：构建可信赖系统的挑战永无止境

CSDN：您为何选择计算机研究作为自己的职业，并潜心研究这么多年？其中最有乐趣和最困难的部分都是什么？有没有什么故事能够与我们分享？

Lorenzo Alvisi：首先需要说明，我本科时的专业并不是计算机科学，而是物理。我硕士生论文试图使用某种系统来观察高能物理事件。当时我们还在寻找夸克。我们观察高能物理事件的图像，通过对图像进行拓扑学分析，从而判断这张图片有没有可能表现出某种夸克的存在。在做论文的过程中，我对计算机越来越感兴趣，以至于有一段时间我对人工智能着了迷。当然，这是很长时间一起，我在此后经历了巨大的成长。在当时，我还从事着理论物理学研究，对人工智能的感觉是，它要么建立在非常扎实的理论基础上，但能够做的事情却非常小；要么它有着广泛的覆盖面，但没有人知道它会不会有用处。这两种情境都不会令我满意。机缘巧合，我参加了一个暑期班，学习了分布式计算——就在我家乡——意大利的博洛尼亚。来自世界各地名校的人都会去那里开办讲座，当然也有来自康奈尔大学的人。这个暑期班改变了我整个的人生轨迹。当时我下定决心：这才是我想要做的事情。这个学科有着坚实的理论基础，同时又在系统层面上产生巨大的影响。我立志从原理的高度上发现做事情的方法。这些系统既能够让世界变的不同，又能够证明一些理论，让你做起事情来更有信心——这才是最重要的，也是令人着迷的。

对于任何需要创造力才能工作的人，最有趣和最难的部分就是变得有创造力。有一次，我和一些小学生谈论自己的研究工作。有一个小女孩举起手来，问道：你从哪里得到的想法？我确实不知道。每一次你有了一个想法时，它就像你手上璀璨夺目的珠宝，你非常想知道它是从哪里来的，这也是你一生中最兴奋、最光荣的时刻。此后，你必须对它进行钻研，然后想你要从哪里找到下一个好主意呢？所以这既是令人兴奋的，也是令人沮丧的。我是幸运的，因为我能和一些超级聪明的学生一块工作。我工作中最棒的部分，就是与这些优秀的学生一起努力。

CSDN：你现在专注于哪个领域？它会怎样影响我们的生活？

Lorenzo Alvisi：我现在工作的重点是分布式系统。人们的生活会不断地受到这个系统的影响。现在有人把它称为云计算，但具体而言，我所感兴趣的是可信赖性。我希望构建一个系统，它不但会做人们想要它做的事情，而且只会做人们想要它做的事情——而不是其他什么事情，无论在任何情况下，哪怕发生环境问题、恶意攻击、软件缺陷、配置错误等。如何才能设计出这种可靠性绝对有保障的系统，而且还要随时随地有卓越的性能呢？如果我只能提供可信赖性而不能提供性能，人们会说，很有意思，不过不用了，多谢。然后就走了。在我刚刚成为系统学教授时，遇到了一件事情对我启发很大。在德克萨斯大学奥斯汀分校时，我的同事教会我的几件事情之一，在工程技术领域，优雅并非一种奢侈，而是一种必须。这是我们击败复杂性的唯一方法——竭力做到优雅。这是不断的鼓舞，也是不断的挑战。

CSDN：在你所从事的研究领域，有哪些尚未解决的重大问题？

Lorenzo Alvisi：构建可信赖系统的挑战是永无止境的。实际上这是计算领域内的巨大挑战之一。Leslie Lamport教授的演说中也谈到，我们开始注意到，人们越来越相信，构建一个正确的系统非常难，简单地说“我觉得这是正确的”当然不行。你必须要能够证明它。令我印象深刻的是，上个月，SOSP——操作系统原理研讨会，这是系统研究领域内最高规格的会议。在这里，人们往往会在程序发言之余寻求一些能够证明自己代码正确性的人。SOSP的第一个环节都在谈论能够证明正确性的系统。我从来没见过系统科学顶级会议是这样开的。这可能就是范式的变化吧，而且也开始解决这个基本上还没有人涉及的领域——我们真的不知道怎样让系统变得更值得依赖。

CSDN：今天，许多的听众都是二十岁刚出头的大学生，而他们中有些人将来也会变成研究员。如果您能进行时间旅行，您会给当年二十刚出头的自己什么建议？您会对您自己说什么？

Lorenzo Alvisi：我确实不知道这样的建议会不会好于当年的我已经得到的建议。我还在读本科时，遇到一位教授，他把我叫到办公室去，谈论应该做些什么——内容很杂，例如我的论文还要多花一些时间等。他说，你要对自己投资，你就会做得更好。把这句话当成你毕生的指南针吧。虽然我自己仍有局限性，但我从那时候起就一直这样做，而且结果很不错。

