关于人工智能:李飞飞我更像物理学界的科学家而不是工程师|深度学习崛起十年

起源|The Robot Brains Podcast
翻译|胡燕君、程浩源、贾川、沈佳丽、许菡如

新一轮深度学习崛起的引爆点是AlexNet,而它的暴发却离不开“燃料”ImageNet数据集。

斯坦福大学传授李飞飞正是ImageNet的发起人和推动者,在她看来,ImageNet就是重塑计算机视觉或机器学习的“北极星”。

不过,这一数据集的建设历经波折,彼时蒙受了包含Jitendra Malik传授在内不少人的质疑,如果我的项目失败,很大可能影响李飞飞拿到一生教职。不过,她还是顶住质疑,深信创立ImageNet是必要的。

历经数年致力,李飞飞和她的团队建设了ImageNet数据集,蕴含应用日常英语标记的1400万张图像,逾越218000个分类,为起初“AlexNet时刻”的到来提供了不可或缺的助力,ImageNet比赛起初也成为计算机视觉畛域的钻研人员角逐算法成果的大舞台。

也是在深度学习走红的那一年,她与过后的博士生Andrej Karpathy开设了在斯坦福备受欢送的深度学习课程CS231n,它也成为在网络上爆火的最早、最权威的深度学习课程,极大地推动了深度学习常识的遍及。

作为一名华侨科学家,李飞飞的成长故事十分励志。她出生于北京,在成都长大,16岁随父母移居美国,为了撑持一家人的生计和她的学业,她去了在中餐馆打工、做家庭保洁员。19岁,她在普林斯顿大学的物理学业余就读,期间停办了一家干洗店。

而后,她的学术生涯一路向前,人生迎来转折。2005年,她在加州理工学院取得电子工程业余的博士学位,直到2012年,她晋升为斯坦福大学终身职的副教授,并负责人工智能实验室主任。2017-2018年学术休假期间,李飞飞负责谷歌副总裁、谷歌AI/ML首席科学家一职。2020年以来,陆续入选美国国家工程院院士、美国国家医学院院士、美国艺术与科学院院士,也是惟一一位入选“美国三院士”的华侨女性科学家。目前,她致力于“以人为本”的人工智能研究所(Stanford HAI)的工作。

从为了维持生计和学业当保洁员,到成为斯坦福传授和享誉AI畛域的科学家,她是如何做到的?ImageNet对深度学习的崛起意味着什么?她目前对AI倒退的关注重心是什么?又如何对待AI学界人才等资源外流的现状?去年8月,在Pieter Abbeel主持的The Robot Brains Podcast节目中,李飞飞都一一作了解答。

以下是对话内容,OneFlow社区做了不扭转原意的编译。

1

从保洁员到从事AI相干钻研

Pieter Abbeel:你的职业路线十分传奇,在成为斯坦福传授之前,你一开始是在干洗店工作。

Fei-Fei Li:是的,干洗店是我的“守业终点”。咱们一家是典型的移民家庭,须要致力解决生计,遇到了很多艰难,包含我父母不会说英语等等。19岁,我入读普林斯顿大学后,过后感觉开一家干洗店是最好的抉择,尤其它还是周末谋生,我就有工夫去帮忙,还能够分担店里的很多体力活,这就是我的终点。

Pieter Abbeel:如果回到那段干洗店岁月,你会想到将来会从事跟AI无关的工作吗?

Fei-Fei Li:当然不会。过后,我的生存有一个贯通始终的主题,那就是打工。我的第一份工作是在一家中餐馆打下手,起初做过一段时间的家庭保洁,而后才是干洗店。但我并没有让这样的生存定义我本人,这些只是移民生存的一部分,是为了让我和家人在生疏社会站稳脚跟所必须经验的事件。

真正定义我的,是我对迷信的酷爱。我在普林斯顿主修物理,物理探索的是宇宙最根源的问题,十分具备想象力。那时,我随身都带着书,在中餐馆和干洗店工作的间隙就会读书。在AI呈现在我的生命中之前,日子就是这样度过的。

Pieter Abbeel:那你起初是如何进入AI畛域的?

