通用人工智能的到來還要很長一段時間，掌握了 AI 應用能力的人才將會成爲市場搶奪的資源。
編者按：在接下來的一段時間裏，UDACITY 將聯合極客公園（ID：geekpark）推出一檔視頻對話節目。每期節目中，Sebastian Thrun（Google 無人車之父、UDACITY 創始人）都會對一位科技領域內的大咖進行訪談，話題內容涉及人工智能、自動駕駛等多個領域。
本次做客的嘉賓是前谷歌 CEO 埃裏克•施密特（Eric Schmidt）。和李飛飛教授不同的是，施密特傲人的成績不是來自於學術領域，而是作爲職業經理人，將谷歌從一家只有數百人的互聯網創業公司變成了如今全球市值第二、影響力無法估量的巨頭互聯網企業。這一切當然離不開兩位創始人—拉里·佩奇和謝爾蓋·布林的天才想法，但又絕對與施密特超強的管理與運營能力分不開。
Sebastian 與施密特亦師亦友，在谷歌工作期間曾共同推進過許多對行業發展有着深遠意義的項目。2016 年，兩人共同撰寫發表於《財富》雜誌的文章，呼籲大家不要對人工智能產生恐懼，鼓勵繼續開發 AI 技術，找到消除恐懼的解決辦法，將人類從盲目、瑣碎的工作中解放出來，投身到更有創造性的事情中去。在本期對談中，除人工智能外，Sebastian 和施密特還暢談了關於領導力和未來教育的話題。
施密特「治理」下的谷歌始終保持着一種大學研究院的氛圍。在他剛加入的時候，谷歌還只是一間 150 人左右的小公司，在那種混亂的情況下，他開始從頭建立企業文化，將「不作惡」（Do No Harm; Do No Evil）作爲人人可遵守的職業道德準則，並將斯坦福大學那種舒適的科研、生活氛圍複製到了谷歌。
在問及如何推動谷歌內部龐大的人才團隊朝着一個方向努力，施密特的回答是「找到和公司價值觀一致的人才，讓更多的經理參與到扁平化的管理任務中，找到員工不滿意的地方，然後解決它們。」他還從巴菲特那裏學到了一招，「如果高管對他們正在做的事情充滿熱情，他們會把問題解決的。」
Google 前CEO、Alphabet 前執行董事長 埃裏克•施密特（Eric Schmidt）| 視覺中國
訪談中，在聊到關於未來前沿技術的發展趨勢時，施密特認爲一切尚處於變革開始的階段。「人工智能等新興技術帶來的負面影響，我們要首先承認問題的存在才能提出更好的解決方法，而不斷創新是關鍵。」施密特如指出，「通用人工智能的到來還要很長一段時間，掌握了 AI 應用能力的人才將會成爲市場搶奪的資源。我們應該做出讓普通人也能夠使用的 AI 工具，更準確、更快速地匹配大衆的需求。」
Sebastian 最後問了施密特一個問題，「如果回到 25 歲，你想進行哪方面的創業？」施密特的回答倒也沒有出人意料，他說「我想在生物和信息技術這兩個領域找找機會」。在他看來，只是單純的技術迭代會非常快，但一旦加入「人」這個要素，一切都會變得慎之又慎。他認爲未來人機交互界面的設計將會變得非常個性化，這些工具將會更契合人類的交流方式，像「電話」這種設備會真正懂你，理解和預測你的需求，讓你的生活變得更高效，在朝着這個技術和產品方向前進的過程中，會衍生出很多有意思的新公司。
這期間，施密特和 Sebastian 還聊到了曾共同推進的 Google Glass 項目。「這個產品失敗是因爲時機不對，出現得太早了。但想法是正確的。」施密特說，「人有眼睛、鼻子、耳朵，你得把所有的信息都輸入。我並不知道未來的人機界面會是什麼樣子的，但我們熟悉的 WIMP 傳統界面，即窗口、圖標、菜單、下拉菜單，基本是在 20 世紀 70 年代開發的，已經有將近 50 年的歷史了，是時候被更人性化的 HMI 取代了。」
