旷视Face++回清华求教AI本质创新,姚期智授2锦囊,出任首席顾问

李根 发自 清华FIT 量子位 报道 | 公众号 QbitAI

6年前,3个清华姚班毕业生创办了AI公司旷视科技,其后以Face++闻名。

昨天,印奇、唐文斌和杨沐重回清华,向姚班创立者姚期智院士求教,与他们一同前来的还有旷视研究院院长孙剑。

旷视“求教团”此行的核心主题是:人工智能的本质创新。

当然,整个求教交流还有一些必然和偶然的收获。

必然的、既定的结果是:旷视研究院学术委员会成立,姚期智受聘成为首席顾问。

偶然的是,旷视CTO唐文斌有了新外号:“唐老师”——还是姚期智院士钦定的。

这是如何一回事儿?

唐文斌、印奇、姚期智、孙剑和杨沐

谈姚班

首先谈论的话题自然是姚班。

姚期智院士说,十几年来做到现在这个地步,有这样的影响力,“姚班”成绩出乎他的意料之外。

当时开始设计姚班的时候,最初的想法是能够对中国的年轻人更公平。

“我们中国有这么优秀的学子,清华计算机系的学生更是精英中的精英,比MIT、普林斯顿、斯坦福等有过之而无不及,但为什么大学毕业后没有他们那样出色?这对中国年轻人不公平。”

姚期智认为,大学毕业之时的优秀程度,对一个人终身发展影响很大,对于这个人的未来、视野都息息相关。所以坚定要创办姚班,给这些学生一个更富挑战性的环境。

但这位图灵奖唯一华人得主,并没有想到如今能产生如此大的影响。

现场也有旷视联合创始人杨沐作出反馈。他说姚班最大的收获就是把创新变成了习惯,当年求学,每周都会有老师介绍最前沿的领域和方向,探讨尚未得到解决的问题,于是这种思路被培养成了习惯,延续至今。

对于这种“创新”,姚期智的感想是:没有比现在更好的时候。

“现在的机会,是在本质上做出一种像牛顿、爱因斯坦的机会,所以非常值得我们去做。”

姚期智院士

谈机会

姚期智院士称,当前深度学习的发展,给“智能”打开了一个窗口,看到了一些未来,但还没有解决所有的问题,而且令人激动的是,现在的学习方法,也不是终极方法,有进一步穷尽的机会和可能。

核心自然是人工智能面临的挑战和机遇。

姚期智院士说,虽然深度学习带来了巨大的突破,但只是给出了一个方向、开了一个口子,让你看到从神经网络进入,可以有进一步探知系统、结构的可能,这是所有智能研究者梦寐以求的机遇。

“你知道从这里进去,一定可以获得一些答案,这是非常激动人心的事情。”

不过,姚期智院士也谈到,现在的研究,无论是理论还是实际进展,都还看不到“智能”系统真正的样子。

能够区分清楚“现在哪一类问题AI有很好解决、且有理论体系”和“哪一类AI还无法解决、缺乏理论支持”这样的问题,已经很不容易。比如“加法”这样人类小孩都能轻而易举学会的事情,让机器学习就还比较困难。

姚期智很看好的是,把AI、机器学习的问题,变成物理、生物等跨领域的问题去探索,然后不断有新思路出现,并给AI后续发展,提供很好的理论支持。

他还提醒,神经网络带来的突破,正是跨领域研究带来的启示,很多计算机学科想要解决的问题,可能在跨领域的维度上会得到更好解决。

所以跨领域研究,正在成为这个时代研究者必备的素质。

也就是说,面对当前牛顿、爱因斯坦时代一样的机遇,想要有牛顿、爱因斯坦一样的旷世成就,“跨学科”是必备素质。

除此之外,也还需要一些别的素质。

姚期智院士与姚班底子

AI人才

杨沐还向昔日恩师提问说,想要抓住AI时代的机会,人才还需要具备什么样的素质?

