Google研究總監(jiān)談人工智能的另一面

本文為《程序員》文章，未經(jīng)允許不得轉(zhuǎn)載，更多精彩文章請(qǐng)訂閱2016年《程序員》
　　Peter Norvig是譽(yù)滿全球的人工智能專家，Google研究總監(jiān)（Director of Research），他同時(shí)也是經(jīng)典書籍《人工智能編程范式：Common Lisp案例研究》（Paradigms of AI Programming： Case Studies in Common Lisp）和《人工智能：一種現(xiàn)代方法》（Artificial Intelligence： A Modern Approach）的作者/合著者。在本文中，我們將看到Peter Norvig對(duì)人工智能目前進(jìn)展和未來(lái)發(fā)展的思考，對(duì)人工智能技術(shù)在Google應(yīng)用的解讀，以及對(duì)最新軟件工程師在人工智能時(shí)代的成長(zhǎng)的觀點(diǎn)。
　　
　　Peter Norvig眼中的人工智能
　　問：人工智能領(lǐng)域在哪些方面發(fā)生了您未曾預(yù)料的演變？
　　Peter Norvig：在1980年我開始從事人工智能研究時(shí)人工智能意味著：一位研究生用說(shuō)明性語(yǔ)言寫下事實(shí)，然后撥弄這些事實(shí)和推理機(jī)制，直到從精心挑選的樣本上得到不錯(cuò)的結(jié)果，然后寫一篇關(guān)于它的論文。
　　雖然我接受并遵循這種工作模式，在我獲得博士學(xué)位的過程中，我發(fā)現(xiàn)了這種方法的三個(gè)問題：
　　寫下事實(shí)太慢了。
　　我們沒有處理異常情況或模糊狀態(tài)的良好方法。
　　這個(gè)過程不科學(xué)——即使在選定的樣本上它能工作，但是在其他樣本上工作效果會(huì)如何呢？
　　整個(gè)領(lǐng)域的演變回答了這三個(gè)問題：
　　我們依靠機(jī)器學(xué)習(xí)，而不是研究生付出的辛苦努力。
　　我們使用概率推理，而不是布爾邏輯。
　　我們希望使用科學(xué)嚴(yán)格的方式；我們有訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的概念，而且我們也有比較不同系統(tǒng)處理標(biāo)準(zhǔn)問題所得到的結(jié)果。
　　1950年，阿蘭圖靈寫道：“我們只能看到未來(lái)很短的一段距離，但是我們很清楚還有什么需要完成?！弊詮?950年，我們已經(jīng)得到許多發(fā)展并實(shí)現(xiàn)了許多目標(biāo)，但圖靈的話仍然成立。
　　問：對(duì)于機(jī)器學(xué)習(xí)研究，工業(yè)界與學(xué)術(shù)界有何不同呢？
　　Peter Norvig：我認(rèn)為，在教育機(jī)構(gòu)、商業(yè)機(jī)構(gòu)還是政府機(jī)構(gòu)并不是很重要——我曾經(jīng)在這三種機(jī)構(gòu)都學(xué)到很多東西。
　　我建議你在有著一群出色同事和有趣問題的環(huán)境下工作?？梢允枪I(yè)界、學(xué)術(shù)界、政府或者非營(yíng)利企業(yè)，甚至開源社區(qū)。在這些領(lǐng)域里，工業(yè)界往往有更多的資源（人、計(jì)算能力和數(shù)據(jù)），但如今有很多公開可用的數(shù)據(jù)供你使用，一個(gè)小團(tuán)隊(duì)，一臺(tái)筆記本電腦，或者一個(gè)小而廉價(jià)的GPU集群，或者在云計(jì)算服務(wù)上租賃或捐獻(xiàn)時(shí)間。
　　問：您對(duì)深度學(xué)習(xí)有什么看法？