Fei-Fei Li:所有可能是偶尔,也可能是命中注定。我过后对物理很着迷,当初我仍感觉本人更像物理学家,而不是工程师。

我读过很多20世纪最平凡的物理学家的书,包含我最喜爱的爱因斯坦和薛定谔,还有我童年时期十分崇拜的Roger Penrose,他在2020年取得诺贝尔奖,当然还有霍金。

读这些书时,我有一个意外发现:爱因斯坦、薛定谔和Penrose到了职业前期,会更多地探讨精力世界,而不是物质世界。咱们晓得,物质世界关注的是宇宙边界、工夫开始、原子亚构造等,然而精力世界关注的是咱们是谁、生命的意义是什么等问题。

这些问题引起了我的共鸣。不知怎么地,我追随了他们的脚步,探索精力世界也成为我渴望钻研的问题,于是从大学中期,我开始思考生命的意义这类问题。作为物理业余的学生,如果对一个问题很感兴趣,我就会驱使本人去思考其中最根本性的问题。

对我来说,人类生命的根本问题就是智能。带着这样的探寻眼光,我步入了神经科学的世界,在几次神经科学畛域的实习经验中,更加确定了对智能的酷爱。于是,我从硬核的原子世界、物理世界,转向了对智能的摸索。

Pieter Abbeel:其实,当初我决定钻研AI也是出于对人类智能的思考,但我发现我难以了解神经科学,所以浅尝辄止,起初我感觉用工程学办法来钻研大脑可能更容易。直到现在,你应该都在持续钻研神经科学,起初你是如何决定攻读电子工程博士的?

Fei-Fei Li:这就引出了一个值得思考的问题:咱们到底是建造飞机,还是建造鸟类?我认为,对于AI这样巨大的畛域,这两种迷信工程思维都十分重要。我之所以钻研AI,是因为想逾越人类大脑和人工大脑之间的界线。

我感觉本人身上还残留着物理学的浪漫,置信硅基大脑和有机的碳基大脑之间存在共通点,人类智能和机器智能之间的界线并非不可逾越。

博士择校时的根据是,这所学校是否有助于我进行跨学科钻研。我最终抉择了加州理工学院,师从Christof Koch传授,他曾是一位物理学家,起初成为计算神经科学家。还有Pietro Perona传授,他曾是工程师,起初转而钻研AI。在他们的领导下学习,既能够钻研认知神经科学,又能够钻研计算神经科学。

在Pietro传授的实验室里,我才真正理解到什么是AI和计算机视觉,以及机器学习作为一种数学工具能做什么。我十分痴迷于这些畛域,并分明地感到这就是我的毕生谋求。

我不晓得你是否有过这种感触,就像孩子发现了一个全新的游乐场,外面有着无穷无尽的惊喜和宝藏等着你去开掘。一旦你领有过,就永远不会遗记这种感觉。

2

ImageNet的波折成长记

Pieter Abbeel:2012年是AI倒退的一个重大转折点,这一年,AlexNet深度卷积神经网络在ImageNet挑战赛上获得突破性成绩,标记着深度学习的崛起。人们开始置信神经网络的后劲,并开始钻研神经网络。你是这个重大转折点的关键人物,因为你创建了ImageNet数据集和挑战赛,这是神经网络得以训练的根底和前提。建设ImageNet数据集的想法是怎么开始的?

Fei-Fei Li:这得追溯到我在加州理工学院读博期间。我所在的Pietro Perona实验室是计算机视觉畛域最早的实验室之一,致力于钻研物体辨认这一看似不可能实现的工作。那时,计算机视觉畛域更多关注的是平面视觉和对极几何(Epipolar Geometry),而咱们却想教会机器如何辨认日常物品,这看起来有些疯狂。

促使Pietro传授和我钻研物体辨认其实也跟神经科学无关,21世纪初期左右的认知神经科学和神经生理学的文献提到,人类大脑和人类思维在进化过程中倒退出简单的自适应能力,最终让人类可能高效而灵便地进行物体辨认。

