研究三巨頭探討人工智能發(fā)展現(xiàn)狀和趨勢(shì)

概要：日前 AAAS 在 reddit 上組織了一場(chǎng)問答，F(xiàn)acebook 人工智能研究院 Yann LeCun，微軟研究院院長(zhǎng) Eric Horvitz，谷歌研究總監(jiān) Peter Norvig 共同出席此次活動(dòng)，回答了觀眾提出的一系列問題。

日前 AAAS 在 reddit 上組織了一場(chǎng)問答，F(xiàn)acebook 人工智能研究院 Yann LeCun，微軟研究院院長(zhǎng) Eric Horvitz，谷歌研究總監(jiān) Peter Norvig 共同出席此次活動(dòng)，回答了觀眾提出的一系列問題，包括如何研究更通用的人工智能，如何看待深度學(xué)習(xí)熱，AI 的下一個(gè)突破點(diǎn)，量子計(jì)算是否會(huì)對(duì) AI 產(chǎn)生影響，用戶的安全隱私問題等。

Q：現(xiàn)在，為了讓 AI 在圍棋中戰(zhàn)勝人類選手，或者使用深度學(xué)習(xí)解決特定的科學(xué)任務(wù)，我們投入了很多人力物力。取得的成就雖然很棒，但 AI 能解決的問題極其有限。能否找到一種蘇格拉底式的 AI，能闡明它勝任的所有任務(wù)背后的原理。目前不將上百萬種特定的 AI 組合在一起，你沒法構(gòu)建一個(gè)通用的 AI 系統(tǒng)。如何將只能解決特定問題的人工智能轉(zhuǎn)為更通用的人工智能？

Yann LeCun：在我看來，讓機(jī)器通過觀察來學(xué)習(xí)預(yù)測(cè)模型是 AGI（通用人工智能）的最大障礙。這并不是唯一方法。人類嬰兒和許多動(dòng)物似乎通過觀察世界、與其交互得到一種常識(shí) (與我們的 RL 系統(tǒng)相比，需要的交互非常少)。我的直覺是，大腦中很大一部分相當(dāng)于預(yù)測(cè)機(jī)器，它訓(xùn)練自己去預(yù)測(cè)它所能預(yù)測(cè)的一切 (從觀測(cè)中預(yù)測(cè)出未觀測(cè)到的變量，例如通過過去和現(xiàn)在預(yù)測(cè)未來)。

可以用預(yù)測(cè)模型計(jì)劃和學(xué)習(xí)新的任務(wù)，這一過程中只需與世界進(jìn)行極少的交互。目前的「無模型」RL 系統(tǒng)，像 AlphaGo Zero，需要與「世界」進(jìn)行大量的交互來學(xué)習(xí) (盡管他們確實(shí)學(xué)得很好)。這種系統(tǒng)在圍棋和象棋上都做得很好，因?yàn)檫@里的「世界」很簡(jiǎn)單，是確定的，而且可以在多個(gè)電腦上同時(shí)高速運(yùn)行。與這種「世界」進(jìn)行互動(dòng)是可行的，成本極低。但這在現(xiàn)實(shí)世界中行不通，你不可能為了讓系統(tǒng)只是學(xué)會(huì)不在懸崖邊開車，而讓它在懸崖邊開無數(shù)次車。大腦中的模型告訴我們，在懸崖邊開車是個(gè)壞主意。我們只需要一次就知道這個(gè)道理了。而如何讓機(jī)器來學(xué)習(xí)這樣的模型?

Eric Horvitz：是的，可以這樣形容最近一系列取得勝利的 AI 系統(tǒng)——聰明而又片面的「學(xué)者」。人類智力背后存在著無數(shù)的未解之謎，我們并沒有取得多大進(jìn)展。包括「人工智能」，其背后也存在一系列亟待解決的問題。這些問題中，包括人們?nèi)绾卧陂_放的世界中以一種「無監(jiān)督」的方式學(xué)習(xí)，人類「常識(shí)」背后的機(jī)制和原理，以及人類是如何輕松將事情進(jìn)行歸納總結(jié)的。

目前有幾個(gè)研究方向可以回答這些挑戰(zhàn)，其中包括不斷推動(dòng)在特定領(lǐng)域和某些應(yīng)用領(lǐng)域的研究，那里一定會(huì)出現(xiàn)突破。然而，我認(rèn)為我們需要追求更通用的人工智能。