　　Peter Norvig：我清楚地記得80年代初的那一天，Geoff Hinton來(lái)到伯克利進(jìn)行了關(guān)于玻爾茲曼機(jī)的講座。對(duì)我來(lái)說(shuō)，這是個(gè)了不起的視角——他不贊同符號(hào)主義人工智能很強(qiáng)大很有用，而我了解到了一種機(jī)制，有三件令人興奮的新（對(duì)我而言）事情：根據(jù)大腦模型得出的認(rèn)知合理性；從經(jīng)驗(yàn)而不是手工編碼中學(xué)習(xí)的模型；還有表示是連續(xù)的，而不是布爾值，因此可以避免傳統(tǒng)符號(hào)專家系統(tǒng)的一些脆弱問題。
　　事實(shí)證明，玻爾茲曼機(jī)在那個(gè)時(shí)代并沒有廣泛普及，相反，Hinton、LeCun、Bengio、Olshausen、Osindero、Sutskever、Courville、Ng以及其他人設(shè)計(jì)的架構(gòu)得到很好的普及。是什么造成了這種不同呢？是一次一層的訓(xùn)練技術(shù)嗎？是ReLU激活函數(shù)？是需要更多的數(shù)據(jù)？還是使用GPU集群可以更快地訓(xùn)練？我不敢肯定，我希望持續(xù)的分析可以給我們帶來(lái)更好的了解。但我可以說(shuō)，在語(yǔ)音識(shí)別、計(jì)算機(jī)視覺識(shí)別物體、圍棋和其他領(lǐng)域，這一差距是巨大的：使用深度學(xué)習(xí)可以降低錯(cuò)誤率，這兩個(gè)領(lǐng)域在過去幾年都發(fā)生了徹底變化：基本上所有的團(tuán)隊(duì)都選擇了深度學(xué)習(xí)，因?yàn)樗苡谩?br /> 　　許多問題依然存在。在計(jì)算機(jī)視覺里，我們好奇深度網(wǎng)絡(luò)實(shí)際上在做什么：我們可以在一個(gè)級(jí)別上確定線條識(shí)別器，在更高層次確定眼睛和鼻子識(shí)別器，然后就是臉部識(shí)別器，最終就是整個(gè)人的識(shí)別器。但在其他領(lǐng)域，一直很難了解網(wǎng)絡(luò)在做什么。是因?yàn)槲覀儧]有正確的分析和可視化工具嗎？還是因?yàn)閷?shí)際上表示不一致？
　　在有許多數(shù)據(jù)的時(shí)候，深度學(xué)習(xí)在各種應(yīng)用中表現(xiàn)不錯(cuò)，但對(duì)于一次性或零次學(xué)習(xí)，需要將一個(gè)領(lǐng)域的知識(shí)轉(zhuǎn)移并適應(yīng)到當(dāng)前領(lǐng)域又如何呢？深度網(wǎng)絡(luò)形成了什么樣的抽象，我們可以如何解釋這些抽象并結(jié)合它們？網(wǎng)絡(luò)會(huì)被對(duì)抗性輸入愚弄；我們?nèi)绾晤A(yù)防這些，它們代表了根本缺陷還是不相干的把戲？
　　我們?nèi)绾翁幚硪粋€(gè)領(lǐng)域中的結(jié)構(gòu)？我們有循環(huán)網(wǎng)絡(luò)（Recurrent Networks）來(lái)處理時(shí)間，遞歸網(wǎng)絡(luò)（Recrsive Networks）來(lái)處理嵌套結(jié)構(gòu)，但這些是否已經(jīng)足夠，現(xiàn)在討論還為時(shí)過早。
　　我對(duì)深度學(xué)習(xí)感到興奮，因?yàn)楹芏嚅L(zhǎng)期存在的領(lǐng)域也是如此。而且我有興趣了解更多，因?yàn)檫€有許多剩余問題，而且這些問題的答案不僅會(huì)告訴我們更多關(guān)于深度學(xué)習(xí)的東西，還可以幫助我們大體理解學(xué)習(xí)、推理和表示。
　　問：在深度學(xué)習(xí)最近取得的成就之后，符號(hào)主義人工智能是否還有意義？