極客公園（ID：geekpark）這次邀請到了優達學城中國區總經理周舟，對 Sebastian 和埃裏克•施密特的對話內容進行了解讀，並就人工智能的商業化、發展前景以及未來教育等相關問題進行了深入討論。
極客公園：Eric Schmidt 提到，未來 5~10 年摩爾定律還不會失效。在這個階段，您認爲人工智能會有怎樣的發展態勢？
周舟：我們一提到摩爾定律，首先想到的就是終端設備越來越小。想想從計算機時代，從開始的大機房，到現在一個手機就可以成爲我們人類的「朋友」，就是因爲我們的芯片等技術不斷地服從摩爾定律，使其體積越來越小。但是摩爾定律不僅僅只適用於這種硬件技術。我們現在天天談論的大數據技術，看着是一個很火、很時髦的詞彙，但實則並不是工業人員所希望看到的。大數據意味着成本高，時效慢。那麼我們如何將非硬件領域的「大」 變「小」，將是未來 5~10 年內最重要的工作。比如降低神經網絡模型的參數量，降低其內存，從而放到更小的設備中。發展技術可以不依賴大數據，利用小數據之間的內在關係就可以訓練神經網絡模型。數據的大小或者網絡參數量的大小不僅僅在空間上有進一步壓縮，隨之而來的數據和網絡模型的傳輸速度也會進一步提高。未來，我們可以使用更廉價的設備，去運行現在認爲很複雜，需要幾臺電腦操作才能完成的模型。機器也可以像我們人類真正學習一樣，通過看到少量的數據，就能認識其實質的聯繫，無需海量的數據進行訓練。
極客公園：哪些領域會大幅享受到 AI 商業化帶來的益處？
周舟：安防、金融、無人駕駛、醫療、工業製造業都會是未來 AI 商業化帶來直接益處的領域。這些領域擁有一些共同的特質，就是在某些分支的子任務，都需要人類進行簡單重複的勞動。比如安防，在需要調用監控錄像時，往往需要人們同時面對幾臺攝像機去觀察影像數據；或者金融，需要量化分析師不斷地觀察數據的走勢作出相應的分析決策。這些領域往往是現在弱 AI 最擅長的地方，幫助人們解放自己無謂、重複性的勞動，人們可以利用這些節省下來的時間去做更有意義，創造力的事情。
極客公園：如何規避像現在 GANs 製作假視頻，或者 deepfake「換臉」 等應用存在的負面影響？
周舟：法律的完善，政府的干預以及媒體的正面引導，喚起使用者的自我保護意識可以大大降低對於 deepfake 等「換臉」 應用的負面影響。
極客公園：如何引導 AI 朝着能夠增強人類能力、提供工作效率的方向發展？
周舟：這需要 AI 科研人員以及商業人士自發意識到有些是比利益更重要的東西。也需要各國的高層領導官員，以及相關法律部門進行聯合的一些協商，制定規則，不僅要引導 AI 向提高人們生活質量的方向發展，也需要制定不允許 AI 科技觸碰的紅線。
極客公園：關於通用人工智能是否會取代人類的問題，您有怎樣的見解和看法？
周舟：以我們現在的觀點，很難想象人工智如何能擁有自己的意識。以目前的人工智能算法原理來說，計算力仍然是計算機最強的一環。也就是說，當今計算機的優勢是在於可以「囂張」 地利用自己的計算能力去學習歷史的數據，從中找到其中的規律並預測新的案例。但是一旦某個案例屬於一個全新模式，人工智能就毫無辦法。也就是說，它就像一個擁有超強記憶力的學生，只能擁有一點點的推斷能力。每次考試前複習的時候，並不是尋求知識點的原理，而是拼命地背真題，歷年考題，以填鴨的方式複習。人工智能現在就是如此，其不可或缺的就是「真題」，也就是數據。數據越多，「背題」 纔會更有效果。因此人工智能還是需要依靠大數據，而人類學習就並非如此。單單從這點來講，如果人工智能的學習方法上沒有改變，即使其發展再好，在邏輯推理上仍然遠不如人類，所以也無法取代人類。
極客公園：Eric 和 Sebastian 有討論到關於傳統企業藉助人工智能工具進行數字化轉型的問題。您認爲 優達學城（Udacity）在幫助傳統和新興企業在數字化轉型以及人工智能應用上有何優勢？具體有沒有案例可以分享？