方法之一是采用綜合人工智能：我們是否能將多種能力 (如語音識(shí)別、自然語言、視覺、規(guī)劃和推理) 整合起來，探究整合過程中的需要解決的難題。

另一種方法是不斷推動(dòng) DNNs 這種核心方法的發(fā)展，并追求更通用的解決問題的方法。我認(rèn)為這一領(lǐng)域的突破很難實(shí)現(xiàn)，但將非常有價(jià)值。

下面這篇文章是關(guān)于通用 AI 框架的一些有意思的發(fā)展方向：

Q：目前，很多關(guān)于機(jī)器學(xué)習(xí)的研究都轉(zhuǎn)向了深度學(xué)習(xí)。

（1）這會(huì)減少機(jī)器學(xué)習(xí)研究的多樣性嗎？

（2）為了支持深度學(xué)習(xí)研究，其他的范式如概率圖模型、支持向量機(jī)等的研究會(huì)被拋棄嗎？正如 90 世紀(jì)的深度學(xué)習(xí)一樣，也許現(xiàn)在這些表現(xiàn)不好的模型在未來會(huì)表現(xiàn)得很好。

Yann LeCun：隨著我們?cè)?AI 上取得進(jìn)步，我的感覺是深度學(xué)習(xí)只是解決方案的一部分。在復(fù)雜的（可能是動(dòng)態(tài)的）圖形中集成參數(shù)化模塊并從數(shù)據(jù)中優(yōu)化參數(shù)的想法并沒有過時(shí)。從這個(gè)意義上說，只要我們還沒有找到不需要使用梯度來優(yōu)化參數(shù)的好辦法，深層學(xué)習(xí)就不會(huì)消失。也就是說，正如我們今天所知道的那樣，深度不足以構(gòu)成「完整」的人工智能。我一直喜歡說定義動(dòng)態(tài)深層結(jié)構(gòu)的能力（即按照程序定義計(jì)算圖，其結(jié)構(gòu)隨著新的輸入而改變）的能力可以將深度學(xué)習(xí)推廣為可微編程方法。

但事實(shí)上，我們至少遺漏了兩件事：（1）可以推理的機(jī)器，而不僅僅是感知和分類，（2）機(jī)器可以通過觀察世界來學(xué)習(xí)，而不需要人類策劃的訓(xùn)練數(shù)據(jù)，不需要與世界進(jìn)行太多次交互。有些人稱之為無監(jiān)督學(xué)習(xí)，但這個(gè)短語太模糊了。

我們需要機(jī)器學(xué)習(xí)的一種方式是學(xué)習(xí)人類的嬰兒和動(dòng)物：他們主要通過觀察來建立世界模型，并且有非常少量的交互作用。這是下一個(gè)十年的挑戰(zhàn)。

至于問題（2）深度學(xué)習(xí)和圖形模型之間沒有對(duì)立。你可以這樣使用圖形模型，比如因子圖，其中的因子是整個(gè)神經(jīng)網(wǎng)絡(luò)。這些是正交概念。人們?cè)?jīng)在深度學(xué)習(xí)框架的基礎(chǔ)上建立了概率規(guī)劃框架。例如 Uber 的 Pyro，它是通過 PyTorch 建立的（概率編程可以看作圖形模型的推廣、類似可微編程是深度學(xué)習(xí)的泛化推廣）。事實(shí)證明，在圖模型中使用反向傳播進(jìn)行推理是非常有用的。當(dāng)數(shù)據(jù)匱乏并且可以手動(dòng)特征化時(shí)，SVM、核方法、樹模型等更好用。

Eric Horvitz：人們對(duì)于深度神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)任務(wù)和分類的能力感到很興奮。將其應(yīng)用于對(duì)象識(shí)別、語音識(shí)別、翻譯（結(jié)合強(qiáng)化學(xué)習(xí)思想）等的準(zhǔn)確率不斷提高。然而，AI 是一個(gè)寬廣的領(lǐng)域，有著大量有前途的分支學(xué)科——并且 AI 的機(jī)器學(xué)習(xí)分支也還有著大量的分支。

我們需要繼續(xù)開發(fā)有潛力的 AI 技術(shù)，包括概率圖模型、決策理論分析、邏輯推理、規(guī)劃、算法博弈論、元推理和控制論等已有的豐富成果。我們還需要將領(lǐng)域進(jìn)行擴(kuò)展，例如將有限理性模型推廣到開放世界中研究智能體。