另外一个建议倒不是给我自己的。我不知道其他的同行怎么思考价值的。世界上的聪明人多的是，你真不应该让自己与他们绝缘。你们要设法从对方的贡献中学习新知。不管是本科生还是研究生，无论你的教授有多棒，你总能够从同辈那里学到更多的东西。这就要求投入时间和精力，了解你的同辈。不要单维度地认识别人，除了编程之外，其他的任何方面都不去了解——要360度地认识。这样做，不仅你会从更广泛的意义上变得更加幸福，而且你要相信自己会成为更加出色的科学家。我再讲一个故事，有一次，我的同事说数学对于科学家来说是非常非常重要的，但它只是第二重要的。最重要的事情是要懂得如何用英语说话和写作。要做到这一点，你必须阅读，要敞开心胸，不仅局限于科学，而且要涉猎人文。它会让你在整个职业生涯中受益——不要仅仅着眼于未来的一到两年时间。未来的旅程还有数千万公里，你必须有足够的燃料支持。如果你在前往下一站的旅程上跑得非常快，却没有燃料继续下去，又有什么好处呢？

洪小文：AI、机器学习、大数据已成科学基础工具

CSDN：有一种说法是，我们经常会高估科技在短期的影响力，又低估科技在长期的影响力。那对于AI来说，您觉得人工智能近期的影响会是什么？长期的影响又会是什么？

洪小文：从高估的角度来说，最近探讨的话题如机器比人聪明，临界点等等，担心我们造出一个东西比人还聪明，取代我们，跟我们作对。我觉得这个完全是高估。因为很简单，机器是什么？比如图灵机，图灵机就是任何可以计算的东西都交给计算机去计算，但是计算机所用的算法都是由我们人类想出来的。人最了不起的是创造力，是我们怎么想到那个算法的。不要说我们今天没有办法做一个程序去想出一个新的算法去解决一个问题，我们人自己都不知道，我们下一个算法在哪里，这就是我们的创造力。

我常常打一个比方，假如爱因斯坦在这里，你问他，你为什么会发明相对论？我觉得他可能也讲不出为什么。因为他如果能讲出来，可以教给其他人的话，他可以教十个、一百个、一千个、上万个爱因斯坦。一样的问题你去达芬奇，你去问米开朗基罗，你去问这些艺术家、科学家，他也讲不出来。就像《三体》科幻小说，你问作者，你怎么写出这个东西的，你下一个创新会是什么，他可能也还不知道他下一本书的灵感在哪里，这个就是创新，所以我觉得这方面是高估。

那么低估的地方就是，其实今天的AI很大一个部分就是机器学习、大数据分析。什么是大数据分析，就是假设我们有个实验，今天有一个想法，那我把它想办法实现出去，让人用起来，采集真实世界中的一些数据。有了数据以后，我可以优化我的算法，优化我的假设，优化我的下一个实验，我们英文叫做closing feedback loop。每一个反馈都能让我的东西更进步一点。人类所有东西都是这样进步来的，今天移动互联网、大数据，以及未来的物联网，允许我们能够很快的收集数据，可以实时的收集数据，可以实时的把这个loop给关闭起来，每转一圈就进步一点。这个进步将是不得了的，为什么最近科技能够带动这么多的创新？以前我们可能同样的时间做一个实验，今天你可以做一百个，一千个实验，我觉得大家真的是非常有可能低估，尤其在未来的十年，二十年之内，在各行各业，科技能够带来的所有创新。

CSDN：在历史上，我们曾经多次乐观，但是错误的估计了AI的应用和发展。您觉得这次尤其是在深度学习带来的浪潮下，我们距离真的AI和应用还远吗？从历史上我们能学到什么？

洪小文：我举一个例子，是1950年时代杂志《Times magazine》的一个封面。那个时候二战刚结束，计算机才刚开始。计算机理论当然有，我们知道像图灵和图灵机。当时用真空管建造的一个计算机，可能像今天清华讲堂这么大。但是当时就已经有人要做人工智能了，就有人预估和担心人工智能什么时候能够打败人。而且，1950年经过工业革命，人可以造很大的机器，像拖拉机，大型的卡车。人对这些很有肌肉的机器，好像不害怕，因为觉得那些东西四肢发达。但人对人工智能造出一个比我们还有思想，甚至于比我们更智能的东西很害怕，很担心这个Superman（超人）比我们聪明。

到今天很多人担心，我们造出一个东西，比我们还聪明、不可控那怎么办？所以我认为这个学习，让我们了解到这种担心到底需不需要？我之前讲过，我们其实高度高估了机器的智慧。机器的智慧智能只能说，计算机是一个最好的左脑袋，它可以做逻辑思考、做计算，然后不会喊累而且也不会出错，但这是我们给它的算法。事实上，计算机拥有可以超过人类的智慧今天有非常少的证据证明，甚至也可以说没有，因为人对自己的了解还不够。右脑袋的创造力到底怎么做？你今天给计算机选择题，它用大数据分析告诉你哪一个是答案，这个它可以做，而且可以做得很好。但是你今天给它的选择，它说都不是，而产生一个新的选项，这种创造力是根本，我没有看到有任何证据证明我们在往这个方向走，更不要说人都不知道我们是怎么做的。我认为对于创造出一个东西比人还聪明，以前有人担心，现在还有人担心，未来还是会有人担心。但我个人其实是比较乐观的，直到我们了解了人到底是怎么样的，我觉得几乎不太可能会造出一个比人还聪明的机器。