　　Peter Norvig：是的。我們圍繞著符號(hào)主義人工智能開發(fā)了許多強(qiáng)大的原理：邏輯預(yù)測(cè)、約束滿足問題、規(guī)劃問題、自然語(yǔ)言處理，乃至概率預(yù)測(cè)。因?yàn)檫@些算法的出色表現(xiàn)，我們處理問題的能力比原來(lái)提升了幾個(gè)數(shù)量級(jí)。放棄這一切是件可恥的事。我認(rèn)為其中一個(gè)有意識(shí)的研究方向是回過頭看每一種方法，探索非原子式符號(hào)被原子式符號(hào)取代的這個(gè)過程究竟發(fā)生了什么，諸如Word2Vec產(chǎn)生的Word Embedding之類的原理。
　　下面是一些例子。假設(shè)你有這些邏輯“事實(shí)”：
　　人會(huì)說(shuō)話；
　　除人以外的動(dòng)物不會(huì)說(shuō)話；
　　卡通人物角色會(huì)說(shuō)話；
　　魚會(huì)游泳；
　　魚是除人以外的動(dòng)物；
　　Nemo是一個(gè)卡通人物；
　　Nemo是一條魚；
　　那么我們要問了：
　　Nemo會(huì)說(shuō)話嗎？
　　Nemo會(huì)游泳嗎？
　　用邏輯來(lái)表述和解釋這個(gè)場(chǎng)景的時(shí)候遇到了兩個(gè)大問題。首先，這些事實(shí)都有例外，但是用邏輯很難窮舉這些例外情況，而且當(dāng)你邏輯出錯(cuò)的時(shí)候預(yù)測(cè)就會(huì)出問題了。其次，在相互矛盾的情況下則邏輯無(wú)能為力，就像這里的Nemo既會(huì)說(shuō)話又不會(huì)說(shuō)話。也許我們可以用Word Embedding技術(shù)來(lái)解決這些問題。我們還需要Modus Ponens Embedding（分離規(guī)則，一種數(shù)學(xué)演繹推理規(guī)則）嗎？不學(xué)習(xí)“如果A且A暗示B，則B”這樣一種抽象的規(guī)則，我們是否可以學(xué)習(xí)何時(shí)應(yīng)用這種規(guī)則是恰當(dāng)?shù)?？我覺得這是一個(gè)重要的研究領(lǐng)域。
　　再說(shuō)一點(diǎn)：許多所謂的符號(hào)主意人工智能技術(shù)實(shí)際上還是優(yōu)秀的計(jì)算機(jī)科學(xué)算法。舉個(gè)例子，搜索算法，無(wú)論A*或是蟻群優(yōu)化，或是其它任何東西，都是一種關(guān)鍵的算法，永遠(yuǎn)都會(huì)非常有用。即使是基于深度學(xué)習(xí)的AlphaGo，也包含了搜索模塊。
　　問：我們哪兒做錯(cuò)了？為什么Common Lisp不能治愈世界？
　　Peter Norvig：我認(rèn)為Common Lisp的思想確實(shí)能治愈這個(gè)世界。如果你回到1981年，Lisp被視作是另類，因?yàn)樗哂械南旅孢@些特性還不被C語(yǔ)言程序員所知：
　　垃圾回收機(jī)制；
　　豐富的容器類型及相應(yīng)的操作；
　　強(qiáng)大的對(duì)象系統(tǒng)，伴隨著各種繼承和原生函數(shù)；
　　定義測(cè)試?yán)拥膩喺Z(yǔ)言（sublanguage）（并不屬于官方版本的一部分，但我自己配置了一套）；
　　有交互式的讀入-運(yùn)算-打印循環(huán)；
　　敏捷的、增量式的開發(fā)模式，而不是一步到位的模式；
　　運(yùn)行時(shí)對(duì)象和函數(shù)的自??；
　　能自定義領(lǐng)域特定語(yǔ)言的宏。
　　如今，除了宏之外的所有這些特性都在主流編程語(yǔ)言里非常常見。所以說(shuō)它的思想取勝了，而Common Lisp的實(shí)現(xiàn)卻沒有 —— 也許是因?yàn)镃L還遺留了不少1958年編程語(yǔ)言的陋習(xí)；也許只是因?yàn)橐恍┤瞬幌矚g用大括號(hào)。
　　至于說(shuō)宏，我也希望它能流行起來(lái)，但當(dāng)用到宏的時(shí)候，你成為了一名語(yǔ)言設(shè)計(jì)者，而許多開發(fā)團(tuán)隊(duì)喜歡保持底層語(yǔ)言的穩(wěn)定性，尤其是那些大團(tuán)隊(duì)。我想最好有一套使用宏的實(shí)用指南，而不是把它們?nèi)繏仐墸ɑ蚴窃贑語(yǔ)言里嚴(yán)格限制的宏）。