在微軟研究室，我們?cè)?DNNs 上付出了不少努力，投資更廣泛的 AI 項(xiàng)目。我們也對(duì)如何結(jié)合邏輯推理、DNNs 和其他的機(jī)器學(xué)習(xí)感興趣。例如，你可以看看我們用 DNNs+邏輯來自動(dòng)編程的例子。

Q：你認(rèn)為深度深度學(xué)習(xí)只是一時(shí)的潮流，還是長(zhǎng)期的趨勢(shì)？雖然我了解到基于深層學(xué)習(xí)的模型使得計(jì)算機(jī)視覺和 NLP 方面有了巨大的改進(jìn)。你認(rèn)為深度學(xué)習(xí)是解決視覺和 NLP 問題的模式嗎？或者，不久就會(huì)有新的范式出現(xiàn)？

Peter Norvig：我認(rèn)為「深度學(xué)習(xí)」這個(gè)品牌已經(jīng)創(chuàng)造了很大的價(jià)值，因此不管基礎(chǔ)技術(shù)有多大變化，它還會(huì)維持很長(zhǎng)一段時(shí)間。即使 CNNs 和 Relus 興起，我認(rèn)為「深度學(xué)習(xí)」這個(gè)名字還將持續(xù)。

至于基本概念或方法，我認(rèn)為我們?cè)谀Ｊ狡ヅ鋯栴}上做得很好，但在關(guān)系推理和規(guī)劃方面做得并不好。我們可以做一些抽象的形式，所以我們需要大量的新思想。

Q：我想知道是否有人試圖設(shè)計(jì)一種模仿情感的獎(jiǎng)勵(lì)系統(tǒng)。我相信人工智能系統(tǒng)必須與世界有某種聯(lián)系，「情感」是真正把我們與環(huán)境結(jié)合在一起的粘合劑。我正在想象 AI 通過完成一項(xiàng)任務(wù)能達(dá)到的某種狀態(tài)。例如，我們有可以打敗國(guó)際象棋大師的計(jì)算機(jī)，但我們能擁有想要贏的計(jì)算機(jī)嗎？一個(gè)想法可能是分割數(shù)據(jù)，如果完成了一個(gè)任務(wù)，就會(huì)打開一個(gè)分區(qū)。所有的生命形式都通過一種獎(jiǎng)勵(lì)制度進(jìn)化。

Peter Norvig：事實(shí)上，阿爾法狗等系統(tǒng)在圍棋對(duì)弈以及其他游戲中取得的成果，主要來源于：一個(gè)系統(tǒng)的獎(jiǎng)勵(lì)，我們稱之為「強(qiáng)化學(xué)習(xí)」。Alpha Zero 只從輸?shù)粢槐P游戲或者贏得一盤游戲中獲益，沒有任何預(yù)先的專家知識(shí)，有的只是游戲的規(guī)則和「嘗試更多能獲得積極獎(jiǎng)勵(lì)的行為，更少獲得消極反饋的行為」。所以，從某種意義上說，Alpha Zero 唯一「想要」的是贏。在另一個(gè)意義上說，它不想任何東西，它沒有感受或好或壞的事情的感覺，它只是想從計(jì)算上獲得最大的比分。

Q：很多傳統(tǒng)統(tǒng)計(jì)模型的價(jià)值在于：我們能清楚地知道模型在做什么，它們是如何得出結(jié)論的，在推斷/預(yù)測(cè)時(shí)的不確定因素。深度學(xué)習(xí)的方法在預(yù)測(cè)方面也很不錯(cuò)，但它們往往是「黑箱子」。對(duì)于 ANNs 等模型的內(nèi)部機(jī)制，我們有哪些了解？了解模型的內(nèi)部機(jī)制是否重要？我認(rèn)為在做重大決策（例如自動(dòng)駕駛、臨床決策）時(shí)，了解模型的內(nèi)部機(jī)制極其重要。

