「泡沫之后，人工智能行业绝对会给我们人类的生活，带来一些颠覆性的影响。这一点，我也是确信不疑的。」
李飞飞，1976 年出生于北京，成长于四川，16 岁随父母移居美国新泽西州。现为斯坦福大学计算机系终身教授，Google Cloud 首席科学家，是全球人工智能领域最具影响力的科学家之一。
2017 年 1 月 3 日，李飞飞教授正式入职 Google Cloud，宣布自己从学术研究的实验室走到了产业界。她除了依然是「美国斯坦福大学计算机科学系终身教授、斯坦福大学人工智能实验室主任」之外，又多了一个新的身份——「谷歌云首席科学家」。
谈及自己为何愿意加入 Google，李飞飞表示，「我并没有离开斯坦福。我希望看到越来越多的趋势，就是产业界和学术界比较密切的结合，（我想）要跟企业之间建立融合、建立一种探索的新方式。」
人工智能已经到了可以真正走进工业、产业界，为人类服务的阶段，人工智能发展了 60 多年，这是第一次有这样的机会。
而云，则是一个让人工智能走进各个行业的最好平台，「我觉得，没有一个比云平台更大的平台，能实现人工智能的普适价值。因为云上面有各个业界，从金融、到健康医疗、电商、交通、再到制造业、农业。各个行业在这种大数据、人工智能的推动下，它的转型，都需要云平台的帮助。」
回首过去，2007 年，李飞飞与普林斯顿大学教授李凯发起的 ImageNet（图片网络），目前已经成为全球最大的图像识别数据库，对计算机图像识别的研究起到了颠覆性的推动作用，是本世纪人工智能领域最大的进展之一。
加入 Google Cloud，可能意味着李飞飞个人事业和人工智能产业的一个崭新开始。
在李飞飞看来，AI 这个领域已经发展了 60 年了，它的进一步发展，这是没有悬念的。这是一个新兴的行业，它的发展带来诸多希望、期待和机会，但同时，也充满不确定性。
在这样的过程中，有人会认为「这里面会有巨大的泡沫」，李飞飞认同，可能会有一些泡沫，「有一部分的泡沫是会破灭的，但是泡沫之后，这个行业绝对会给我们人类的生活，带来一些颠覆性的影响。这一点，我也是确信不疑的。」
那么，回到最最根源的问题，机器是如何看懂这个世界的？人工智能过去的 60 年以及它的未来是什么样的？听听李飞飞教授在 GIF 2017 的大会上的完整演讲。
我今天带来的，是比较学术的演讲。我想跟大家分享一下人工智能，站在我自己的实验室的角度，过去的发展的路径，和我们最近在做的一些工作。
人工智能到今天，已经带来了一场革命的开始，不管是天上、地下、云上、手机上，我们都会看到它给我们带来的一些兴奋的可能性。
其实，智能这个问题，从人类文明的最初期，有了人，就有了这个问题。人工智能没有那么长的时间，人类的历史有上千年的历史，但人工智能只有大概 60 年的历史。人工智能的早期，一个奠基性的人物是 Alan Turing ，大家都知道 Turing 是个数学家。大概在五六十年前，Turing 开始思考，怎么去创造一个 Thinking Machine。他说：要建造一个智能的机器的话，可能最好的方法就是，通过最好的感官来提供给它，让它能够学会并且使用应用语言。
智能的 Machine，它需要两个特别重要的元素：
1、感知。我们可以看人最大的感知系统是视觉，人还有其他的感知系统，机器也可以有其它的感知系统，但视觉是一个最大的感知系统。
2、对含义的理解和推断。语言是人类最特别的一个能力，大多数人都会同意，动物是没有这样的能力的。
所以，Turing 远远没有建立起人工智能这个领域。但是，他带来了最起初的一些重要的思想元素：我们要做一个会思考的机器，里面需要包括：视觉、语言。
Turing 之后，有这么一位科学家，他是计算机界的一位泰斗，是跟马文·明斯基在 MIT 第一批读人工智能的博士生，后来他到斯坦福做教授，他的名字叫 Terry Winograd。
Terry 是人工智能界，第一代把 Turing 的思想贯穿下去的人。他不光在人工智能领域做了最重要的工作，而且他后来转行去做人机交互，也把这个领域重新带动了起来。
（Terry 和李飞飞，二人都是斯坦福教授，并且是邻居）
Terry 带来了什么？Terry 把人工智能应用在了怎么去建造一个思考的机器上。他说一个人，或者一个机器，要去理解世界，需要去感知。感知以后，需要做的第一件事是对这个世界的结构进行理解。
这叫 Syntax Understanding。Syntax 在自然语言处理领域叫语法，在计算机视觉这个领域可能叫三维结构。Terry 说，Syntax 以后，我们需要理解 Semantics（语义）。Semantis 做的事情就是 Understanding Meaning（了解含义），语言有语言的含义，视觉有物体、有动作，有视觉的含义。
最后，当我们把 Semantics 和 Syntax 解决以后，智能的机器或者是人，主要解决的问题就是 Inference，Inference 就是统计推导、统计推理这个过程。