我认为,这样的神经科学实践就像北极星,指引着过后不到10集体的计算机视觉科学家,而Pietro传授就是其中的核心人物。

作为交融了统计建模和计算机科学的全新畛域,机器学习次要钻研泛化等一系列简单的数学问题,以及如何将人类的泛化能力迁徙到机器。咱们这代博士生仿佛都比拟看好机器学习。

博士毕业之际,我在物体辨认方面遇到了一件十分辣手的事,那就是咱们必须手动调整贝叶斯网络模型,真的非常苦楚。因为咱们不晓得如何让机器去学习像素化世界,所以必须人为地给它们设计一些特色,以确保机器能胜利捕捉到各种角点、斜线、以及不同的形态。

此外,咱们还要人工将这些特色组合起来,比方,咱们要合成一只猫的图像,那就会筛选10个特色,包含脸部和身材特色等,这些特色可能还是来自不同期间,所以有有限种组合形式。

咱们次要应用高斯模型这类表达能力不太强的模型来构建一个可泛化的模型,只管咱们获得了一些停顿,但过程十分苦楚。

2005年,我到伊利诺伊大学负责助理传授。那时我忽然意识到,机器学习最重要的概念就是防止适度拟合并且实现泛化,这两者往往是对应的。如果咱们想防止适度拟合并实现良好的泛化,就必须要有弱小的模型。但从数学角度登程,如果咱们须要构建弱小的模型,就必须要有海量数据作为撑持,否则很容易掉入适度拟合的陷阱

于是,我把钻研重心转移到数据上,但发现计算机视觉数据集比比皆是,规模也广泛偏小。过后已有的Caltech 101数据集就是我一手创立的,但起初PASCAL委员会指出,相比像素的所有可能的组合形式,Caltech 101的两万张图片数据还远远无奈满足机器学习的需要。

2006年左右,我刚从伊利诺伊大学香槟分校回到我的母校普林斯顿大学执教,我通知学生们要扭转原有思维形式,并创立一个不同数量级的数据集。咱们的工作不是为了扩充数据集的规模,而是要给机器学习注入新动力。

在普林斯顿大学工作期间,我有幸同一些语言学家交谈,其中包含出名的Christiane Fellbaum传授。一开始,我也不晓得本人为什么要和这些语言学家打交道,但起初我发现他们站在了网络世界的核心。

当他们据说我打算在物体辨认我的项目中给物体制作对应的语义标签后,也想晓得语言和视觉之间是否存在某种分割,这个想法十分超前,过后我还没有想过要深入研究语言问题。

也是在那时,我第一次据说了WordNet,并从中吸取灵感,打算基于WordNet的8万个标签词搭建一个新的数据集。我认为,这项规模宏大的我的项目能够像北极星一样为新一轮的钻研指明方向,从新塑造计算机视觉和机器学习畛域。

Pieter Abbeel:相比用8万个标签来创立全新的ImageNet数据集,显然Caltech 101数据集跟它不在一个量级,你们是怎么做到的?

Fei-Fei Li:我也曾构想过,如果咱们一开始就晓得会遇到重重妨碍,是否还有勇气推动这项工作?我曾天真地认为,咱们用搜索引擎下载图片,而后找一些本科生加以整顿就能够搞定这件事。我也不晓得过后为何会有这样的打算。

咱们须要下载几十亿张图片。要晓得,过后搜索引擎的能力要逊色得多。即便输出“德国牧羊犬”这个关键词,检索到的图像品质也并不高。家喻户晓,训练数据集最重要的就是数据的多样性和可变性。因而,咱们不能只输出“德国牧羊犬”,还必须人工增加一些修饰语能力真正地丰盛搜寻后果,比方“玩飞盘的德国牧羊犬、海滩上的德国牧羊犬”等等。

即便如此,检索出的图片品质依然不好。所以,我过后打算以每小时10美元的价格雇几百名本科生来帮咱们筛选图像。

那时,我在普林斯顿实验室的工作简直全是在标注数据。坦白说,那时我还缺乏经验。毕竟我曾单独包揽了Caltech 101数据集的标注工作,这个数据集只有10000张图像,所以我一个人也能轻松搞定。但几个月后,咱们发现ImageNet数据集的规模切实太大,标注工作基本不可能实现。

