1700513379
1700513380
但并非每次科技革命都是这种模式。通常，基础领域的突破出现后，发展的重心会很快从顶尖科学家转移到无名工匠，即有足够专业能力将这种新技术应用于解决不同问题的工程师，尤其是当技术突破性成果的应用范围遍布整个社会经济体系，而非集中于某几个实验室或者武器系统的应用时。
1700513381
1700513382
电的发明和大规模的电气化很好地印证了这个过程。托马斯·爱迪生让电能变得更便宜后，数以千计的工程师开始想办法利用电能，用电驱动各种新设备，重组工业生产过程。这些工程师并没有像爱迪生那样取得重大突破，但他们对电能的了解程度，足以帮助他们将电能用在机器上从而产生收益。
1700513383
1700513384
目前人工智能的发展阶段更符合后一种模式。由于人工智能解决了一个又一个新难题，持续占据媒体报道头条，让我们误以为仍处于“恩里科·费米”们有能力决定世界格局的时代。而现实中，我看到的是一个将突破性基础技术应用于解决多个不同问题的过程，需要大量受过良好训练的工程师。今天，这些工程师正将人工智能模式识别能力应用于贷款核发、自动驾驶汽车、翻译文本、下围棋、小度在家或小爱同学上。
1700513385
1700513386
深度学习先驱杰弗里·辛顿、扬·勒昆（Yann LeCun）和约书亚·本吉奥（Yoshua Bengio）——人工智能领域的“恩里科·费米”们持续拓展着研究边界。也许他们会实现新的颠覆性突破，再次打破全球科技界的格局。不过眼下应用领域的进展，还得由工程师们一手打造。
1700513387
1700513388
1700513389
1700513390
1700513391
我与深度学习之父杰弗里·辛顿（左四）
1700513392
1700513393
1700513394
1700513395
1700513396
2018年4月，我在全球移动互联网大会（GMIC）和扬·勒昆（荧幕上）讨论人工智能技术。
1700513397
1700513398
1700513399
1700513400
1700513401
本吉奥（后排二）的多项研究成果，对深度学习的复兴意义重大。
1700513402
1700513403
AI·未来 [:1700512251]
1700513404
人工智能知识的开放与速率
1700513405
1700513406
投身这场技术革命的工程师有一个额外的优势：能实时接触到前沿先驱们的研究成果。
1700513407
1700513408
在工业革命中，国界和语言壁垒意味着最新的技术突破成果被保留在发源国，也就是英国国内。美国因为与英国在文化上比较相近，又有较为宽松的知识产权法，才取得了一些关键发明的应用机会，但是发明者和模仿者之间的差距仍旧不小。不过今非昔比，当被问及中国和硅谷在人工智能研究上的差距时，有几位中国创业者开玩笑道：差距是16小时——加利福尼亚州和北京之间的时差。美国也许有顶尖的研究人员，但他们的大多研究成果，对任何能上网并对人工智能基础知识有一定了解的工程师来说，都是实时可见的。之所以有这样的知识传播优势，是因为人工智能研究中的两个重要特征：开放和速率。
1700513409
1700513410
人工智能研究人员对自己的算法、数据和成果一向采取开放态度。这种开放性的根源一是来自促进人工智能发展的共同目标，二是出于希望给竞争一个客观标准。在许多自然科学领域，一个实验室中的实验很多时候是无法在另一个实验室中完全再现的——技术或者环境上的细微差别，对结果的影响都是巨大的。但是，人工智能实验完全可复制，算法也可以进行直接对比。只需要在同样的数据条件下训练检测该算法即可。国际竞赛中，经常有计算机视觉或者语音识别研究团队相互切磋，而参赛者的研究成果，其他研究人员都很轻易地可以验证或审查。
1700513411
1700513412