另外一个角度我认为今天所有东西都是人造出来的，那么水能载舟，亦能覆舟。我们造一个汽车，可以载我们从东到西；我们造一个飞机，可以飞到我们到不了的地方。但是汽车跟飞机也可以拿来撞人，也能够产生巨大的伤害。但是我们永远不会怪汽车，不会怪飞机，我们是怪背后的人，怎么用这些东西做坏事。计算机也是一样，要怪就要怪后面的人。所以我认为担心计算机就好像担心汽车要做坏事一样，这个我是觉得有点无的放矢。

CSDN：在大众文化里面，人们对AI的应用已经做了很多畅想，包括我们看到的各种电影、动画片。那AI对于计算机科学研究和研究员本身，你觉得会产生什么样的影响？

洪小文：我想今天所谓的AI其实非常广，如果你回到三、四十年前AI的课本，实际上很多是研究人的智慧。就像我刚刚提出来的，人右脑到底是什么，还有人的思想，笛卡尔说我思故我在。我们人的认知、意识，我们对每一件事情，我们不但去做，我们也知道为什么做这件事情，我们是怎么想到这件事情的。早期的AI是探讨这个东西，到今天我觉得我们对人的了解还很少。但是从用数据去学习的这种角度来看的话，今天我们所讲的AI，大家觉得有用的包括深度学习等，基本上都跟机器学习、大数据不完全相等，他们的交叉部分可能占了90%以上。从这个角度来说，对每一个做研究的甚至对各行各业的人深切相关，为什么？因为今天每一个做研究的或者其他行业的人，都要用数据去定数的描述你今天所做的事情，从这个角度去收集数据，然后对你下一轮的产品、实验和假设来做优化，那么你才可能进步，你才可能在这个社会上竞争。学生也好，各行各业也好，你才能够脱颖而出，从这个角度来看，每一个人必须要知道这些以大数据、机器学习为主的AI，因为closing feedback loop整个数据的运作，不但是未来，也是今天、过去整个人类各行各业文明史发展最重要的一个方法。

CSDN：今天来参加这次研讨会的有很多二十多岁的年轻人，而他们中有些人将来也会变成研究员。您会给他们什么样的建议？如果您能进行时间旅行，您会给当年二十刚出头的自己什么建议？

洪小文：我想只有两点，第一点我想说，特别是对我，回到二十年前。因为当时那个时代跟今天这个时代很不一样，当时不要说互联网了，计算机都没有今天这么普及。当时我们那一代人因为知识资讯没有那么发达，比较少人真的是根据个人的兴趣来念书，很多人是因为其它的原因，例如想改善经济条件，或者是说我们中国人鼓励大家要学习，要读书这样的方式去做研究。但今天我想年轻朋友们，知识的来源会更广泛。他们有机会尝试到各种不同的领域，各种不同的方向，我建议他们一定要选择一个自己有热情，有兴趣的东西。什么叫有热情有兴趣？就是别人不要强迫我，别人甚至不用付我钱，我都愿意去做的东西，就叫做我们有兴趣的，这是第一个建议。

第二个建议跟刚刚讲的有关，今天移动互联网、大数据、计算也好，互联网这些东西让我们能够很容易的取得数据，然后能够把我们的假设去做一个实现，能够帮助我们来优化我们的想法、假设、实验。所以怎么样利用技术，怎么样运用移动互联网，怎么利用机器学习，这些很基本的东西。我不是说大家要学习AI、机器学习、大数据，而是大家必须要用这些东西。今天，这些东西已经变成像数学、物理、化学一样，变成一个科学基础的工具。就像我们从小到大读了很多年的数学、物理、化学，我相信将来这些东西要进入到中小学教育里面，让大家有一个基本的认识，然后可以用它在你有兴趣的领域里帮助你去做你想做的事情，优化你想做的事情。我觉得这个创新还有对整个人类的贡献，那就更有影响了。

Thorsten Joachims：人工智能杀手级应用还需要时间

CSDN：您为何选择计算机研究作为自己的职业，并潜心研究这么多年？其中最有乐趣和最困难的部分都是什么？有没有什么故事能够与我们分享？

Thorsten Joachims：我总是希望建造一些东西。在物理世界中建造要花费大量资源，而在计算机上建造东西，我自己一个人就可以，甚至在我还是一个不断长身体的十几岁少年时就已经能做到了，我深深被它吸引。在计算机领域，仅有的极限就是我自己的创造力，或者我自己有多聪明，能不能把想法编成计算机程序。没有了资金和资源的制约，只剩下建造东西的纯粹乐趣。这就是计算机的魅力，我还是少年时就被它吸引，现在也是如此。

CSDN：您现在关注哪些研究领域？它们将如何影响到我们的生活，或者计算机科学？

Thorsten Joachims：机器学习。机器学习就是理解数据，使用数据，以及将数据转化成可以据以采取行动的知识。在机器学习领域，我所从事的研究都与智能搜索和推荐有关。我喜欢这个领域，因为它们构成了人们每天都在使用的系统。以推荐系统为例，它把来自许多人的知识，包括星级评价，用于机器学习，将这些碎片化的知识转化成推荐建议。