　　問：在未來(lái)10年里，有沒有哪些情況下軟件工程師不需要學(xué)習(xí)人工智能或機(jī)器學(xué)習(xí)的，還是每個(gè)人都需要學(xué)習(xí)？
　　Peter Norvig：機(jī)器學(xué)習(xí)將會(huì)是（或許已經(jīng)是）軟件工程的一個(gè)重要部分，每個(gè)人都必須知道它的運(yùn)用場(chǎng)景。但就像數(shù)據(jù)庫(kù)管理員或用戶界面設(shè)計(jì)一樣，并不意味著每個(gè)工程師都必須成為機(jī)器學(xué)習(xí)專家——和這個(gè)領(lǐng)域的專家共事也是可以的。但是你知道的機(jī)器學(xué)習(xí)知識(shí)越多，在構(gòu)建解決方案方面的能力就越好。
　　我也認(rèn)為機(jī)器學(xué)習(xí)專家和軟件工程師聚在一起進(jìn)行機(jī)器學(xué)習(xí)系統(tǒng)軟件開發(fā)最佳實(shí)踐將會(huì)很重要。目前我們有一套軟件測(cè)試體制，你可以定義單元測(cè)試并在其中調(diào)用方法，比如assertTrue或者assertEquals。我們還需要新的測(cè)試過程，包括運(yùn)行試驗(yàn)、分析結(jié)果、對(duì)比今天和歷史結(jié)果來(lái)查看偏移、決定這種偏移是隨機(jī)變化還是數(shù)據(jù)不平穩(wěn)等。這是一個(gè)偉大的領(lǐng)域，軟件工程師和機(jī)器學(xué)習(xí)人員一同協(xié)作，創(chuàng)建新的、更好的東西。
　　問：我想從軟件工程師轉(zhuǎn)行成為人工智能研究員，應(yīng)該如何訓(xùn)練自己呢？
　　Peter Norvig：我認(rèn)為這不是轉(zhuǎn)行，而是一種技能上的提升。人工智能的關(guān)鍵點(diǎn)在于搭建系統(tǒng)，這正是你手頭上的工作。所以你在處理系統(tǒng)復(fù)雜性和選擇合適的抽象關(guān)系方面都有經(jīng)驗(yàn)，參與過完整的設(shè)計(jì)、開發(fā)和測(cè)試流程；這些對(duì)于AI研究員和軟件工程師來(lái)說(shuō)都是基本要求。有句老話這樣說(shuō)，當(dāng)一項(xiàng)人工智能技術(shù)成功之后，它就不再屬于人工智能，而是成為了軟件工程的一部分。人工智能工作者抱怨上述觀點(diǎn)的意思就是他們的工作永遠(yuǎn)離成功有一步之遙，但你可以認(rèn)為這表明你只是需要在已知的基礎(chǔ)上再添加一些新概念和新技術(shù)。
　　人工智能在Google
　　問：Google“沒有更好的算法，只是多了點(diǎn)數(shù)據(jù)而已”這種說(shuō)法是真的嗎？
　　Peter Norvig：我曾引用微軟研究院Michele Banko和Eric Brill發(fā)表的一篇關(guān)于分析詞性辨析算法的論文，他們發(fā)現(xiàn)增加訓(xùn)練數(shù)據(jù)得到的效果提升比更換算法更明顯。我說(shuō)過有些問題確實(shí)如此，而另一些問題則不見得。你可以認(rèn)為這篇論文是“大數(shù)據(jù)”的功勞，但要注意，在這個(gè)領(lǐng)域十億個(gè)單詞規(guī)模的訓(xùn)練數(shù)據(jù)集就能看出效果 —— 在筆記本電腦的處理范圍內(nèi) —— 還不到數(shù)據(jù)中心的量級(jí)。所以，如果你用不了數(shù)據(jù)中心，不必?fù)?dān)心 —— 你擁有的計(jì)算資源和數(shù)據(jù)量幾乎完勝任何一個(gè)上一代的人，你可以有更多的新發(fā)現(xiàn)。