Peter Norvig：這是當(dāng)前研究的一個(gè)重要領(lǐng)域。你可以從 Big Picture blog 或 Chris Olah 的博客中看到谷歌是如何來進(jìn)行這一研究的。我認(rèn)為理解上的困難更多的是來自于問題本身，而不是解決方案。當(dāng)然，二維線性回歸極易理解，但它不適用于非良好線性模型問題。同樣地，隨機(jī)森林或者標(biāo)準(zhǔn)的 Python/Java 代碼中「if/then」規(guī)則很容易理解，但是如果這些規(guī)則真的是一目了然的話，代碼中就不會(huì)有 bug 了。

我想說的不僅僅是「理解」，還有「可信度」。我們什么時(shí)候可以信任一個(gè)系統(tǒng)？特別是當(dāng)系統(tǒng)做出重大決策的時(shí)候。有很多方面：

是否可以理解代碼/模型；

模型是否長(zhǎng)期在很多案例上得到過驗(yàn)證；

是否能確信世界沒有發(fā)生變化，將我們帶入模型從未見過的狀態(tài)；

模型能否抵抗對(duì)抗性攻擊；

模型能否抵抗 degradation 測(cè)試，即故意削弱模型的一部分，看其他部分如何工作；

過去是否有成功的相似技術(shù)；

模型是否被持續(xù)監(jiān)控、驗(yàn)證和更新；

模型外部采取了哪些檢查措施？有其他系統(tǒng)檢查輸入和輸出系統(tǒng)嗎；

采取什么語言與系統(tǒng)通信？能問系統(tǒng)正在做什么嗎；

我能給它一些建議嗎？如果它出錯(cuò)了，我只能給它成千上萬個(gè)新的訓(xùn)練案例嗎？是否可以直接對(duì)它說：「不，你得出的 X 是錯(cuò)誤的，因?yàn)槟愫雎粤?Y?！?/p>

……

這是一個(gè)很偉大的研究領(lǐng)域，希望未來看到更多的工作。

Q：你認(rèn)為 Capsule 網(wǎng)絡(luò)怎么樣？除了 MultiMNIST，你們?cè)谄渌麛?shù)據(jù)集上有成功應(yīng)用過它嗎？當(dāng)輸入更多數(shù)據(jù)時(shí)，CNN 和它相比如何？

Yann LeCun：將膠囊網(wǎng)絡(luò)應(yīng)用于大規(guī)模的數(shù)據(jù)集是個(gè)不錯(cuò)的想法，Geoff Hinton 已經(jīng)思考了幾十年。他一直在尋找將其成功用于 MNIST 上的方法，如果想要將其成功用于 ImageNet 或其他數(shù)據(jù)集上，也需要花費(fèi)很多的精力。此外，也不知道其在性能上是否存在優(yōu)勢(shì)。膠囊網(wǎng)絡(luò)可以看成是一種具備特殊池化方式的卷積網(wǎng)絡(luò)。

Q：你們?cè)谘芯?AI 時(shí)發(fā)現(xiàn)最嚇人的事情是什么？

Yann LeCun:這項(xiàng)研究沒有什么可怕的（與一些小報(bào)有時(shí)聲稱的相反）。

可怕的事情只發(fā)生在人們?cè)噲D過早地部署 AI 系統(tǒng)時(shí)。特斯拉自動(dòng)駕駛儀功能超酷，但是，作為一個(gè)司機(jī)，你必須理解它的局限性，以便安全地使用它（它使用的是卷積網(wǎng)?。?。

Eric Horvitz:對(duì)于如何在安全關(guān)鍵領(lǐng)域部署人工智能，我們有一些自己的理解——例如，當(dāng)機(jī)器和人員協(xié)同工作時(shí)，我們努力實(shí)現(xiàn)「人工智能協(xié)作」。

我們?cè)?AAAS 會(huì)議上有討論這個(gè)話題：

https://aaas.confex.com/aaas/2018/meetingapp.cgi/session/17970

Q：當(dāng)人工智能機(jī)器人能夠比任何一個(gè)團(tuán)隊(duì)更好地預(yù)測(cè)/引起市場(chǎng)波動(dòng)，然后以閃電般的方式買賣股票、產(chǎn)品、土地等，會(huì)發(fā)生什么？我們能采取什么樣的保障措施來防止 AI 的一些先驅(qū)者稱霸世界市場(chǎng)？