再谈谈搜索引擎，它们现在十分善于整合海量用户通过鼠标点击而产生的信息——也成为反馈。通过机器学习，让系统变得越来越好。机器学习是人工智能的一个主要分支。我认为，这是让机器获取知识、变得智能化的最现实途径。实际上，我们每天都可以注意到，我们所使用的搜索引擎正在变得越来越好。除了智能搜索和推荐系统之外，机器学习还可以用于理解语音、图像或者任何语言。所以，我认为这是一个十分令人兴奋的领域，而且我很高兴自己选择了这个领域。

CSDN：在你所从事的研究领域，有哪些尚未解决的重大问题？

Thorsten Joachims：还有很多。很不幸，我无法一一列举——如果我知道它们——这毕竟是我自己的研究领域，我只能做出最佳的猜测，最重大的问题是什么。我所知道的是，这样的问题有很多，但究竟哪一个是最重要的，我不知道。但鉴于机器学习几乎在各个领域都得到了利用，不仅包括你每天都在使用的系统——在科研领域，你去看看人们用什么方法研究某个问题，有大量的数据需要解读。在物理和天文领域，也有大量的数据需要机器学习。这里有太多悬而未决的问题。另外，大学和公司都在机器学习方面投入重资，微软就是一个例子。

CSDN：今天，许多的听众都是二十岁刚出头的大学生，而他们中有些人将来也会变成研究员。如果您能进行时间旅行，您会给当年二十刚出头的自己什么建议？您会对您自己说什么？

Thorsten Joachims：当我自己二十多岁时，我做了一个非常幸运的选择。我在当学生的时候，有一年时间是出国游学的，我遇到了一个教授。我们第一次交谈时，他给了我两个研究问题。其中一个是非常成熟的领域，如果花一些时间就能得到体面的成果。另一个领域在当时还是非常新的，那时Web刚刚成型。教授建议，让我给万维网建立一个导览系统。这个主意太离谱了，这是一个很新、没有人探索过的领域。我选择了这个题目，而且很高兴自己做出了这样的选择。所以，对于年轻人，我的建议是不管你涉足哪个领域，要寻找一些刚刚成为可能的领域，寻找尚未被探索过的领域，这样才能做出自己的贡献。

CSDN：有人常说，人们往往在短期内高估了技术的潜力，但在长期内低估了技术的潜力。在人工智能领域，你是否认为人们过于乐观？你对人工智能的近期和远期影响怎么看？

Thorsten Joachims：我刚才举的例子，包括智能搜索和推荐系统，我们已经不再把它们看作人工智能了。有这样一种趋势，一种技术一旦发挥了作用，它就不再属于人工智能了。这些系统是令人惊叹的。五十年前，你能否想象有一台机器，你在其上用自然语言键入问题，它就能给你答案？没人会相信。对于推荐系统，机器能够理解社会和个人对于电影或产品的偏好。这些都是人工智能领域令人赞叹的进步。我觉得现在有了长足的进步。我们进步的速度越来越快，但从基本知识到杀手级应用还是需要一些时间的。借助机器学习，我们可以很好地理解语音和图像。这些技术都面临着巨大的机遇，但人们要花费很长时间才能把这些技术融入自己的生活。这种现象推迟了技术影响力的显现。人们逐步适应，但这是一个漫长的过程。还需要非常高超的创造力，才可以把这些技术转化成人们喜爱、对社会有贡献的产品。

CSDN：在大众文化中，我们曾设想了许多可以运用人工智能的情境，例如个人助理。在你看来，人工智能将怎样影响计算机科学发展，乃至影响到研究者自身？

Thorsten Joachims：通过我们计算机科学家自己制作的器材，计算机科学研究的步伐会大大加快。有一些东西，你可以称之为人工智能，例如搜索引擎，目前我离开搜索引擎是无法工作的。我很长时间没去过图书馆了。我们也在大大加快发现新事物的速度。在我们所处的研究领域，从物理学到生物学，有很多事情是由计算机和人工智能科学促成的。例如数学，过去几百年来，它曾经是一种重要的促成工具，而现在逐渐转变成为算法语言和计算了。数学非常重要，但得到了算法语言的强化。

Leslie Lamport：数学语言比编程语言更强大、简洁和优雅

CSDN：您为何选择计算机研究作为自己的职业，并潜心研究这么多年？其中最有乐趣和最困难的部分都是什么？有没有什么故事能够与我们分享？

Leslie Lamport：我成为计算机科学家是很偶然的。我原先的专业是数学，我打算成为一名数学家。我编写计算机程序，是为了支持我自己的研究，并为了本科和研究生教学。在某一个时间点上，我有机会做出选择，进入计算机领域，或继续讲授数学课程。我出于非常偶然的原因选择了计算机科学。

