1700513370
诺奖得主与无名工匠
1700513371
1700513372
要理解这两个人工智能超级大国之间真正的竞争格局，首先要理解这种专业知识来自哪里。
1700513373
1700513374
1938年，在恩里科·费米（Enrico Fermi）登上法兰克尼亚II号甲板的那一刻，全球大国的势力分布被他改变了。费米当时刚刚在斯德哥尔摩抱走了诺贝尔物理学奖，但是他并没有回到贝尼托·墨索里尼统治的意大利，而是举家来到了纽约。此行跨越了半个地球，费米的主要目的是逃避意大利新通过的种族法的限制：该法令阻碍了犹太人、非洲人担任重要岗位或者与意大利人结婚，费米的妻子劳拉就是犹太人。
1700513375
1700513376
来到美国后，费米听说纳粹德国的一些科学家发现了核裂变原理，于是他也迅速展开了进一步的研究。他在芝加哥大学创造了世界上第一个自持链式裂变核反应堆，这个成果在曼哈顿计划中起到了不可替代的作用。曼哈顿计划诞生了世界上第一枚核武器，为第二次世界大战后世界秩序的确立奠定了基础。
1700513377
1700513378
费米和曼哈顿计划代表了在专业知识领域，质量高于数量的时代。20世纪三四十年代是核物理学基础学科取得突破的时代。为了实现这些突破，一个恩里科·费米比一千个普通的物理学家都重要。这个时代的美国确立在世界上的主导地位，很大程度是由于吸引了像费米一样的天才。
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