演讲者：Bart Selman（AAAI 当选主席、康奈尔大学教授），题图来自：图虫

感知能力，才是AI强大的原因

我们在社会中看到，由人工智能技术控制的自主系统开始出现，包括自动驾驶汽车、无人机、虚拟助手。几乎在任何你与科技互动的地方，现在都有人工智能的融入。

这实际上是学术研究团体的一个真正的转变，从学术界到现实世界的转变，原因很简单：因为现在机器终于能够“听到”和“看到”这个世界了，这实际上是一个很重要的进步。

人工智能领域开始于20世纪50年代晚期，大约是60或70年前。

在20世纪60年代早期，人工智能研究人员主要关注于能否让电脑看见，简单来说就是要有一个摄像头，解读图像、识别物体。这是人很自然就能够做到的事情，但是对于机器却非常困难，我们花了50多年的时间进行研究，最终才做出了能够真正解释图像、能够看到周围、识别物体、理解和解释语音信号的系统，这些都是人类的感知的一部分。

随着时间的推移，我们发展出了各种各样的技术、推理、规划、决策等等。这些技术都是在不能听到和看到的情况下发展起来的，电脑无法听到或看到我们，所以能够听到和看到是一个不可思议的改变，它会改变我们建造这些系统的方式。

没有摄像头的无人车

斯坦福的Stanley

2005年斯坦福大学的Stanley，是一个表现非常不错的自动驾驶技术。这辆自动驾驶的汽车实际上什么也看不见，Stanley没有安装摄像机。当开发人员问，我们应该在车上放个摄像头吗？他们得到的回复是——不必了，没有什么用。

那么Stanley是怎么运行的呢？它是使用GPS和光线技术，这是一种类似于激光的物体探测机制，但不是真正的计算机视觉。

而现在，这种情况已经完全改变了。特斯拉以及其他的自动驾驶技术都是基于计算机视觉的，汽车开始拥有“看”的能力。人工智能系统正逐渐根植于人类世界，它们开始了解我们，开始能够与我们互动，这也是让人工智能技术发挥作用的关键——AI必须与人互动，必须理解人类看待世界的方式，理解人类与世界互动的方式，理解人类的意图、情感等等，所有这些正在变为可能。

这种转变让AI在我们的社会中成为了一种新技术，正如你在本次大会上看到的，它将会驱动教育的转型，这也是我们正在努力的方向。

我想简单介绍一下为什么这个领域发生了这样的变化。

2005年的计算机视觉图像识别任务

这是一个2005年的计算机视觉图像识别任务，你拍一张这样的照片，我们在这里看到了一盏灯，这边的不易发现，是一架摄像机，这里有个半人雕塑。

当我们看照片的时候，我们能识别出物体，但这对机器来说是非常困难的。这就是我们所说的标记的数据，是人类标记的结果。

在2005年计算机视觉能做到哪一步呢？你可以看到，台灯完全是破碎的，灯几乎和雕像连起来了，各种各样的物体都混在一起。所以一旦从这张图片为起点做对物体的解读，识别对象就会变得非常困难。在视觉上，电脑并不能识别出图片里的东西。

如果我们跳到15年后，这是我们现在拥有的自动驾驶汽车的技术，我特别想给你们看这个图像，这个标签问题和我之前展示的标签问题非常相似，我们必须对道路、人行道做出标记。你可以看到打了标签的图片，几乎都完美标记出来了，达到超人的水平，也就是说，计算机视觉已经比人类做得更好。

另一件令人惊讶的事情是，我们现在有了超越人类的交通标志识别技术，人类都很难识别所有的交通标志，而电脑并没有困难。

自动驾驶汽车的深度学习

你的电脑可以读取这些交通信号，这是在非常糟糕的驾驶条件下，在所有移动的汽车周围都有框，这在十年前是完全不可能的。

这就是我们所设想的，车可以实时观察周围，比人类司机有更好的视野。我们预计车祸数量将会减少90%，甚至是95%。在美国，每年有大约三万人死于交通事故，我们希望这个数字能降到五千甚至三千以下。

AI推动人类社会极速进化

2005年 Stanley这辆自动驾驶汽车诞生了，它并不能完全匹敌人类司机，但这是一个重要的里程碑。

人工智能里程碑始于90年代末

IBM沃森则是玩了一款在美国很受欢迎的游戏，它是一个能够击败最优秀的人类的系统。这是一个令人惊讶的事件，因为人们认为它是一项非常困难的游戏，所以作为人类世界冠军的人实际上享有很高的声望，但是IBM沃森系统可以击败人类对手。

2011年到2012年，我们进入了深度学习时代。深度学习先驱杰弗里•辛顿、约书亚•本吉奥、杨乐昆获得了图灵奖，这是计算机科学领域的最高奖项。他们开启了人工智能的深度学习的新篇章，让计算机视觉和语音识别成为可能。

Alpha Go打败了人类棋手，而围棋是一种非常难的游戏，比国际象棋的难度高了几个数量级。当时我们不认为这种情况会在10到20年内发生，但是有了深度学习，这件事在2016年就发生了。

美国人工智能协会现任主席Yolanda Gil和我牵头了《美国人工智能研究20年路线图》，近一百名顶尖的AI研究人员参与其中。我想强调的是，医疗健康是驱动商业、科学发现和社会公正的动力，而教育和培训是这一路线图的关键驱动因素之一。

我们建议建立一个大型的研究中心，目前美国正在做，包括中国在内的很多国家都在建立自己的研究中心，聚力研究使这些领域发展得更快，我们称之为任务驱动的人工智能中心，这个中心的其中一项使命就是围绕教育的。

美国人工智能研究的20年社区发展路线图

我们都认为教育可以从人工智能中获益，关键在于个性化和定制化的学习。AI系统可以向学生学习，并能了解学生所处的状态，也可以确定学生需要改进的地方，然后将重点放在这些方面的培训和教育上，因此它将是一个与人类教师一起工作的高度专注的教师。

我想强调一下合作的部分，只有AI系统是不行的，必须是人类教师、AI系统和学生之间的合作，这种合作将改变教育。

很多工作都是所谓的数据驱动，也就是说，有了一百万张经过标记的照片就可以训练AI系统。但在教育领域，另一个因素也非常重要。世界不只是关乎数据的，知识更为重要。数据和知识有什么区别呢？数据包括做了标记的图片、图表、工资表，各种各样的调查都是很基本的数据。

知识是经过处理的数据，牛顿定律就是知识的一个例子，整个物理学都是建立在非常少的几个原则基础上的，但不可思议的结果也由此产生。数学是由一些基本原理驱动的，但丰富的数学体系也因此随之而来。

人工智能和终身教育与培训

所以从某种意义上说，知识是一种更紧凑的数据形式。教育最终是关于知识的，这是我们正在见证的一个转变，数据驱动很重要，而补充深度学习方法的技术更多地是由知识和推理驱动的，这使它成为一个非常令人兴奋的研究领域。

我即将上任人工智能发展协会主席，协会正在进行一个重大奖项的评选工作，主要表彰应用人工智能技术对社会公益做出贡献的企业和研究。除了教育公正之外，更可以提高生活水平。

在这个领域，我们仍将看到许多新的发展，其关键就在于对人类的补充，对AI系统的补充。这是人工智能和教育的先锋时代，它们的结合将是我们这个时代最令人兴奋的新发展之一。

演讲者：Bart Selman（AAAI 当选主席、康奈尔大学教授），题图来自：图虫