过后,我带的博士生Jaden(他过后的钻研方向是图像,当初是一名AI传授)感觉图像标注工作的停顿愈发不容乐观。单靠人力不可能实现标注工作,所以咱们罗唆走向了另一个极其——全副采取机器标注。

那几年,隐狄利克雷调配(latent Dirichlet allocation,LDA)等主题模型的体现十分突出,于是咱们打算采纳这种模型,它实际上就是一种聚类算法,能够挑选出高质量的德国牧羊犬图像群。

机器筛选的办法总体上是可行的,只需人工实现一些精密标记工作。但很快,我发现咱们的效率太低了。一个哲学问题随即呈现了:如果用机器来筛选图片,那咱们就偏向于机器,以及偏向于最后用来抉择图片的算法,而这并不是咱们乐意看到的,因为心愿创立的数据集成果要达到人工标注的水准。

所以,咱们毅然决定要防止纯机器标注和纯人工标注这两个极其。而后,咱们的工作就遇到了瓶颈。直到2007年,一名斯坦福大学的硕士生问我:“飞飞,你据说过Amazon Mechanical Turk(AMT)吗?” 我过后还是第一次据说,上班后我连忙回家登陆下来看看,才发现这个在线人力市场反对雇主部署工作,而后雇人参加,这个大规模的在线平台轻松解决了咱们的当务之急。之后,咱们还是破费了长达两年半的工夫才实现宏大的图像标注工作。AMT为咱们创立ImageNet数据集指明了方向。

Pieter Abbeel:你所说的这条路线很有意思,也很难走。能够说,你在AMT上为世界各地的公司提供了数十亿美元的业务。十多年过来,图像标注畛域也曾经齐全实现了商业化。

Fei-Fei Li:我很快乐看到这些倒退,这是咱们未曾料想到的。不过,正是历史和技术的惊人交融才推动了咱们的工作。

Pieter Abbeel:2012年,在ImageNet比赛中呈现的AlexNet时刻,彻底改变了计算机视觉畛域,人们随之纷纷转向了深刻学习畛域。你参加组织了这一届ImageNet比赛,但前两届的比赛都没有呈现像这样重塑AI畛域的大事件。你怎么评估2012年的ImageNet比赛?它为什么可能怀才不遇?

Fei-Fei Li:2009年,咱们在CVPR 2009上发表了一篇对于ImageNet数据集的论文,过后立马引起了很大的争执。

实际上,咱们过后受到的批评远比认可要多,他们的批评次要在于:过后的物体辨认技术还有很多难题没有攻破,公布ImageNet数据集又有什么用?尽管ImageNet数据集收纳了22000类数据,但数据集规模越大,就意味着更好吗?以及ImageNet数据集的智能水平如何?有谁在意那些已标注的图像等等。

回想起来,幸好咱们没有怎么在意那些质疑。咱们深知ImageNet存在的意义,也深信它日后将成为计算机视觉畛域的“北极星”。

但咱们很想让公众明确咱们的想法。就像做钻研一样,咱们想让研究成果失去人们的认可,以做出更大的奉献。通过Pascal VOC挑战赛,咱们发现,要想使本人的想法失去公众认可,举办高含金量的较量是一个很无效的办法。

我真的很感激Pascal组委会,他们很了解咱们。当我分割他们寻求单干时,他们说,“没问题,你们的想法是对的,但前路仍任重而道远。尽管你们还不晓得当初在做什么,不如和咱们一起做一场挑战赛试试水?”过后我十分开心,很违心和他们单干,同时也非常感激他们接收了我。

2010年,咱们就举办了ImageNet挑战赛,但当年的赛况并不现实,参赛者寥寥无几。最终,反对向量机(SVM)模型成为了当年的冠军。2011年参赛者就更少了,只有区区几支队伍。