　　所以沒錯(cuò)，大量與任務(wù)相契合的高質(zhì)量數(shù)據(jù)必然會(huì)有幫助。然而真正有挑戰(zhàn)的工作在于發(fā)明新學(xué)習(xí)系統(tǒng)的研究和讓其真正落實(shí)到產(chǎn)品中的工程實(shí)現(xiàn)。這個(gè)工作正是大多數(shù)機(jī)器學(xué)習(xí)成功案例的驅(qū)動(dòng)力。正如Pat Winston所說(shuō)：“人工智能就像葡萄干面包里的葡萄干，葡萄干面包的主要成分還是面包，人工智能軟件主體也是常規(guī)的軟件工程和產(chǎn)品開發(fā)?！?br /> 　　問：成為一家“AI-first”公司對(duì)Google意味著什么？
　　Peter Norvig：“傳統(tǒng)”的Google是一個(gè)信息檢索公司：你提供一個(gè)查詢，我們快速返回10個(gè)相關(guān)網(wǎng)頁(yè)結(jié)果，然后你負(fù)責(zé)找到與查詢?cè)~相關(guān)的返回結(jié)果?！艾F(xiàn)代”的Google，CEO Sundar Pichai設(shè)定了愿景，它不僅基于相關(guān)信息建議，還基于通知和助理。通知，意味著當(dāng)你需要時(shí)，我們提供你需要的信息。例如，Google Now告訴你該去赴約了，或者你目前在一家雜貨店，之前你設(shè)定了提醒要買牛奶。助理意味著幫助你實(shí)施行動(dòng)——如規(guī)劃行程、預(yù)定房間。你在互聯(lián)網(wǎng)上可以做的任何事情，Google都應(yīng)該可以幫你實(shí)現(xiàn)。
　　對(duì)于信息檢索，80%以上的召回率和準(zhǔn)確率是非常不錯(cuò)的——不需要所有建議都完美，因?yàn)橛脩艨梢院雎詨牡慕ㄗh。對(duì)于助理，門檻就高了許多，你不會(huì)使用20%甚至2%的情形下都預(yù)定錯(cuò)房間的服務(wù)。所以助理必須更加精準(zhǔn)，從而要求更智能、更了解情況。這就是我們所說(shuō)的“AI-first”。
　　Peter Nervig在Google
　　問：你的職業(yè)生涯如何起步？
　　Peter Nervig：我很幸運(yùn)地進(jìn)入了一所既有計(jì)算機(jī)編程又有語(yǔ)言課程的高中（在馬薩諸塞州牛頓縣）。這激發(fā)了我將兩者結(jié)合起來(lái)學(xué)習(xí)的興趣。在高中階段無(wú)法實(shí)現(xiàn)這個(gè)想法，但是到了大學(xué)我主修應(yīng)用數(shù)學(xué)專業(yè)，得以研究這方面（當(dāng)時(shí)，我們學(xué)校并沒有真正的計(jì)算機(jī)專業(yè)。我開始是主修數(shù)學(xué)，但很快發(fā)現(xiàn)自己并不擅長(zhǎng)數(shù)學(xué)證明，反而在編程方面如魚得水）。
　　大學(xué)畢業(yè)后，我當(dāng)了兩年的程序員，不過仍舊一直在思考這些想法，最后還是申請(qǐng)了研究生回來(lái)繼續(xù)從事科研（我過了四年才厭倦大學(xué)生活，而兩年就厭倦了工作狀態(tài)，所以我覺得我對(duì)學(xué)校的熱愛是對(duì)工作的兩倍）。研究生階段為我學(xué)術(shù)生涯打下了基礎(chǔ)，而我卻迷上了今天所謂的“大數(shù)據(jù)”（當(dāng)時(shí)還沒有這種叫法），我意識(shí)到在工業(yè)界更容易獲得所需要的資源，因此放棄了高校里的職位。我感到幸運(yùn)的是每個(gè)階段都有優(yōu)秀的合作伙伴和新的挑戰(zhàn)。
　　問：你在Google具體做什么？
