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
1700513429
1700513430
1700513431
1700513432
微软亚洲研究院：中国AI黄埔军校
1700513433
1700513434
2015年，微软亚洲研究院的一支团队在图片网络（ImageNet）的全球图像识别大赛中一鸣惊人。这个团队带来的精妙算法叫作残差网络（ResNet），它对10万张照片进行了识别，并列入1000个不同类别之下，而其错误率低至3.5%。2年后，谷歌的DeepMind研发出了AlphaGo Zero，即能够自学的新一代AlphaGo，残差网络就是它的核心技术模块之一。
1700513435
1700513436
研发了残差网络的发明人离开了微软亚洲研究院。残差网络论文的四位作者，一位加入了Facebook的扬·勒昆研究团队，而其他三位或是创立，或是加入了中国的人工智能创业公司。带领残差网络的孙剑加入了旷视科技——一个全球人脸识别及图像识别技术领域的领军企业。2017年的COCO图像识别大赛，旷视科技团队在四大领域中勇夺三个冠军，打败了来自谷歌、微软和Facebook的众多团队。
1700513437
1700513438
2017年，在人工智能和全球安全峰会上，前谷歌CEO埃里克·施密特提醒与会人员，不要小看中国在人工智能领域的潜能。他预测，中国的人工智能将在5年内赶上美国：“这些中国人很厉害……如果你认为他们……无法培养我说的这种人才，那可就大错特错了。”(4)
1700513439
1700513440
AI·未来 [:1700512253]
1700513441
七巨头和下一个深度学习
1700513442
1700513443
不过，在全球人工智能研究社群向着流动、开放系统蓬勃发展的同时，这个生态系统中的一个模块却变得更加封闭，即大公司的研究实验室。虽然学者们积极和世界分享着他们的成果，但是上市的科技公司也有责任为股东实现利益最大化——这通常意味着减少技术公开、增加专利保护。
1700513444
1700513445
向人工智能研究投入大量资源的公司有数百家，七大人工智能巨头——谷歌、Facebook、亚马逊、微软、百度、阿里巴巴和腾讯，实际担当了50年前由国家扮演的角色，即规模巨大的投入与研发、封闭的系统、人才与资源控制、专注于“不外传”的突破技术。
1700513446
1700513447
当然，企业的研究想要保密很难做到滴水不漏：企业内部团队成员不断离开，创立了自己的人工智能公司，还有一些企业下属的研究机构如微软研究院、Facebook人工智能研究团队、DeepMind等仍在继续公开发表重要成果。但总体来讲，如果这些公司取得了原创的、突破性的研究成果，这些成果能保证公司获得巨大利益，它们就一定会尽力保密，想办法在成果泄露前做到收益最大化。
1700513448
1700513449
封闭系统中出现的突破性研究成果将会对开放的人工智能系统构成威胁，也会影响中国在人工智能领域赶超美国的步伐。以目前形势来看，中国在创业精神、数据、政府支持等方面占领了先机，专业研究水平也正急速追赶着美国。如果现阶段的技术趋势在未来几年能够继续保持，中国的人工智能创业公司将成为一支利箭，势如破竹地穿透其他行业领域。中国将以深度学习和其他机器学习技术为筹码，颠覆数十个领域，成功实现经济转型。
1700513450
1700513451
但是，如果真的有人发明了下一个和深度学习一样伟大的技术，而且是发生在密闭的企业环境中，形势就难说了。它有可能让某一个公司突然获得超越其他巨头的力量，引领我们重回发现时代——由少数精英专家来打破均势。
1700513452
1700513453
在我个人看来，未来几年某个巨头单独且秘密地完成这种发现的可能性不大。深度学习是过去50年来最大的飞跃，这种规模的进展几十年只有一个。如果这样的突破性进展再次出现，出现于开放性学术环境的可能性相对较大。现在，企业巨头们正将空前热情投入到获取深度学习应用价值的过程中，这意味着大量资源被用于对深度学习算法进行改进和微调，相对来说，只有小比例的资源投入针对下一个颠覆性突破的、真正的开放式研究。