姚期智认为最重要的特质是聪明。在此处并无玩笑之意,姚老师认为人工智能也好、机器学习也好,由于之前10几年的发展呈现,已经有了很大的基础,现在想要进一步探究尖端问题,越聪明越好,聪明的人研究AI,会是巨大的优势。

另一个素质是实战经验

姚期智说,AI人才需要工业界实战的机会,就好比你在武当派练了内功,有很好的剑法,但没有很好的实战经验,可能刚出去,就被解决了。

此处姚院士也给弟子打了个小广告,称比如在旷视科技这样的公司,你能够看到很多前沿的、现实的问题,对于那些聪明的、好奇的人,就会很激动人心,你在解决一个前所未有的问题,而且还有很强的实用价值。

所以归结起来,AI人才的两大素质,姚期智院士的观点是:聪明+解决真实问题。这也是推动人工智能本质创新需要的素质。

AI本质创新

至于具体的展开思路,姚期智院士的观点也主要有两个,一个是跨领域跨学科研究,另一个是产学研结合。

他先具体谈到了跨学科研究

为什么跨学科可以给AI问题带来一些解决的可能呢?姚期智院士结合学生提问类比了人工智能进化与自然界进化。

他说自然界进化给我们带来了很大的灵感,无论是精妙程度,比如鸟儿翅膀的设计,完全超乎了我们的想象;抑或进化出人类如此聪明的物种,在微观上的种种考量,都让人很感慨。

所以未来如果量子计算机一旦造出,就会有可能让我们进一步了解自然界的设计方法,让人类模仿自然进化去进一步推动人工智能进化,有迹可循。

“最近几年的学科、技术的发展,让我这样一个计算机理论科学家,’从椅子上掉了下来’,让我去觉得对一切拥有新机会。计算机的问题,可以从物理、数学去解决。而且这种跨学科,不止是研究题材上跨学科,也要在研究思路、研究精神上,也要打开心胸,尝试跨学科。”

院士还强调:如果没有跨学科的精神,可能未来不再拥有竞争力,因为其他学科的科学家,可能会进来解决掉,边界正在被打破。

此外,这种边界也包含“学术界”和“工业界”的边界,之前搞理论研究的人,会知道有一些问题是工业界去解决的,就不会在投入时间精力,但现在,这种藩篱正在消失,理论科学家也在思考,一些工业界发生的事情,能不能有理论解释的可能。

姚期智给首期“Yao Award”得主唐文斌颁奖

于是,AI本质创新的第二点是产学研结合。

姚期智院士说,现在是产学研结合最好的历史时期,比如无人驾驶这样的问题,可能工业界没法达到100%的要求,但学界可以在80%、90%的基础上进一步推进。

这位美国外籍院士也谈到,中国的产学研一体,可以参考美国的模式。他们的产业和大学在一体化研究中分工很清楚,可以进一步融合。

而现在的中国在这方面做得还不够,模式需要进一步建设,特别是一流大学的研究。

姚期智院士也给出建议,首先要吸引更多的人才投入进来;其次有好的模式方法,产学研有好的结合;最后,不要让参与者把“产学研”当做是任务,而是从观念上意识到,这样的结合,会有更大的成就产生,而且不止是发论文式的成就。

他也就此谈到AI研究中“PhD”和“论文”的问题,特别是企业的研究院中。

姚期智院士说,论文发表作为研究者精神上的鼓励,是之前对研究的一种参考评判标准,但企业中,现在不能完全把这个标准当做“标准”,而且有些工作可能需要两年、三年才有产品,所以判断人才与否的标准,论文可能不是比较好的标准。所以不能完全迷信论文发表,只是一种人才判断的标准。

其次是AI公司对博士数量的执迷。

姚期智的观点是,读博士与否,应该完全出于个人选择,有些人选择PhD,可以强迫自己晚一点成熟,比如在武当派,晚一点出师,可能以后行走江湖更稳当。

选择研读博士,在理论方面,也有可能更深入本质问题。因为进入工业界,可能接触实际问题的几率更高,但对于“人工智能本质是什么”这样的问题,可能就不会有机会思考那么多,不断会有具体问题、现实问题占用你的时间。

但总而言之,PhD不能拘泥于学位、学历,而是真正有自己想法和选择。

一句话总结

最后,在场嘉宾也用简短一句话发表自己对AI本质创新的理解。

姚期智院士说:人尽其能,做你最想做的事情。

孙剑:需要创造一个好的环境,要使这个环境发挥人最大的作用。

印奇:要给人工智能找到最大的场景,像搜索引擎搜索技术发展一样,人工智能找到这个场景可能会更飞速发展。

杨沐:把各种交叉学科的越来越多优秀人才,引入到人工智能领域中。

唐文斌:把更多不本质的问题,用本质的方法解决,最后花更多的时间在本质问题的研究中。

花絮

在整个访谈交流中,最有意思的还是姚期智院士对于自己学生的称呼。

他在整个过程中多次把发言完的唐文斌称作“唐老师”,让“唐老师”频频捂脸。(表情)