因而,咱们决定在2011年举办一项独立的挑战赛,过后,这些参赛队伍面临的最大挑战就是计算机内存切实太小。先不说算法,他们甚至无奈将数据胜利导入电脑。

在读研期间,我学到了摩尔定律,而且对此深信不疑。过后我晓得了随着计算机的倒退,尤其是机器学习的倒退,是会遵循摩尔定律的:存储器的尺寸会越来越小,而计算机的运行速度会越来越快。我就通知本人,不要焦急,要遵循摩尔定律,所有都会实现的。

过后我认为,要想实现我的预期应该还要再等几年,但没想到在2011年就实现了,起初内存空间还会变得更大,芯片运行还会更快。

因而,在2012年,我对数据集进行了重构。在ImageNet挑战赛开始后的某天深夜,我收到学生邓嘉的音讯,他说往年的冠军几乎令人难以置信,应用的是已有的卷积神经网络。

我在读研时学的第一节课就是对于神经网络的。咱们生存的世界就建设在一个基于贝叶斯模型的网络之上。但没想到卷积神经网络这么古老的模型竟然能博得ImageNet挑战赛。

记得过后我还在休产假,但我太兴奋了,立刻做了两件事。第一件事就是立刻尝试了一下Dropout和ReLU这两个新成绩。当然,GPU也十分重要,AlexNet应用了两块GPU。第二件事是,因为获胜队伍将在意大利佛罗伦萨举办的国内计算机视觉大会(ICCV)上展现他们的研究成果,思考到这是一个历史性的时刻,我立刻订了飞往佛罗伦萨的机票,在飞机上度过的工夫比待在佛罗伦萨的工夫还要长,但正因如此,这也成了我职业生涯中比拟难忘的一件事。

Pieter Abbeel:伯克利的共事Jitendra Malik曾通知我一件对于AlexNet这件事。他已经给Geoffrey Hinton打过电话,询问了一些对于神经网络的问题。Geoffrey问他,“据说你们并不看好神经网络?咱们会压服你的。”Jitendra说,“你们的确在某方面做得很好,但ImageNet是一个更实在的数据集,在那里进行测试能力得出更为牢靠的后果。”

Fei-Fei Li:对于ImageNet的诞生,他也施展了某种推动作用。Jitendra是真正意义上第一个将认知神经科学融入到计算机视觉中的人,他的钻研格调对我产生了很大的影响。

2007年,过后我还是一名助理传授,在CVPR会议上,我通知他正在做ImageNet,他说他不确定这对我取得一生教职是否有帮忙。并且他给出了一个看似不错的理由,“你当初想做的事是一项盛大工程,数以百万计的图像并不是这个畛域所关注的,即便到了2011年,都没有足够弱小的芯片将数据放入存储器,更不用说计算了。”

我不晓得我为什么保持了下来,可能是我太天真了。这可能是Jitendra给我的所有倡议中,我惟一没有驳回的一个倡议。他十分反对我,直到现在咱们还常常拿那一刻开玩笑。

3

AI进军医疗行业

Pieter Abbeel:你起初还入选了美国国家医学院院士,你怎么对待AI在医疗行业的利用?

Fei-Fei Li:AlexNet获得突破性成绩,标记着深度学习自此崛起。过后,深度学习技术曾经利用到主动驾驶汽车上。主动驾驶技术的外围是AI要正确把握汽车行驶时行人和路面的情况,而后通过数据分析作出更好的驾驶决策。

AI在医疗行业上的利用也是同样的情理,AI要能正确理解那些多人协同的工作流程,而后综合这些信息给出失当的医治计划。

我对医疗行业颇为理解,想为这个行业作出贡献。斯坦福医学院是全世界最好的医学院之一,所以我开始在这里宣传我的想法。但很多人都感觉我太疯狂了,只有Arnold Milstein传授反对我。他的整个职业生涯都在钻研医疗流程,确保临床医生的诊疗决策与口头标准化,防止病人因医疗流程失误而受到挫伤。他在斯坦福创建卓越临床钻研核心(CERC),并负责该钻研核心的负责人和医学传授。

