关于 Google AI 的发展方向，掌门人 Jeff Dean 来揭秘

关于 AI，一面天使，一面恶魔。AI 应用会向着哪一极发展，不在于 AI 本身，而在于创造 AI，应用 AI 的人。自 AI  诞生以来，关于 AI 的发展、利弊等方面的讨论屡见不鲜。从 DeepFake 的 AI 换脸风波，到 DeepNude 的一键脱衣，AI  在带来生活便利性的同时，也招致了 AI 伦理的质疑。AI 的路，究竟该如何行进下去？关于这个问题，致力于“AI first”发展的 Google  或许有着不一样的发言权。而近日，Google 首席架构师、AI 团队负责人 Jeff Dean 在媒体采访中就对 Google AI  带来的相关问题进行了回应，雷锋网对相关内容进行了不改变原意的编译。雷锋网注：【 图片来源：WIRED  所有者：WIRED  】问：您做了一个关于制造新型计算机来驱动机器学习的研究报告，能否透露一下 Google  正在测试什么新想法呢？答：在芯片上利用机器学习进行电路的布置和布线。当你设计了一堆新的电路后，你需要把它融进芯片中，以一种有效的方式对面积、使用功率以及其他参数进行优化。通常情况下，人类学专家在几周内就可以完成。而我们可以获得和人类学专家同等，甚至是更好的效果。在  Google，我们就一直在使用不同的内部芯片，如 TPU 这种（雷锋网按，Google 的自定义机器学习芯片）。问：如今，具有强大功能的芯片对 AI  的发展越来越重要，但 Facebook 的 AI 负责人最近却表示这种依靠芯片发展 AI 的策略将会陷入瓶颈。在本周，Google  的一位顶级研究人员也附议了这个想法，你怎么看呢？答：我认为，建立一个更有效、规模更大的计算系统，尤其是为机器学习量身定制的系统依然是很有潜力的。并且，在过去五六年里所做的基础研究也有很大的应用空间，我们将与  Google  产品部的同事进行合作，将这些东西投入实际应用。不过，我们也在考虑一些即将到来的问题，考虑今天能做什么，不能做什么。另外，我们还想构建一个泛化到新任务的系统，如果能用更少的数据、更少的计算来做事情，这将很有趣。问：近期，在国际人工智能顶级学术会议  NeurIPS 上，关于人工智能应用程序的伦理问题颇受关注。在 18 个月前，Google  曾因与五角大楼合作的人工智能项目“Maven”遭到抗议而宣布了一套人工智能伦理原则，在那之后，人工智能在 Google  的工作中发生了什么变化？答：我认为，我们将这些原则付诸实践的方式将能够让 Google  员工更好地理解这些原则。不过，这需要一个过程。通过这个过程，产品可以在设计整个系统之前，以某种方式使用机器学习来获得早期的意见，比如，你应该如何收集数据，以确保它没有偏见或诸如此类的事情。同时，我们也将继续推动那些体现在原则中的研究方向，我们在偏见、公平、隐私和机器学习等方面做了很多工作。问：虽然  Google 发布的原则剔除了武器方面的合作，但仍然与政府有国防方面的业务往来。想请问在 Maven 项目之后，Google  是否启动了任何新的军事项目？答：我们很乐意以符合我们原则的方式与军方或其他政府机构合作。比如说，如果利用云计算能够提升海岸警卫队人员的安全性，那我们将很乐意这么做，同时，这也确实是云计算部门的业务范围。问：近期，DeepMind  的联合创始人 Mustafa Suleyman 宣布加入 Google，他提到将与您以及 Google 首席法务官 Kent Walker  一同合作，请问你们将会一起做些什么呢？答：Mustafa 对人工智能相关政策的问题有着广泛的见解，同时，他也参与了 Google AI  原则的审查过程，我认为他应该会聚焦于 AI 伦理和和 AI 政策的相关工作上。关于他的工作内容，我想应该由他个人说明会好一些。另外， Kent  团队目前正在致力于完善人工智能原则，为那些想要在 Google 产品中应用人脸识别等 AI  功能的团队提供更多的指导。问：在本周，您曾就“机器学习如何帮助社会应对气候变化”这一主题发表了演讲。那么，您认为（机器学习的）机会在哪儿呢？您又是如何看待机器学习项目本身带来的大量能耗呢？答：事实上，机器学习在气候问题上能有许多方面的应用。最近，有一篇关于利用机器学习应对气候变化的论文发表，有  100 多页长，我的同事 John Platt  是作者之一。论文里提到，机器学习可以帮助提高交通运输的效率。另外，由于传统模型的计算量非常大，限制了空间分辨率，而机器学习能使气候模型更加精确。我主要关注的是碳排放和机器学习。在我看来，机器学习项目的碳排放在总排放量中所占的比例还是相对较小的。在  Google 数据中心，我们全年所有计算需求的能源都是 100%  可再生的。问：除了气候变化，您和您的团队明年还将扩展哪些研究领域呢？答：下一年可能会多致力于“多模式学习”：具有不同类型的模式的任务，例如视频和文本、视频和音频。作为一个社区，我们在这一方面做的还不够多，未来将会在这一方面多发力。另外，关于医疗保健的机器学习也将会是我们所聚焦的领域。还有，设备上的机器学习模型也是我们关注的。如果我们能够把设备上的机器学习模型做得更好，我们就可以将更多有趣的功能加入到  Google 硬件部门所制造的手机和其他设备中。
                                                 本文转自雷锋网，如需转载请至雷锋网官网申请授权。