至于有趣的部分，我想就是解决问题。我涉足并行问题研究，因为这个问题本身看起来比较有趣，比其他较小的编程问题都要难得多——例如，当时所有的顺序计算看起来都十分简单。但是，一旦涉及到并行问题，你可能会碰到10个线程的编程，你根本无法确定哪一个是正确的。所以，许多类似的难题都引起了我的兴趣。

在并行问题研究方面，有一个小故事，能够解释我所做的工作。当我刚刚接触到互斥问题时，我认为这简直是太容易了，根本不成其为问题。我随便堆砌了一些算法，就把论文集给了一家杂志。几周之后，论文被退了回来，编辑在上面指出了一些错误。这件事让我对自己非常恼火。我对自己说，从此以后我绝不会在没有仔细的证明的情况下编写算法了。其中另一个让我懊恼的原因是，我想解决这个问题，但编写出的却是面包房算法。

CSDN：那么其中的困难有哪些呢？

Leslie Lamport：我从来没发现什么难事——其中的原因在于，我开始涉足这个领域时，我根本没拿计算机当回事儿。我觉得，计算机编程不过如此，只是一些算法而已，我从来没有被当时的计算机科学家们吓倒。我觉得他们不过就是计算机科学家，与物理学家和数学家没啥两样。我当时没有任何心理压力，所以体验到的都是乐趣。

CSDN：您现在关注哪些研究领域？它们将如何影响到我们的生活，或者计算机科学？

Leslie Lamport：我现在所做的事情与研究没有太大的关系。我现在更多的是帮助工程师们确定参数，并拿出正确的设计，然后再付诸实施。因为在并行系统中，如果你在启动项目前没有一个坚实的基础，那它很快就会死掉。根本就没有办法对一个并行编程排查错误。你第一次就要做对。如果最基础的概念就是错误的，那么排查错误的同时就会引入同样多的错误。所以，现在我要做的事情是开发一些开发工具，并且教会工程师们如何从事开发工作，拿出准确、严格的设计。至于对我们生活或计算机科学的影响，那就是让计算机程序变得更加值得依赖。

CSDN：今天，许多大学生都是二十岁刚出头，而他们中有些人将来也会变成研究员。如果您能进行时间旅行，您会给当年二十刚出头的自己什么建议？您会对您自己说什么？

Leslie Lamport：当年，我走过了一些弯路，而它们本来是可以避免的。我确实有些发现，但当我发现它们时，我对自己说：为什么你没能在十年前发现它们？事情往往就是这样。你有了一个想法时，它往往只是一个很简单的想法，你会对自己说：为什么你早不这么想？

CSDN：观看这个视频的观众或许没有机会聆听您的演讲。你能否简短地把自己的演讲要点概述一遍？

Leslie Lamport：今天上午我的演讲主要是谈如何用数学语言而非编程语言来描述计算机程序、计算机系统或计算机算法，只是给大家一些提示，数学语言比编程语言更加强大、更加简洁、更加优雅。我没用多长时间——不过确实用了一段时间才意识到，如果你不是在编程，最好别用编程语言，而应该使用数学。

Peter Lee：我们永远不会创造出人类化的人工智能

CSDN：您为何选择计算机研究作为自己的职业，并潜心研究这么多年？其中最有乐趣和最困难的部分都是什么？有没有什么故事能够与我们分享？

Peter Lee：我走上计算机科学的道路，并非顺理成章。我父亲是物理学教授，我母亲是化学教授。你可以想象，在我的成长过程中，他们一直希望我学习关于物理世界的科学，例如物理和化学——可能我让父母失望了。这也是我跟朋友们讲的一个笑话：我上大学时竟然选择了数学。事实上，我被计算机科学的思想深深吸引了，因为你真的可以通过研究来深入了解某些现象，甚至是从数学的角度上去理解。根据这样的思想，去编写计算机程序，或者搭建一台计算机，可以进一步实现并发展这些思想。我小时候做的第一件这方面的事情，是尝试理解一种名为“战舰”的游戏。我研究出了一些理论，使我能够在“战舰”游戏中打出最好成绩。

计算机科学的妙处正在于此：我可以用这些理论编写一个程序，用它来玩游戏。虽然我当时还只是个小孩子，但计算机科学已经让我非常着迷。这种想出一个点子就造出一台机器的可能性，让这些点子非常有吸引力。我想不出还有什么更好玩的事情了。

今天，我们可以利用计算机科学来研究一些非常基础的问题，去探究计算机科学对于智能、对于人类的意义。我们一直在发展我们的理论，也有希望创造出体现这些理论的机器，或者是更加智能、更加类人化的机器。我觉得这是最棒的事情。

CSDN：今天，许多大学生都是二十岁刚出头，而他们中有些人将来也会变成研究员。如果您能进行时间旅行，您会给当年二十刚出头的自己什么建议？您会对您自己说什么？

Peter Lee：我总是喜欢给别人各种建议。因为在我年轻时，我也犯过许多错误，而且我现在还在不断地犯错误。现在有一件非常重要的事，就是要设法让自己身处一大堆聪明的人中间，尽可能多地与他们打交道。在我二十几岁的时候，我认为自己非常聪明，曾经有一段时间我没有耐心与其他人打交道。我想这是一个错误，如果我能回到那个时候，我一定会对自己说，要让自己置身于研讨会、各种会议、讨论小组等环境中，以此争取更多与聪明人交流的机会。因为在这个过程中，你自己也会变得更加聪明。而且，如果你的想法和学识帮助了其他人，你自己也会得到回报。所以，不要做一个独行者。你在选择人生道路时，无论是在哪儿——当然我很乐意你投身于研究工作——一定要设法让自己与尽可能多的聪明人接触。