所以在 Terry 看来 ，要实现人工智能，需要有这 3 个要素：Syntax、Semantics、Inference。
有了这样的思想框架做引导，Terry 写了一篇在人工智能历史上非常重要的博士毕业论文。这个论文给了我们一个 System，我不知道在座有没有同行们听说过这个 SHRDLU，它用一个像积木一样的世界，用积木搭建了一个世界，在这个世界里，让我们来完成 Syntax（语法）、Semantics（语义）、Inference（推导）这样的 loop（循环）。
这篇论文是 70 年代初写的，从 70 年代初一直到 80 年代末 90 年代，其实，人工智能貌似没有太多的发展。为什么呢？如果 70 年代就有一个计算机系统，可以理解人的指令。为什么我们到 2016 年，才关注到人工智能？2016 年，亚马逊的 Echo 和 Alexa，也好像做的事情区别不大。
为什么 60 年代、70 年代、80 年代的人工智能, 没有我们预期的做得那么好，问题出在它的演进的过程。
在机器学习这个领域崛起之前，人工智能的系统都是 hand-design rules，这个 rule 十分复杂，而且都完全是用手工，用科学家的聪明的脑袋，想出来的 rule。
这些 rule，会有什么样的问题？其实 Terry 这样绝顶聪明的人，他能建立这个系统，这个 rule 肯定已经是包罗万象了，但是这些 rule 还是有 3 个比较大的致命问题：
1、Scalable（可扩展的）。你不可能把天下所有的 rule，都写进一个程序。
2、Adaptable（可适应的）。当你给系统设计这个 rule 的时候，你很难把它转换到另外一个 rule。比如说，英文的语法、语义，我可以设计很多 rule。可是，我要把它放进中文，它的语法就完全不一样了，我就得重新设计出来一套 rule。
3、它是一个 Closed word。
所以说，Hand-design Rules 在 AI 这个领域发展的早期，给我们带来了一些曙光，但是它并没有把我们带进真正的光明。到了 80 年代开始，一个重要的子领域在人工智能领域开始发展，就是机器学习。
机器学习是什么呢？机器学习和传统学习最大的区别，我在这里给大家画出来了。你可以想象，传统的学习，是用人认识这个知识，然后再灌输给它，让机器学习，这就像 Terry 他们做的事情一样。
但是，机器学习不一样，机器学习是把认知知识这一层给省掉了，可以直接把数据放进学习组件，让这个学习组件去学习一个知识，这个知识可以发挥作用。
但最近一个特别重要的算法，就是所谓的 Artificial Neural Network，从 80 年代开始，它叫神经网络。神经网络有很长的历史，50 年代 Rosenbatt 就提出了 PERCEPTRON 这个概念，这个概念就是把这些细胞怎么结合起来，然后一层一层地输入数据，然后输出结果（take layers of input and take output）。
到了 60 年代初，一个重要的神经生物学的发现，又推动了这个思路，这就是 Huble and Wiesel，在通过对猫的脑子做实验的时候发现，哺乳动物视觉的感知，实际就有这种神经网络的概念，它是一层一层的细胞不断的推进，从简单的层面到复杂的层面。
到了 1980 年，70 年代末，一个重要的日本计算机科学家，叫 Fukushima，做出了第一个 Neocognnitron 的神经网络，可以识别数字和字母。
到了 90 年代末，通过 Geoffrey Hinton、Yan LeCun 进一步的把学习的 rules 更优化了以后，就出现了今天大家比较熟悉的卷积神经网络。
最近，给我们带来最大的一次神经网络，或者叫深度学习冲击的 work，是 2012 年 Alex Krizhevsky 和他的导师 Geoffrey Hinton，一块写的 AlexNet，其实 AlexNet 和 1998 年的 Convolutional Neural Networks 区别不大。但是，为什么在 2012 年这个大致的历史时期，深度学习和神经网络发生了一次井喷式的成长和革命呢？是因为 3 个重要的因素：
1、这些算法的不断优化和成长。
2、互联网给我们带来的海量数据，这也是我和我的学生们，在 9 年前做的一项工作 ImageNet。
3、硬件的发展。
所以很多人就说，Deep Learning 的三个 Ingredients : Algorithms（算法）Data（数据）和 Computation（运算）。它给我们带来了一次革命性的飞跃。
有了这个深度学习和机器学习的崛起，我们其实可以重新回到 Turing 和 Terry 给我们搭建的 AI 大的思路和框架里，重新解决一些在没有机器学习前完全解决不了的问题。