　　Peter Norvig：在Google最棒的事情之一就是總有新鮮事；你不會(huì)陷入例行公事之中。在快節(jié)奏的世界中每周都是如此，當(dāng)我角色改變之后，每年更是如此。我管理的人員從兩人變成了兩百人，這意味著我有時(shí)候能深入到所參與項(xiàng)目的技術(shù)細(xì)節(jié)中，有時(shí)候因?yàn)楣芾淼膱F(tuán)隊(duì)太大，只能提一些高層次的籠統(tǒng)看法，并且我相信我的團(tuán)隊(duì)正在做的事情是正確的。在那些項(xiàng)目里，我扮演的角色更多的是溝通者和媒介——試圖解釋公司的發(fā)展方向，一個(gè)項(xiàng)目具體如何展開，將項(xiàng)目團(tuán)隊(duì)介紹給合適的合作伙伴、制造商和消費(fèi)者，讓團(tuán)隊(duì)制定出如何實(shí)現(xiàn)目標(biāo)的細(xì)節(jié)。我在Google不寫代碼，但是如果我有一個(gè)想法，我可以使用內(nèi)部工具寫代碼進(jìn)行實(shí)驗(yàn)，看看這個(gè)想法是否值得嘗試。我同樣會(huì)進(jìn)行代碼審查，這樣我就可以了解團(tuán)隊(duì)生產(chǎn)的代碼，而且這也必須有人去做。
　　還有很多的會(huì)議、郵件、文檔要處理。與其他我工作過的公司相比，Google的官僚主義更少，但有時(shí)候是不可避免的。我也會(huì)花一些時(shí)間參加會(huì)議、去大學(xué)演講、與客戶交流，以及參與Quora問答。
　　問：在加入Google之前，你曾擔(dān)任美國(guó)宇航局（NASA）計(jì)算科學(xué)部門的主要負(fù)責(zé)人，在美國(guó)宇航局的工作與Google的工作有何不同？有哪些文化的差異？
　　Peter Norvig：美國(guó)宇航局與Google有很多共同之處：它們都有一群優(yōu)秀敬業(yè)并且充滿激情的員工，這些人相信它們的工作使命。而且兩者都在推動(dòng)各自技術(shù)的上限。因此，他們?cè)谔囟?xiàng)目中的文化往往是相似的。
　　同時(shí)也存在一些差異。美國(guó)宇航局的Gene Kranz曾說(shuō)過一句名言：“失敗不是種選擇（Failure is not an option）。”美國(guó)宇航局經(jīng)常會(huì)有幾億美元的使命任務(wù)，任何一個(gè)錯(cuò)誤都有可能毀滅一切。因此，需要極其小心。Google的項(xiàng)目范圍往往更接近Adam Savage的想法（與Jeff Dean相互呼應(yīng)）“失敗自古至今就是一種選擇（Failure is always an option）”。Google相信，單臺(tái)計(jì)算機(jī)可能會(huì)發(fā)生故障，而設(shè)計(jì)網(wǎng)絡(luò)系統(tǒng)可以從故障中恢復(fù)。在Google，有時(shí)我們可以在用戶看到錯(cuò)誤之前進(jìn)行恢復(fù)糾正，而有時(shí)當(dāng)一個(gè)錯(cuò)誤曝光后，我們可以在簡(jiǎn)短的時(shí)間內(nèi)糾正它，同時(shí)向受到影響的用戶致歉，而這在美國(guó)宇航局是很少見的。
　　一方面是因?yàn)槭〉念A(yù)期成本存在差異，另一方面是由于空間硬件的成本巨大（參見我在那做的東西），再者就是政府與私人機(jī)構(gòu)的差異，基于這一優(yōu)勢(shì)，Google更容易啟動(dòng)新項(xiàng)目，并在已有的項(xiàng)目中迅速推動(dòng)新項(xiàng)目的進(jìn)展。
　　問：你是如何權(quán)衡新功能的開發(fā)與舊功能的維護(hù)呢？
　　Peter Norvig：盡你所能將任務(wù)做得最好，并且不斷改進(jìn)，這樣就會(huì)得到提高。
　　我曾一次次地發(fā)現(xiàn)：團(tuán)隊(duì)的新員工說(shuō)“我們?yōu)槭裁床皇褂肵？”，一位老員工回答說(shuō)：“我們?nèi)昵熬驮囘^了X，結(jié)果證明它并不管用”。此時(shí)的難題是：你是否接受那位老前輩的回答？或者說(shuō)，現(xiàn)在的情況已經(jīng)改變了，是時(shí)候重新審視X了？也許我們有新的數(shù)據(jù)，或者新的技術(shù)，又或者新員工將采取不同的方法，或者說(shuō)世界改變了，X將會(huì)比以往工作得更好。我無(wú)法告訴你該問題的答案，你必須權(quán)衡所有證據(jù)，并與其他類似問題進(jìn)行比較。