Arnold传授通知我,美国每年都有超过25万病人因为医疗事故丧生,有9万病人因为在医院感化而死亡,其中大部分感化都是因为医护人员手部清洁不到位。这些数字惊心动魄。目前咱们的医护人员工作量太大了,他们亟需帮助来防止工作流程失误,避免给病人带来额定危险。

2012年,Arnold传授和我一拍即合,发展了一项即使在明天看来也相当新鲜的钻研——利用传感器实现环境智能(ambient intelligence)。之所以用“传感器”而不是“摄像机”是因为思考到隐衷问题,咱们必须采纳像IR和Depth这样的技术,以及应用传感器来获取病人和医生的行为信息,并利用捕捉到的信息来为诊疗提供参考。

直到明天,咱们还在持续这项钻研。咱们将这项技术利用在各种医疗场景,包含在ICU察看病人口头,在养老院测量老人摔倒的危险,在斯坦福的儿童医院评估医护人员手部清洁是否到位等。

我集体比拟感兴趣的是把这项技术用在老年人的居家护理问题上。当初,人均寿命变长是坏事,但也带来了人口老龄化问题。新冠疫情中,很多患有痴呆症、慢阻肺和糖尿病的老年人不能及时去医院就诊,这让咱们意识到居家护理的重要性。

咱们把居家护理称为“医疗暗区(dark space)”,因为咱们不晓得病人在家时产生了什么。很多临床医生通知我,病人居家期间产生的状况十分要害,是诊疗的重要依据。而环境智能技术(以尊重病人隐衷为前提)就像是老人和病人的“居家守护天使”,能够监测到他们遇到了什么危险,以便能更好地关照他们。我认为,这些都是目前最合乎人道主义精力和对社会最无益的计算机视觉利用。

Pieter Abbeel:这也让我想起了你最近的重大项目,Stanford Human-Centered AI Institute (Stanford HAI),你们次要钻研如何让AI走出实验室,利用到包含医疗在内的各个领域。当初为什么决定创建Stanford HAI?

Fei-Fei Li:在2017到2018年的学术休假期间,我出任Google Cloud的首席科学家,有幸见证了AI的前沿倒退,看到了AI被利用在农业、医疗、金融等多个垂直畛域。

这段经验也刷新了我的认知,当我完结学术休假回到斯坦福,我开始跟共事和领导交换:在AI时代,学术界可能施展什么作用,能为人类的将来作出什么奉献?

斯坦福始终骄傲于它是首领和人才的摇篮,也是思维和学术的灯塔,那它能为AI做什么?咱们的答案是,作为AI界的技术核心之一,斯坦福应该引领AI的倒退方向和技术落地,这既是斯坦福的重任,也是它的时机。

近年来,我也越发意识到,随着技术提高,咱们必须欠缺相干政策。科技会推动社会倒退,但同时也给社会带来进犯隐衷等负面影响,让人们放心AI会否取代人类的工作等等。

为了取长补短,科技界须要和政界增强沟通。可能因为加州离华盛顿这个政治核心太远了,所以目前咱们这种沟通还不够多。因而,Stanford HAI承当了双重使命,既要钻研AI技术和AI的跨畛域翻新,也要发展、参加政策钻研和制订,成为政界和科技界之间的沟通桥梁。这就是Stanford HAI正在做的事件,旨在推动AI钻研、AI教育和相干政策的倒退,从而改善人类生存。

我平时不是在做钻研,就是在Stanford HAI工作。我置信寰球很多钻研机构和核心都和Stanford HAI一样,都认为AI不仅会成为新的科技浪潮,而且会粗浅扭转人类的生存、生产方式以及商业模式。AI是大势所趋,它利用面广、影响力大,被称为第四次工业革命的驱动力。毫无疑问,它会给人类带来天翻地覆的变动。

Pieter Abbeel:在将来的5~20年里,有没有什么技术会像AI在医学畛域那样施展起重大作用?