比如说，计算机视觉里面 Syntax 这个问题，这个问题实际上就是三维场景的结构，视觉世界的结构。这个问题，在过去的二三十年，有了长足的发展，用了很多跟机器学习的方法。今天，为什么无人车可以开始产业化，在算法方面很大的原因要感谢 3D 视觉，这几十年来的成就。这是其中一部分。
第二部分，我们说 Semantics 这个问题，在计算机视觉里面它是物体分类、场景分类、物体切割这些。这个领域，也是在这几年有蓬勃的发展，我们 Image Captioning 团队一直在主持一个国际上的竞赛。从 2010 年开始，一直到 2015 年、2016 年，机器的进步，已经基本上达到了，甚至它有时候超越了人的水平。你现在看到的这幅图是机器的错误率，2010 年第一界 Image Captioning 的时候，错误率还在 28% 左右。到了去年 2015 年，这个错误率已经到了 3.6%，人也差不多就是这个水平。所以，这是一个非常长足的进步。
刚才，我给大家分享的是两个单独的元素：Syntax、Semantics。其实，就像 Terry 提出的一样，要真正做好 AI，要把这些元素全部结合起来。我们一步一步来看，下一步要结合的是 Syntax、Semantics 在计算机视觉里面它就是场景结构和语义，或者物体含义，一块的融合。
这项工作，也有不少人做，前段时间斯坦福的另外一位计算机视觉教授搜沃塞维塞西，他们做了项比较重要的工作，就把这个 3D 的建模和物体场景的识别，结合起来了。
我们再往下推进一步，可以看出，我们现在在尽量完善这个图片。我们现在把 Language 加进来，结合 Vision，这是 Turing 给我们提出来的人的智能终极目标之一。
所以，Language 和 Vision，是最近人工智能界非常关注的点。
下面这个工作，主要结合的是 Syntax 和 Inference，它结合了 Semantics，这是我的实验室最近和 Facebook 的一次合作。我们联合发现了一个 Benchmark（基准），它的意义是什么呢？我们跟 ImageNet 比较一下，ImageNet 主要在测试机器对 Semantics 的认知能力，就是物体分类。
这项工作，我们把它取名叫 CLEVR，它测试的是机器对 Language Vision 在 Syntax 和 Inference 方面能达到多好，它跟 ImageNet 基本上是反的。
具体是怎么做呢？具体我们用了一个图像引擎，去模仿很多很多的场景，又回到了更像积木一样的世界。
在这些场景里面，我们又自动生成了很多问题。比如说，这张图里有没有和半球一样大的积木？这些问题是在挑战这个计算机系统对场景结构的理解，这个结构里面包括物体的大小，或者物体的材料，包括数字计算，也包括比较的能力，也包括空间的关系，最后包括逻辑运算。所以，这在测试计算机好几层的能力。
这个数据库，组成了很多很多不同的场景，提出了很多不同的问题。然后，我们就可以通过用最好的深度学习模型，来测试计算机做的怎么样。其中最好的，比如用 CNN 和 LSTM, 没有听过也没有关系，这是一种深度学习的模型。然后我们就会发现，计算机现在远远达不到人类的，比如数数能力，或者现在对材料的分析还不够好。而且，我们也远远达不到比较的能力，人是很容易比较出一个东西比另外一个东西大，计算机现在还远远没有达到。
这项工作还告诉我们，在 Syntaxt 和 Inference 方面，人工智能其实还任重道远，CLEVR 这个 Benchmark，就给我们指出了一些比较明确的方向。
最后一点，我们怎么把 language、Syntax 和 Semantics 一块融合进来？这是最近我们做的一系列关于看图说话的工作。看图说话就是，一个图片进来，我希望这个计算机讲出一个故事，比如一句话「两个男人在玩飞盘」。这个模型，我们是用了一个图片的模型，再加上一个语言的模型。
图片的模型用的是卷机神经网络，语言的模型用的是一个 LSTM。
刚开始，这个计算机在还没有足够学习能力的时候，给出的语句是非常傻的，慢慢的它就开始学习这个图片的内容了。到了最后，它可以说出其中的内容。
在我结束之前，跟大家分享一下，我们认为下一步计算机视觉和人工智能，包括自然语言处理，还要往下怎么走。
Terry 和 Turing 给我们指出了这个结合 Syntaxt，Inference 和 Semantics 的路径，我们远远还没有完成这个愿景。比如说这幅图，现在计算机视觉可以告诉我们，这个图里有一些人，甚至这幅图的三维结构是什么，或者给我们一句话或者给我们几句话、N 句话，就像刚才我们看的。
但是，我们人看到的远远不止这些，我们人看到的是一个非常有意思的故事，我们知道这里面的人是谁，我们知道他们的关系是什么，我们知道他们的情绪是什么，我们知道这幅图的幽默点在哪里。它可以给我们带来很多很多信息，这是计算机现在远远没有达到的。
谢谢！（完）
李飞飞演讲完整版视频，可至极客公园微信公众号（ID: geekpark）查看。