　　程序員提升之道
　　問：《人工智能：一種現(xiàn)代方法》還會(huì)有新的版本嗎？
　　Peter Norvig：是的，我正在為此努力。但至少還需要一年的時(shí)間。
　　問：我是一名研究生，我的人工智能課程使用《人工智能：一種現(xiàn)代方法》作為參考教材，我如何才能為人工智能編程項(xiàng)目做貢獻(xiàn)？
　　Peter Norvig：現(xiàn)在正是時(shí)候：我正在為《人工智能：一種現(xiàn)代方法》這本書的下一個(gè)版本的配套代碼工作，在https://github.com/aimacode上，你可以找到Java、Python和Java子項(xiàng)目，我們一直在尋找好的貢獻(xiàn)者。除了提供書中所有算法的代碼實(shí)現(xiàn)，我們還希望提供tutorial材料和練習(xí)。此外，GitHub上也還有其他好的人工智能項(xiàng)目，都希望有鐵桿貢獻(xiàn)者。
　　問：有沒有像可汗學(xué)院（Khan Academy）和Udacity一樣的在線資源，可以讓人們?cè)诓坏健笆辍本途ㄒ婚T學(xué)科呢？
　　Peter Norvig：精通可能需要十年，或者是10000個(gè)小時(shí)，這種時(shí)間會(huì)因任務(wù)、個(gè)體以及訓(xùn)練方法的不同而有所差異。但真正的精通并非易事。可汗學(xué)院和Udacity主要是提供了技術(shù)培訓(xùn)，讓你不斷努力地學(xué)習(xí)直到你真正地掌握它。在傳統(tǒng)的學(xué)校教學(xué)當(dāng)中，如果你在考試中獲得的成績(jī)是“C”，你就不會(huì)再去花更多的時(shí)間去學(xué)習(xí)并掌握它，你會(huì)繼而專注于下一個(gè)學(xué)科，因?yàn)榘嗉锩總€(gè)人都是這樣做的。在線資源不是萬(wàn)能的，精通它需要加倍努力地學(xué)習(xí)，而學(xué)習(xí)需要?jiǎng)恿?，?dòng)力則可以通過人與人之間的聯(lián)系逐步提升，這在網(wǎng)上是很難學(xué)到的。因此，在一個(gè)領(lǐng)域，走上正軌，我們需要在社交、動(dòng)機(jī)方面做更多的工作，我們需要對(duì)個(gè)人需求有針對(duì)性地做更多的定制培訓(xùn)，同時(shí)我們還需要做更多使實(shí)踐審慎和有效的工作。我認(rèn)為，在線資源主要的最終結(jié)果不是縮短精通的時(shí)長(zhǎng)，而是增加更多學(xué)生實(shí)現(xiàn)精通的機(jī)會(huì)。
　　問：如果請(qǐng)你再次教授《計(jì)算機(jī)程序設(shè)計(jì)》（Udacity）這門課程，會(huì)做哪些改變呢？
　　Peter Norvig：我認(rèn)為這門課程很好，反饋（不管是數(shù)量還是質(zhì)量）大多都是好的。就個(gè)人而言，我希望有更多的實(shí)例程序和技術(shù)。我想修正之前我們犯下的一些錯(cuò)誤（主要是因?yàn)檎n程進(jìn)展太快，沒有太多的時(shí)間去測(cè)試所有的東西）。我希望系統(tǒng)能夠更加互動(dòng)：讓學(xué)生獲得更多的反饋信息，不僅僅是“你的程序不正確”，同時(shí)可以讓學(xué)生看到下一件要做的事情，讓他們知道到目前為止已經(jīng)做了什么。我認(rèn)為對(duì)于學(xué)生而言，正則表達(dá)式和語(yǔ)言這部分進(jìn)展速度過快了；另外，我還想添加更多的材料，讓學(xué)生加快學(xué)習(xí)速度，同時(shí)給他們更多的機(jī)會(huì)去實(shí)踐新想法。
?