Fei-Fei Li:我对机器人也很感兴趣。20年前,机器人和人工智能是齐全不同的畛域,它们应用的工具和钻研的问题都相距甚远。但当初随着深度学习、机器学习、强化学习的呈现以及计算机视觉和自然语言解决的成熟,机器人和AI能够产生更多交加,能够衍生AI机器人和机器人学习等穿插畛域。

机器人技术不仅能够为学术界带来有限可能,人类世界也有太多的生产力须要开释,机器人能够让工作更平安、高效、合作,甚至可能突破物理间隔的界线。这能够从根本上扭转人类劳动的现状,这让我感到兴奋不已。

当然,这是一个须要审慎解决的话题,因为人类劳动关乎工作和生计,比方,主动驾驶汽车的呈现让人们开始深入探讨它对卡车司机和出租车司机的影响。作为最理解这些技术的人,咱们必须用好这些技术,让它们为社会做奉献,而不是带来意想不到的危害。

4

AI资源流向业界,学界人才在散失

Pieter Abbeel:让政策跟上科技进步很重要。但问题是,一旦牵扯到政策问题,它很多时候就会成为妨碍科技进步的因素。

Fei-Fei Li:这就是这个问题如此简单的起因。监管措施和所有权问题等如果没有解决好,可能就不会促成AI生态系统的倒退,反而会妨碍翻新。任何事件走极端都不太好。

以美国的翻新生态为例。你和我都是移民,回顾过去半个多世纪,只有美国才有这种令人难以置信的翻新生态,工业界、学术界和国家资源之间能够相互连接、相互作用。

但在AI产业化后,算力、数据、人才等大量资源从学术界转移到产业界,这种连贯必定有踊跃的一面,但当初资源向产业界歪斜得太重大,那些有影响力的钻研越来越多地产生在营利性公司外部。这让学术界十分放心人才流失,放心没有人来发展天马行空的钻研。

当然,企业投资研发并没有错,但天马行空的钻研和为公众利益而进行的钻研依然很有必要,它们能够促成寰球经济衰弱倒退。

因而,Stanford HAI在2020年破费了大量工夫,帮忙制订了一项重要法案,即2021年1月1日通过的National Research Cloud Task Force Bill。2021年6月,拜登政府成立了一个特地工作组来专门推动AI相干的翻新。

从这个角度来看,政策不仅仅意味着监管,也能够是激励和资源分配。Stanford HAI置信这一点。

事实上,咱们让许多大学和公司一起参加相干立法。同时我认为,技术专家和科技界须要深刻思考监管措施意味着什么。

我工作中接触最多的行业是医疗保健。医疗行业的监管十分严格,严格到有时会让我感到丧气,但如果你深入研究这种监管的动机,会发现严格的监管十分必要。

咱们面临的挑战是,如何持续翻新和优化科技、产业和政策之间的相互作用,以保障生命安全和技术的偏心调配,并且不减慢翻新速度。我始终认为,监管制度十分重要。

Pieter Abbeel:作为“特地工作组”的核心成员,你心愿它达成什么指标?

Fei-Fei Li:这个新成立的特地工作组将会鼎力推动各相干方之间的单干,比方共享算力和数据资源,为将来一代又一代的AI钻研提供反对。同时,咱们也会为来自全美各地的学生提供教育平台,让大家不便地发展具备创造性和多样化的钻研。

Pieter Abbeel:最聪慧的人才还会流向美国吗?他们当初会不会更偏向于待在本人的国家?而不是像咱们当年一样,为了有更多做小事的机会来到美国。近年来,美国对人才的这种吸引力仿佛没那么显著了。

Fei-Fei Li:没错。我的确看到很多学生在斯坦福博士毕业后来到美国去加拿大、欧洲等中央当传授,他们可能出于很多起因,但美国学术界不足资源是起因之一。咱们须要扭转这种场面。

过来的人才只会因为十分强烈的集体起因而来到美国,但当初仿佛很多人都感觉,他们在本人的国家做钻研也能做得一样好,其余国家和美国之间的差距在放大。如果美国能再次取得从前的劣势,才会极大进步对人才的吸引力。

*(本文经受权后编译公布,原视频:
https://www.youtube.com/watch…)*

欢送下载体验 OneFlow v0.7.0 最新版本:
https://github.com/Oneflow-In…

评论

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

这个站点使用 Akismet 来减少垃圾评论。了解你的评论数据如何被处理