CSDN：有人常说，人们往往在短期内高估了技术的潜力，但在长期内低估了技术的潜力。在人工智能领域，你是否认为人们过于乐观？你对人工智能的近期和远期影响怎么看？

Peter Lee：这是个很有趣的问题。有人说，人们的思维是线性的，如果出现以指数速度发展的技术，就会产生这样的效应——即短期内高估了技术的潜力，但在长期内低估了技术的潜力。我认为，现实世界中的情况要更加复杂。在人工智能领域，有一点已经非常清楚，就是基本的感知问题。例如，让计算机看到某个场景，并理解它所看到的东西，或者让计算机能够听到人们讲话并理解内容。这些感知方面的问题已经非常清楚。今后几年内，我们能够把它们提升到人类的水平，甚至是超人类的水平。计算机科学家和技术专家为此感到十分兴奋。但是我们难免会高估一些事情。我们已经有了非常好的感知技术，以及很高超的认知技术——这里有个例子，今后三至五年内，我们可以设计出辨色能力强大的计算机，我们让它参加测试，或许能得到及格的分数。但是如果让它升到三年级参加测试，这台计算机可能在很长时间内都会不及格。因为到了三年级阶段，课程要求利用常识进行推理，而这远远超出我们的想象力和能力。放眼未来，我可以看到在人工智能在视听方面将有很大的进步，或许可以超出人类的能力，但在理解其所看到和听到的内容方面，能力还有待提升。

CSDN：历史上，有关我们何时以及如何充分地利用人工智能，曾有过几次乐观但错误的预言。在你看来，我们还有多久才能充分释放人工智能的潜力，我们从历史上能够吸取哪些教训？

Peter Lee：大家知道，有关人工智能，有一个研究议题是人类化。我们倾向于把人工智能看作人类智能，然而，尽管许多人非常关注这个，我还是认为，我们永远不会创造出这种人类智能。我认为，我们会有很多十分先进但功能比较狭隘的人工智能产品，它们就在我们身边，包括身上的可穿戴设备，也存在于我们的汽车里和家里。这些设备协同工作时看起来很智能，但从单个设备来讲，它们可能并不比一只狗聪明。因此，当我们谈论人工智能的未来时，一方面，智能设备的数量简直令人惊奇，但另一方面我们也许会感到失望，因为还没有任何一种人工智能设备可以与我们交流，成为我们的朋友。

CSDN：在流行的文化中，我们曾设想了许多可以运用人工智能的情境，在你看来，人工智能将怎样影响计算机科学研究本身，以及研究者们？

Peter Lee：虽然现在人们谈到人工智能都很兴奋，但在上个世纪90年代的时候，曾经出现过很长一段时间，我们称之为人工智能的冬天。在80年代，曾出现过对人工智能的过度宣传和乐观情绪，但到了90年代，人们丧失了希望。今天，这种对于人工智能的乐观情绪重新抬头，这让我想起来90年代的情况。我真的无法判断，这一次我们会再度失望，还是真的能够做出一些产品，让我们与之建立联系。人们在讨论人工智能时，往往会渴望有一种机器人或类似的产品能够成为他们的朋友，代表人们从事工作，人们能够依赖他们进行日常生活。我想，我们在智能设备的实用方面还会实现巨大的进步。我们经常看到一些科幻电影里面，人们同时表达着对人工智能技术的担忧和兴奋。这种事情很难断定，但我可以说，作为人类，我们一直渴望创造与我们自身一样的机器，我们绝不会放弃这种追求。

Michael Stonebraker：数据科学替代商务分析尚存挑战

CSDN：您当初为何选择数据库研究作为自己的职业，并且在这一领域探索了五十多年，直到您现在已经七十二岁？

Michael Stonebraker：你让我看起来比我真实年龄要大咯！并没有五十年，而是四十四年。先来说我为何选择研究数据库。我是密歇根大学的博士，我的博士论文是应用算法研究。早在我完成博士论文以前，我就觉得这不是一个值得投身其中的领域。所以当我来到加州大学伯克利分校，担任助理教授时，我必须立即选择其他领域，必须发表一些论文才能拿到终身教职。而我选择数据库研究的原因其实只是当时伯克利的教授 Eugene Wong 建议我阅读 Edgar F. Codd的论文。我们就这样开始研究这个领域的论文，一切都是机缘巧合，而非我自己的计划。