Peter Norvig：多年來，有大量交易者將先進(jìn)的統(tǒng)計(jì)模型運(yùn)用到股票市場(chǎng)，取得了不錯(cuò)的成果。無論你有多聰明，你始終不知道還有多少空間，能讓你把事情做的更好。就我個(gè)人而言，我認(rèn)為我們應(yīng)該提前幾年就采取行動(dòng)，通過控制交易的速度/或在交易上施加更高的成本，來抑制定量交易的效果。比我更了解交易的人或許有更好的保障辦法，但我不認(rèn)為 AI 從根本上改變了規(guī)則。

Yann LeCun：你越能準(zhǔn)確地預(yù)測(cè)的市場(chǎng)，你就使得市場(chǎng)越難預(yù)測(cè)。完全有效的市場(chǎng)是完全不可預(yù)測(cè)的。因此，如果市場(chǎng)完全由一系列完美的（或準(zhǔn)完美的）自動(dòng)交易系統(tǒng)組成，每個(gè)人都會(huì)得到完全相同的回報(bào)（這與市場(chǎng)指數(shù)的表現(xiàn)相同）。

Q：量子計(jì)算的進(jìn)步驅(qū)動(dòng)了 AI 研究嗎？如何看待二者在未來的融合？

Peter Norvig：目前我想做的很多事情量子計(jì)算都幫不上忙。我經(jīng)常想要通過一個(gè)相對(duì)簡(jiǎn)單的算法來處理海量文本，而量子計(jì)算對(duì)此并無幫助。不過，量子計(jì)算可能有助于更高效地搜索深度網(wǎng)絡(luò)的參數(shù)空間。我不知道是否有人做出了這樣的量子算法，不需要考慮如何用硬件來實(shí)現(xiàn)，如果在理論上可行也可能會(huì)有所幫助。

Yann LeCun：驅(qū)動(dòng)？當(dāng)然不是，量子計(jì)算對(duì)于 AI 的影響如何，說實(shí)話，我目前還不清楚。我認(rèn)為，它在短期內(nèi)不可能對(duì) AI 產(chǎn)生影響。

Q：許多人在使用搜索引擎和 Siri，Google Home 等語音助手時(shí)都會(huì)擔(dān)心隱私泄露。當(dāng) AI 成為我們生活中密不可分的一部分時(shí)，有什么措施可以使得用戶在使用 AI 的同時(shí)保護(hù)其行為數(shù)據(jù)？

Eric Horvitz：我能理解這種擔(dān)心，我們公司的員工對(duì)于終端用戶數(shù)據(jù)采取了嚴(yán)格的匿名措施，數(shù)據(jù)短暫停留后就會(huì)被刪除，并且為用戶提供了多種方法來觀察，控制和刪除數(shù)據(jù)。我相信 Google 和 Facebook 也采用了同樣嚴(yán)格的方法，對(duì)此我沒有什么不滿。

隨著歐盟發(fā)布的「一般數(shù)據(jù)保護(hù)條例」(GDPR) 開始實(shí)施，對(duì)于用戶數(shù)據(jù)的把控會(huì)越來越嚴(yán)格。在保護(hù)用戶隱私方面的努力讓人覺得很棒，例如私下訓(xùn)練 AI 系統(tǒng)和為用戶提供更多選擇。在幾年前 IAPP 的會(huì)議上曾討論過后者的解決方案，可以在這里查看：http://erichorvitz.com/IAPP_Eric_Horvitz.pdf

Q：這些發(fā)展 AI 的公司（特別是 Facebook）背后的動(dòng)機(jī)是什么呢？在我看來用戶并不像 AI 公司那樣關(guān)心 AI。一些公司借助 AI 來手機(jī)用戶數(shù)據(jù)來盈利，更是激化了用戶與公司之間的矛盾。如何讓像我這樣的用戶相信這些產(chǎn)品不是打著 AI 的旗號(hào)，實(shí)際上是為了收集用戶數(shù)據(jù)？

Peter Norvig：你提到了數(shù)字助手，我認(rèn)為這個(gè)技術(shù)明顯是站在用戶一邊的，你的數(shù)字助理將是你的——你可以訓(xùn)練它去做你想做的事情；在某些情況下，它只會(huì)在你的設(shè)備上運(yùn)行你的私人數(shù)據(jù)，沒有其他人可以訪問它的內(nèi)部工作。它將作為你的代理人，你不用直接去一家大公司的網(wǎng)站，希望他們能提供給你有用的東西，而你的代理人會(huì)整理這些產(chǎn)品，確保你得到你想要的東西。