“唐老师”唐文斌

印奇也被以“印老师”称呼了一次,不过姚期智院士这么叫时,也跟着现场笑了起来。

量子位会后也问了“唐老师”和“印老师”被姚期智院士这么称呼的体验。

“唐老师”说,诚惶诚恐,可能是三个字的名字不太好直接念。

“印老师”表示:姚先生一直很幽默,本科上课时就是这样,所以也不是很意外,不过“唐老师”这个外号还蛮好念,以后可以约定俗成。

最后,量子位也问到了此次“旷视研究院学术委员会”的出发点。

旷视研究院院长孙剑

旷视研究院院长孙剑解释说,希望能通过这样的组织,为旷视研究院以及整个旷视科技提供“大脑”角色,有超越视野的参考,而且也能更好判断开展的工作是否在进行本质研究,而不是以论文为单一标准,对方向性的问题有更好的把握。

孙剑也强调,这就是为什么邀请姚期智院士成为“旷视研究院学术委员会首席顾问”的核心原因。

印奇解释说,之所以创立公司2、3年的时候不成立,是因为缺乏一些条件和平台,而现在这个阶段,旷视在技术创新中,看到一些本质的问题,希望能够用更多理论、框架去解决。此外也希望探索产学研的一种好的模式,能够把两边工作分得更清楚,都做得更好。

唐文斌补充总结:可以更好地思考未来的三年、五年、十年,在正确的方向上有更大力地投入。

本文分享自微信公众号 - 量子位(QbitAI)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2017-11-06

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器学习AI算法工程

两个月入门深度学习,全靠动手实践

向AI转型的程序员都关注了这个号??? 搞CNN的工程应用有一段时间了,特别是在计算机视觉领域。分享下我自己的CNN学习历程。 简单的说,深度学习就是模仿人脑...

50780
来自专栏PaddlePaddle

【文本分类】基于DNN/CNN的情感分类

导语 PaddlePaddle提供了丰富的运算单元,帮助大家以模块化的方式构建起千变万化的深度学习模型来解决不同的应用问题。这里,我们针对常见的机器学习任务,提...

54040
来自专栏PaddlePaddle

【排序学习】基于Pairwise和Listwise的排序学习

导语 PaddlePaddle提供了丰富的运算单元,帮助大家以模块化的方式构建起千变万化的深度学习模型来解决不同的应用问题。这里,我们针对常见的机器学习任务,提...

4.1K80
来自专栏悦思悦读

人工智能·2018

去年的AI 人工智能风起云涌的2017匆匆而过。在这一年里,大家共同经历了很多: ? AlphaGo,Alpha Zero等一些列棋牌程序狂虐人类高手; 自动驾...

369100
来自专栏PaddlePaddle

【结构化语义模型】深度结构化语义模型

导语 PaddlePaddle提供了丰富的运算单元,帮助大家以模块化的方式构建起千变万化的深度学习模型来解决不同的应用问题。这里,我们针对常见的机器学习任务,提...

59380
来自专栏PaddlePaddle

【RNN】使用RNN语言模型生成文本

导语 PaddlePaddle提供了丰富的运算单元,帮助大家以模块化的方式构建起千变万化的深度学习模型来解决不同的应用问题。这里,我们针对常见的机器学习任务,提...

65060
来自专栏PaddlePaddle

【命名实体识别】训练端到端的序列标注模型

导语 PaddlePaddle提供了丰富的运算单元,帮助大家以模块化的方式构建起千变万化的深度学习模型来解决不同的应用问题。这里,我们针对常见的机器学习任务,提...

86280
来自专栏PaddlePaddle

【文本分类】基于双层序列的文本分类模型

导语 PaddlePaddle提供了丰富的运算单元,帮助大家以模块化的方式构建起千变万化的深度学习模型来解决不同的应用问题。这里,我们针对常见的机器学习任务,提...

34930
来自专栏机器学习AI算法工程

文本分类实战: 机器学习vs深度学习算法对比(附代码)

这几周因为在做竞赛所以没怎么看论文刷题写博客,今天抽时间把竞赛用到的东西总结一下。先试水了一个很小众的比赛–文因互联,由AI100举办,参赛队不足20个,赛题...

1.3K90
来自专栏机器学习AI算法工程

NLP中自动生产文摘(auto text summarization)

最近几年在人工智能领域中大热的工程技术deep learning,将机器对图像,语音,人类语言的认知能力都提升了不少,前前后后也涌现出不少不仅仅是很cool而且...

91950

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励