CSDN：我们知道你是数据库系统之父。目前你的研究重点是什么，以及你为什么认为它们是重要的问题或领域？

Michael Stonebraker：我目前最关注的领域是数据集成。我很喜欢的一个例子是 Groupon公司，他们也在中国开展业务，他们正在开发一个全球范围的小企业数据库，就是把一万个独立的数据来源进行结构化汇总。传统技术的数据规模大概是十到二十个数据，所以网络集成商都面临严峻的数据整合挑战。企业越来越希望把更多独立的数据来源——也就是信息孤岛——整合起来。所以这是一个亟待解决的现实问题，我们目前就在寻找解决方案。

CSDN：在你所从事的研究领域，有哪些尚未解决的重大问题？

Michael Stonebraker：这样的问题太多了。首先就是处理大规模数据库的标准方法，也就是让你的程序在越来越多的计算机上运行。但是，很多问题都需要同步才能进行。在我的领域里，交易处理就需要大量的同步化操作。关于如何有效地做到这一点，虽然现在的想法不少，但是还没有一种确定的解决方案。另外一个问题就是如何对待即将出现的新硬件。新型存储器就要问世了，我们应该如何运用它，现在还是一个开放性问题。关于如何高效地运用图形处理器（GPUs），想法也很多，但仍然尚待解决。如何处理日渐增长的数据库规模，也还未能解决。以及复杂性分析，也就是，很多人预测数据科学将替代商务分析，即进行分析的标准做法。事实上，数据科学包含机器学习、预测性建模、数据集群、神经网络等技术——它们都是基于RAZE的，而非工作台活动，所以如何将复杂性分析和数据管理整合起来，也是一个有趣的议题。所以我认为，尚待解决的问题非常多，数据管理领域就有不少。

CSDN：今天，许多大学生都是二十岁刚出头，而他们中有些人将来也会变成研究员。如果您能进行时间旅行，您会给当年二十刚出头的自己什么建议？您会对您自己说什么？

Michael Stonebraker：我认为，对于即将毕业的同学来说，明智地选择一个合适的论文导师是非常重要的。合适的论文导师至少要具备以下两个特点：一是帮助你选择正确的问题作为研究对象；二是他能够帮助学生在合理的时间内完成论文。但是，在我读研究生的时候，我的导师没有符合这两个条件，正因为这样，我毕业之后不得不改变研究领域。所以一定要明智地选择论文导师。第二件事情，是决定自己是从事学术研究工作，还是投身实业。我的理解是，在中国，投身实业的收入水平会比从事学术研究高出一倍。在美国，两者的差距并没有这么悬殊，不过可以肯定的是，投身实业会挣得更多。对于大学生而言，时间久了，实业工作会比学术研究更有吸引力。所以要看你在学业结束时，究竟想要什么。

Demetri Terzopoulos：没有什么能够阻止我们实现超越人类的智能

CSDN：听说您的演讲非常精彩，学生们都很喜欢，他们提出了不少问题。我的第一个问题是您为何选择计算机研究作为自己的职业，并潜心研究这么多年？其中最有乐趣和最困难的部分都是什么？有没有什么故事能够与我们分享？

Demetri Terzopoulos：确实，有很多人提问，我感到很高兴——虽然提问者的评价角度不那么正面，但我仍然感到高兴。实际上我本科时所学的专业是电子工程，但在本科阶段末期，我选修了人工智能课程，并从此着了迷。此前我就有点偏向于计算机，但那是从电子工程的角度上考虑的，同时涵盖了软件和硬件两个方面。当我开始接触到人工智能时，我认识到这是最好的长期开放性研究领域。所以到了研究生阶段，我攻读了机器学习、计算机视觉等，但人工智能作为一个整体，都是我研究生阶段的学习兴趣，侧重于计算机视觉。此后，我又对计算机图形产生了兴趣，并由此走进了虚拟世界、虚拟现实等。所以我开始在虚拟环境下使用人工智能手段。我现阶段的工作目标是理解并在虚拟世界中模拟人类。

CSDN：我觉得你恰好回答了我的第二个问题：你现在专注于那个领域？它会怎样影响我们的生活？你能否再多说几句？

Demetri Terzopoulos：目前我同时在几个领域开展研究：人类模拟，计算机图形，动画，计算机视觉——我对医学影像分析也感兴趣。其他的课题还有人脸识别等，这些都是具有很强的现实意义。目前我最大的激情是在虚拟世界中模拟人类。它的长期影响在于电影、工业和电子游戏领域。玩家将能够与智能化的虚拟角色进行互动。我相信，有朝一日他们会像真实的人类一样聪明，这样游戏就会变得非常有意思。还有其他的课题，例如模拟人们在真实环境下如何工作等。它的用途在于，比如说，模拟建筑物里的办公空间，当发生火警时，应该从哪里逃生。我们可以通过逼真地模拟人们在这样的环境下如何采取行动，根据其中的结果建立模型，然后用它来建设真实环境。