Yann LeCun：這對(duì)于我們科學(xué)家來說不成問題。真正的問題是「你信任你的數(shù)據(jù)嗎？」你相信你的手機(jī)公司，你的 ISP，你的手機(jī)/操作系統(tǒng)制造商，你最喜歡的搜索或社交網(wǎng)絡(luò)服務(wù)，你的信用卡公司，你的銀行，你使用的每一個(gè)移動(dòng)應(yīng)用程序的開發(fā)者嗎？看看它們的數(shù)據(jù)政策，選擇你可以信任的產(chǎn)品，確認(rèn)他們不向第三方銷售（或泄露）你的數(shù)據(jù)。在數(shù)據(jù)上遵從倫理并不會(huì)帶給公司利益沖突，因?yàn)閺拈L(zhǎng)遠(yuǎn)來看，遵從數(shù)據(jù)倫理是唯一的好政策。

Eric Horvitz：我同意彼得的觀點(diǎn)。在構(gòu)建個(gè)人代理方面，存在著一些有趣的可能性，這些代理只根據(jù)他們所服務(wù)的人的偏好共享數(shù)據(jù)，并且這些代理只會(huì)根據(jù)所有者的指令行事。這是一個(gè)不錯(cuò)的研究領(lǐng)域。

Q： 我是本科新生，幾年前我就想在 AI 領(lǐng)域工作，但是除了我的教授們我沒有任何的資源。我的學(xué)校很小，要參加招聘會(huì)都得去別的城市，我如何能與 AI 領(lǐng)域產(chǎn)生更多的聯(lián)系呢？

Peter Norvig：我建議你自己通過課程或討論論壇在線交友繼續(xù)學(xué)習(xí)。明顯地，要憑借小學(xué)校的項(xiàng)目，找到 AI 方面的工作很難。但是，你可以在一家大公司獲得軟件工程師的職位，一旦你到了那里，表達(dá)你對(duì) AI 的興趣，在工作中學(xué)習(xí)，密切關(guān)注你所能從事的與 AI 相關(guān)的項(xiàng)目，并且很有可能在更短的時(shí)間內(nèi)取得博士學(xué)位，你將成為公司中一個(gè)公認(rèn)的人工智能專家。

Q：我是一名學(xué)習(xí)核工程/等離子體物理學(xué)研究生，正計(jì)劃轉(zhuǎn)向 AI 研究。

關(guān)于 AI 領(lǐng)域：AI 研究的下一個(gè)里程碑會(huì)是什么？目前需要攻克哪些挑戰(zhàn)來達(dá)到這些里程碑？

關(guān)于專業(yè)技能：我需要具備哪些關(guān)鍵技能/知識(shí)？剛?cè)腴T的人該如何學(xué)習(xí)？

Yann LeCun：深度無監(jiān)督學(xué)習(xí)、可以進(jìn)行推理的深度學(xué)習(xí)系統(tǒng)是下一個(gè)里程碑。無監(jiān)督學(xué)習(xí)需要面臨的挑戰(zhàn)：學(xué)習(xí)世界的層次化表征，以理解變化的解釋因素。如何在不完全可預(yù)測(cè)的世界中進(jìn)行預(yù)測(cè)，這是機(jī)器需要學(xué)習(xí)的。關(guān)鍵技能：良好掌握數(shù)學(xué)（線性代數(shù)、多變量微積分、概率統(tǒng)計(jì)、優(yōu)化學(xué)等）、熟練的編程技能、科學(xué)方法論。總的來說，創(chuàng)造力和知覺也很重要。

Peter Norvig：我對(duì)能真正理解人類語言、能進(jìn)行實(shí)際對(duì)話的助理很感興趣，這將是很重要的里程碑事件。其中挑戰(zhàn)是結(jié)合抽象推理和規(guī)劃將模式匹配，目前我們只能在非常形式化的領(lǐng)域，如圍棋中才能做的很好，而在現(xiàn)實(shí)世界中還遠(yuǎn)遠(yuǎn)不夠。

作為物理學(xué)家是你的一大優(yōu)勢(shì)，你的數(shù)學(xué)背景、實(shí)驗(yàn)、建模和處理不確定性、誤差的思維很適合學(xué)習(xí) AI。我見到過很多物理學(xué)家在 AI 領(lǐng)域做得不錯(cuò)。