感知能力，才是AI強大的原因

我們在社會中看到，由人工智能技術控制的自主系統開始出現，包括自動駕駛汽車、無人機、虛擬助手。幾乎在任何你與科技互動的地方，現在都有人工智能的融入。

這實際上是學術研究團體的一個真正的轉變，從學術界到現實世界的轉變，原因很簡單：因為現在機器終于能夠“聽到”和“看到”這個世界了，這實際上是一個很重要的進步。

人工智能領域開始于20世紀50年代晚期，大約是60或70年前。

在20世紀60年代早期，人工智能研究人員主要關注于能否讓電腦看見，簡單來說就是要有一個攝像頭，解讀圖像、識別物體。這是人很自然就能夠做到的事情，但是對于機器卻非常困難，我們花了50多年的時間進行研究，最終才做出了能夠真正解釋圖像、能夠看到周圍、識別物體、理解和解釋語音信號的系統，這些都是人類的感知的一部分。

隨著時間的推移，我們發展出了各種各樣的技術、推理、規劃、決策等等。這些技術都是在不能聽到和看到的情況下發展起來的，電腦無法聽到或看到我們，所以能夠聽到和看到是一個不可思議的改變，它會改變我們建造這些系統的方式。

沒有攝像頭的無人車

斯坦福的Stanley

2005年斯坦福大學的Stanley，是一個表現非常不錯的自動駕駛技術。這輛自動駕駛的汽車實際上什么也看不見，Stanley沒有安裝攝像機。當開發人員問，我們應該在車上放個攝像頭嗎？他們得到的回復是——不必了，沒有什么用。

那么Stanley是怎么運行的呢？它是使用GPS和光線技術，這是一種類似于激光的物體探測機制，但不是真正的計算機視覺。

而現在，這種情況已經完全改變了。特斯拉以及其他的自動駕駛技術都是基于計算機視覺的，汽車開始擁有“看”的能力。人工智能系統正逐漸根植于人類世界，它們開始了解我們，開始能夠與我們互動，這也是讓人工智能技術發揮作用的關鍵——AI必須與人互動，必須理解人類看待世界的方式，理解人類與世界互動的方式，理解人類的意圖、情感等等，所有這些正在變為可能。

這種轉變讓AI在我們的社會中成為了一種新技術，正如你在本次大會上看到的，它將會驅動教育的轉型，這也是我們正在努力的方向。

我想簡單介紹一下為什么這個領域發生了這樣的變化。

2005年的計算機視覺圖像識別任務

這是一個2005年的計算機視覺圖像識別任務，你拍一張這樣的照片，我們在這里看到了一盞燈，這邊的不易發現，是一架攝像機，這里有個半人雕塑。

當我們看照片的時候，我們能識別出物體，但這對機器來說是非常困難的。這就是我們所說的標記的數據，是人類標記的結果。

在2005年計算機視覺能做到哪一步呢？你可以看到，臺燈完全是破碎的，燈幾乎和雕像連起來了，各種各樣的物體都混在一起。所以一旦從這張圖片為起點做對物體的解讀，識別對象就會變得非常困難。在視覺上，電腦并不能識別出圖片里的東西。

如果我們跳到15年后，這是我們現在擁有的自動駕駛汽車的技術，我特別想給你們看這個圖像，這個標簽問題和我之前展示的標簽問題非常相似，我們必須對道路、人行道做出標記。你可以看到打了標簽的圖片，幾乎都完美標記出來了，達到超人的水平，也就是說，計算機視覺已經比人類做得更好。

另一件令人驚訝的事情是，我們現在有了超越人類的交通標志識別技術，人類都很難識別所有的交通標志，而電腦并沒有困難。

自動駕駛汽車的深度學習

你的電腦可以讀取這些交通信號，這是在非常糟糕的駕駛條件下，在所有移動的汽車周圍都有框，這在十年前是完全不可能的。

這就是我們所設想的，車可以實時觀察周圍，比人類司機有更好的視野。我們預計車禍數量將會減少90%，甚至是95%。在美國，每年有大約三萬人死于交通事故，我們希望這個數字能降到五千甚至三千以下。

AI推動人類社會極速進化

2005年 Stanley這輛自動駕駛汽車誕生了，它并不能完全匹敵人類司機，但這是一個重要的里程碑。

人工智能里程碑始于90年代末

IBM沃森則是玩了一款在美國很受歡迎的游戲，它是一個能夠擊敗最優秀的人類的系統。這是一個令人驚訝的事件，因為人們認為它是一項非常困難的游戲，所以作為人類世界冠軍的人實際上享有很高的聲望，但是IBM沃森系統可以擊敗人類對手。

2011年到2012年，我們進入了深度學習時代。深度學習先驅杰弗里?辛頓、約書亞?本吉奧、楊樂昆獲得了圖靈獎，這是計算機科學領域的最高獎項。他們開啟了人工智能的深度學習的新篇章，讓計算機視覺和語音識別成為可能。

Alpha Go打敗了人類棋手，而圍棋是一種非常難的游戲，比國際象棋的難度高了幾個數量級。當時我們不認為這種情況會在10到20年內發生，但是有了深度學習，這件事在2016年就發生了。

美國人工智能協會現任主席Yolanda Gil和我牽頭了《美國人工智能研究20年路線圖》，近一百名頂尖的AI研究人員參與其中。我想強調的是，醫療健康是驅動商業、科學發現和社會公正的動力，而教育和培訓是這一路線圖的關鍵驅動因素之一。

我們建議建立一個大型的研究中心，目前美國正在做，包括中國在內的很多國家都在建立自己的研究中心，聚力研究使這些領域發展得更快，我們稱之為任務驅動的人工智能中心，這個中心的其中一項使命就是圍繞教育的。

美國人工智能研究的20年社區發展路線圖

我們都認為教育可以從人工智能中獲益，關鍵在于個性化和定制化的學習。AI系統可以向學生學習，并能了解學生所處的狀態，也可以確定學生需要改進的地方，然后將重點放在這些方面的培訓和教育上，因此它將是一個與人類教師一起工作的高度專注的教師。

我想強調一下合作的部分，只有AI系統是不行的，必須是人類教師、AI系統和學生之間的合作，這種合作將改變教育。

很多工作都是所謂的數據驅動，也就是說，有了一百萬張經過標記的照片就可以訓練AI系統。但在教育領域，另一個因素也非常重要。世界不只是關乎數據的，知識更為重要。數據和知識有什么區別呢？數據包括做了標記的圖片、圖表、工資表，各種各樣的調查都是很基本的數據。

知識是經過處理的數據，牛頓定律就是知識的一個例子，整個物理學都是建立在非常少的幾個原則基礎上的，但不可思議的結果也由此產生。數學是由一些基本原理驅動的，但豐富的數學體系也因此隨之而來。

人工智能和終身教育與培訓

所以從某種意義上說，知識是一種更緊湊的數據形式。教育最終是關于知識的，這是我們正在見證的一個轉變，數據驅動很重要，而補充深度學習方法的技術更多地是由知識和推理驅動的，這使它成為一個非常令人興奮的研究領域。

我即將上任人工智能發展協會主席，協會正在進行一個重大獎項的評選工作，主要表彰應用人工智能技術對社會公益做出貢獻的企業和研究。除了教育公正之外，更可以提高生活水平。

在這個領域，我們仍將看到許多新的發展，其關鍵就在于對人類的補充，對AI系統的補充。這是人工智能和教育的先鋒時代，它們的結合將是我們這個時代最令人興奮的新發展之一。