CSDN：可以看出来，您是充满激情的。在你所从事的研究领域，有哪些尚未解决的重大问题？

Demetri Terzopoulos：当然有了，不然我们就失业啦！有太多尚未解决的重大问题。我目前研究的一个重大课题是如何让虚拟人类和真实人类变得无法区分。这是一个长期问题，而且恐怕在我有生之年不会得到彻底解决。我希望每一年我们都能看到越来越好的虚拟人类，看起来越来越真实。这一过程会很长，未来会一直延续。有朝一日，你肯定无法区分虚拟人类和真实人类。即使今天，如果一个虚拟人处于静止状态或者通过动作捕捉机制从事简单动作时，你已经很难区分它们了。如果这些虚拟人自主做出一些动作时，还是可以区分的。但是，今天我们在区分它们的自主动作时还不会犯错误。

CSDN：今天，许多的听众都是二十岁刚出头的大学生，而他们中有些人将来也会变成研究员。如果您能进行时间旅行，您会给当年二十刚出头的自己什么建议？您会对您自己说什么？

Demetri Terzopoulos：这是一个很有趣的问题。当我还在读本科的时候，我并不认为自己有必要继续读研。我想，自己应该找一份工作，成为电气工程师什么的，开始赚钱。我在父母的支持下做出了决定。因为硕士和博士学位就在那里。他们认为我应该一直读下去。我也就这样决定了继续学业。现在回头看，我要对当年的自己说，你做的决定是正确的。继续钻研计算机科学，钻研计算机科学之下的人工智能领域，你不会失望的。

CSDN：这就是传说中的激情与执着吧。有人常说，人们往往在短期内高估了技术的潜力，但在长期内低估了技术的潜力。在人工智能领域，你是否认为人们过于乐观？你对人工智能的近期和远期影响怎么看？

Demetri Terzopoulos：人们和学者在人工智能发展的早期阶段确实过于高估了自己在短期内解决这一问题和相关问题（例如计算机视觉等）的能力。当时人们的思想方法不对，然而现在，人们对特定时间内可以实现什么目标的思考已经现实很多了。我认为，在短期内，我们会循序渐进，不断接近人工智能的长期目标。从长期来看，取决于你所从事的不同领域，人工智能的目标应该是尽一切可能强化人类自身的智能。我们现在就已经看到，借助移动设备，我们与数据库实现连接。通过与互联网的连接，我们都变得比以往更加智能。我们知道的更多，能够非常迅速地根据自己的需要获取信息。人工智能技术会让这个过程变得更加流畅和迅速，这就是对人类智能活动的强化。更长的期间内，将会出现生物智能和人工智能的融合，两者的结合会强过目前这两方的任何一个。眼下，你可能听说了一些与此相关的不良副作用。人们想象有一天人工智能或者计算机会霸占世界。但我一点也不担心，因为我相信我们自己会变得越来越聪明，我们会知道怎么创造并控制这些设备。如果超人类智能在短期内变得异常强大，一定会有其他智能系统来监督前者。如果一个系统变坏了，那么其他更好的系统就会干预。就像我们的社会，有一部分变坏了，但我相信绝大多数人是好的，总会有好人与坏人做斗争，管理这些问题。我希望，人工智能系统可以自我监督，我们不会面临“最后审判日”这样的情况。人们必须要面对现实，所有的技术都有好的一面和坏的一面，我自己并不太担心。把这个问题留给未来的一代吧。

CSDN：人们过去就曾乐观地预言，人类将充分利用人工智能。在你看来，我们还有多久才能实现，或者说人工智能的潜力有多大？我们能从过去中总结出哪些教训？

Demetri Terzopoulos：我们并不能为人工智能界定一个单一的目标。人工智能本身包含着许多方面的努力。人工智能的每个子领域都有着不同的目标。我们现在的模型是以人类智能为目标的，因为这是我们所知的最高级的智能，当然，或许有外星人存在，在另外一个空间里，他们的智能会超过我们。但我们现在还没有接触到他们。我觉得，我们能够实现人类的智能，其本身已经非常了不起，但没有什么能够阻止我们去实现超越人类的智能。飞机就是一个很好的例子，我们的飞机已经超越了自然界的飞行机器——鸟类或昆虫等。当然，超越昆虫的飞行能力并不容易，它们十分的灵活。但在大负荷运输方面，飞机当然要比鸟强很多。

CSDN：在大众文化中，我们曾设想了许多可以运用人工智能的情境，例如个人助理。在你看来，人工智能将怎样影响计算机科学发展，乃至影响到研究者自身？

Demetri Terzopoulos：据我所知，人工智能正在对越来越多的研究人员产生影响。我们建立越来越复杂的软件，以及联通虚拟和物理空间的系统。许多领域的研究者也在转向人工智能学科，与之互动。以计算机图形为例，我们从事建模、动画、渲染等工作。我感觉，计算机图形领域最重要的前沿就是人工智能。因为我们已经知道如何渲染，如何借助光影效果、表面反射等手段创建非常逼真的形象，在这些方面取得了巨大的成就。我们还知道物理渲染，让流体、衣料等做出适当的物理反应，并把这些技术用于电影和游戏的制作。眼下的前沿阵地在于如何进行生物模拟，而在生物方面，最重要的又是人类的大脑。如何模拟人脑的能力，并以动画形式展现出来，再把这些能力整合到人工智能和虚拟现实中的人工智能系统上，并用于游戏和电影制作将是未来的发展。