人工智能领域的进步速度，也是促使研究人员选择实时分享研究成果的因素之一。许多人工智能科学家并不尝试去完全颠覆深度学习，而是不断优化算法。这种进步通常能让语音识别或者视觉识别在不同应用和场景达到新的精度。而研究人员则在这些新纪录（而不是新产品或者收入）的基础上进行比拼。打破纪录的人，当然希望得到认可和回报。但因为发展的速度太快，许多研究人员都会担心，要是等到在期刊上发表研究成果，那时他们的纪录可能早就被打破了，而他们达到巅峰的这一刻也将无法载入史册，所以他们一般不会隐瞒研究结果，而是会立刻在类似于www.arxiv.org这种线上科研论文库上发布。这类网站可以让研究人员实时发布研究成果，让他们在人工智能算法的研究领域青史留名。
1700513413
1700513414
在后AlphaGo的世界，中国学生、研究人员和工程师都是www.arxiv.org最忠实的读者。他们整理、翻译，为扬·勒昆、塞巴斯蒂安·特伦还有吴恩达等前沿科学家的讲座制作字幕。在微信上，中国的人工智能社区创建了大型聊天群，还有其他一些多媒体平台可供讨论人工智能领域的最新进展。至少有13家新媒体负责专门跟踪报道产业新闻、专家分析和开放式对话。这些聚焦人工智能的媒体拥有超过100万的注册用户，其中半数都获得了超过1000万美元的风投。我参加了“PaperWeekly”论文讨论组等十几个类似的500人微信群，每天能刷新几百条人工智能相关的新信息和最新算法成果的截屏图片，大量的研究人员在线上和线下热烈研讨人工智能领域的新研究成果。
1700513415
1700513416
然而，身在中国的人工智能参与者们，并非只是西方世界智慧结晶输出的受益者，他们也在为这个研究生态系统做出越来越多的贡献。
1700513417
1700513418
AI·未来 [:1700512252]
1700513419
避开中国新年的国际会议
1700513420
1700513421
美国人工智能促进协会（The Association for the Advancement of Artificial Intelligence, AAAI）在长达30年的时间里每年都举办大型的人工智能国际会议，是全球人工智能界最重要的会议之一。但在2017年，他们差点儿办砸——那年会议的举办在时间上与中国的春节撞了车。放在几年前这根本不是问题，历史上美国、英国和加拿大学者一直统治着这一领域，有论文产出的中国研究人员屈指可数。但是2017年的国际大会，提交论文的中国研究人员和美国研究人员人数不相上下。“没人会在重大节日举办如此重要的国际会议，”AAAI理事长告诉《大西洋月刊》，“我们花了好大力气，才将会议推迟了一周。”(1)
1700513422
1700513423
无论是现有模型的微调，还是构建世界级的新神经网络架构，中国的研究者都在做出源源不断的贡献，他们对人工智能的贡献是全方位的。从学术研究成果的引用次数就能看出中国研究人员日益增长的影响力。创新工场分析了2006年至2015年间，所有人工智能研讨会和人工智能期刊被引用次数前100名，发现在此期间由中文名字研究人员冠名的论文数量从23.2%激增到了42.8%(2) ，增长了将近一倍。对这些作者所属的研究机构的调查表明，除去部分作者在国外进行的研究（如没有使用英文名字的美籍华裔研究人员），大多数的论文内容确实是在中国得出的成果。
1700513424
1700513425
最近对全球研究机构的引用记录统计也印证了这一趋势：2012年至2016年，人工智能领域的研究机构被引用次数前100名中(3) ，中国仅次于美国。前沿研究机构中，清华大学甚至在人工智能被引用次数上超过了斯坦福大学等老牌人工智能院校。值得注意的是，这些研究大多还聚焦于前AlphaGo时代，也就是中国在该领域投入更多研究资源之前。相信在不久的将来，一大群年轻的博士生将引领中国的人工智能研究达到一个新的高度。
1700513426
1700513427
除了被广泛引用的论文之外，自深度学习出现以来，中国的研究人员还为神经网络和计算机视觉等领域带来了长足进步。这中间，许多研究人员都来自我在1998年创立的微软中国研究院（之后更名为微软亚洲研究院），这里培养了超过5000名人工智能研究人员，包括今天在百度、阿里巴巴、腾讯、联想和今日头条任职的技术或人工智能负责人。
1700513428