周舟：過去幾年以來，優達學城（Udacity）在企業數字化轉型方向發力，幫助包括 AT&T、通用電氣、PwC 等全球知名傳統企業進行數字化轉型和人才技能培養。以美國通信巨頭 AT&T 爲例，AT&T 爲謀求企業轉型機會，希望重塑成爲基於雲技術的科技公司，以應對互聯網時代的激烈競爭。AT&T 員工平均在職年限超過 12 年，舊技能完全無法匹配企業發展新方向，數十萬名員工技能亟待更新再造，同時企業也面臨着高科技人才招聘難，現有組織全面優化換血成本高等現實挑戰。自 2015 年下半年起至今，AT&T 與優達學城建立合作伙伴關係，組織內部員工系統學習納米學位課程，由公司人力資源部給與員工學費補貼及獎勵。經過三年多的合作，3,000+ AT&T 獲得培訓的員工掌握了轉型所需的核心技能點，企業內部 70% 的新技術崗位空缺也得以成功的通過內部培訓轉崗的形式獲得填充。
在中國，包括戴姆勒大中華區、上汽大衆、順豐在內等傳統企業也紛紛通過優達學城的培訓課程進行技能轉型。
極客公園：優達學城（Udacity）最開始是以人工智能切入在線教育市場的。那麼 AI 在提升優達學城本身的業務/教學模式，比如 Sebastian 提到的畢業率和互動率，都起到了哪些良性的作用？
周舟：對於在線教育，尤其是職業培訓而言，一大難點是如何高效的幫助學員針對其多樣化的職業發展目標、自身技術水平、複雜的技能點和應用場景來匹配富有針對性和個性化的學習路徑和課程推薦。去年，優達學城（Udacity）針對企業級用戶推出了基於人工智能技術的員工技能測評工具，通過多維度、自適應的測試，運用人工智能技術和數據分析幫助企業發現組織技能缺口，爲企業日後的技術培訓指明發展方向，幫助企業找到最適合其現狀的培訓課程。未來，我們也有計劃將這一測評工具面向更多個人學員開放，幫助學員提升學習效率和成效。
極客公園：針對 Eric Schmidt 提到的信息和生物學問題。您認爲未來人工智能在生物學、醫學領域都有哪些可用武之地？
周舟：人工智能的用武之地非常多。比如基因問題一直是世界最先進的生物科學家想研究的一個課題。各國也組織自己最優秀的科學家長期探索這一領域的新發現，而人工智能技術會推進這一領域的發展。基因信息學的重要性不言而喻。如果知道其中基因的祕密，那麼關於人類的起源，控制人類疾病的基因片段，改善人類體制的方法都將會爲人類造福。但是這一領域的難點大家也比較熟知。人工智能可以介入在基因序列，這些看似無規則的數據擺在人工智能面前，也許就可以很容易地找到規律。科學家在得到規律後，只需進行驗證就行。面對醫學，有很多的案例已經幫助醫生釋放大部分的工作量，比如肺癌細胞陰陽性檢測，皮膚癌階段檢測等。這些被代替的工作特點就是單一重複。而單一重複的工作對於人們來說，既浪費時間，也容易疲勞，因此誤診率高。而誤診對於醫學上來說又是如此致命。但越是致命，就越能體現人工智能的價值所在。
Q9：目前發展存在哪些問題？有沒有好的解決思路？
周舟：目前來說，人工智能在醫學領域上的應用還是偏少，其原因在於醫學是一個複雜的領域。任何疾病的指標都是判斷病狀的輔助措施，是一個概率而非確定的事。可以說醫學某種程度是一門判斷的「藝術」。而且，基於醫學的複雜性，對於很多人工智能從業者來說，有很高的門檻。同時，人工智能對於醫學從業者來說，同樣具有一定的難度。這就需要有更多的人才投入到這一領域中，成爲一種橋樑。另外，醫學除了需要診斷患者的病狀，還有一項重要的任務，就是人文關懷。很多時候，醫生需要能夠給予患者心理上的輔導及安慰，而人工智能無法做到這一點。換句話說，人工智能想要大規模深入到醫學領域中，應該是朝向輔助醫生，而非代替醫生的方向發展。這一點及其重要。