打败李世石的，是AlphaGo研发者的血和泪

Oren Etzioni，大名鼎鼎的计算机科学教授，创建并运营华盛顿大学图灵中心。自2013年以来，他一直担任艾伦人工智能研究所（以下简称：AI2）的CEO。该机构研究数据挖掘、自然语言处理和语义网的问题。除此之外，他还是Madrona venture Group的风险合伙人。商业内幕人士称他为“你从未听说过的最成功的企业家”。

以下为Oren Etzioni答问实录：

关于艾伦人工智能研究所和Aristo项目

【问】：请您先给我们介绍一些关于艾伦研究所，我很想了解下你们在网站上重点介绍的四个项目，它们都很有趣。

【Oren Etzioni】：艾伦人工智能研究所事实上是Paul Allen的创意。几十年来，他一直对人工智能有着强烈的兴趣，他在西雅图建立了多家科学研究所，这些研究所是仿照艾伦脑科学研究所建立的。自2003年以来，后者一直非常成功。艾伦人工智能研究所是在2013年成立的，是一家非营利组织，作为首席执行官，我感到非常荣幸。我们的使命是为公共利益服务，正如你提到的，我们有四个让我非常兴奋的项目。

我们的第一个项目是“Aristo项目”，这是关于建立一个计算机程序，它能够回答像我们问一个四年级学生那样的科学问题，现在我们也在研究八年级的科学。人们有时会问我，“天啊，你为什么要这么做？”你是想让10岁的孩子失业吗？答案当然是否定的。

我们真的想用这种科学测试题作为衡量我们在智力方面的表现的基准，对吧？我们看到像AlphaGo这样的计算机程序获得了巨大成功，在围棋比赛中击败了世界冠军。我们会说，“嗯，这是怎么转化成语言的——尤其是理解语言，以及理解图表、理解科学？”

回答这个问题的一种方法是，用“让我们问机器和人类同样的问题”来达到一个公平的竞争环境。所以我们从这些科学测试开始，我们可以看到，事实上人类做得更好。矛盾的是，对人来说相对容易的事情，对机器来说真的很难；对人来说很难的事情，对机器来说其实相对容易些，比如参加围棋世界锦标赛。

【问】：等一下，我想花点时间仔细分析一下。我已经注意到，任何时候一个聊天机器人选择参加图灵测试，我问同样的问题，它们没有一个能正确回答问题。这是一个四岁的孩子能回答的问题，也就是“五美分大还是太阳更大？”那么，为什么这是一个难题呢？你正在做的事情会影响你能不能回答这个问题吗？你为什么要从四年级学生开始，而不是四岁的孩子，例如提问一些最基本的问题？所以第一部分是：你正在做的事情是否会影响你能否回答这个问题？

【Oren Etzioni】：当然，我们的目标是给它提供背景知识和理解能力来回答这些类型的问题，这些问题结合了基础知识、基本的推理、以及对语言的足够理解，当你说“五美分”时，你指的不是金属，而是一种特定的硬币，有特定的尺寸，等等。

这台机器感觉如此难回答的原因是它是所谓的“常识”知识的一部分，对吧？当然，如果你编程的话，这台机器可以回答这个特别问题，但这是你还有其他数十亿个相似的问题，比如关于相对大小，关于动物行为等等。

确实有非常多甚至可以说是无穷无尽的基本问题是机器无法回答的。他们之所以纠结于这些问题，是因为他们回答这些问题的依据是什么？他们如何获得所有这些知识？

例如说，“天啊，我们为什么不考虑一个四岁的孩子，或者一个一岁的孩子呢？”我真的考虑过了。因此，在大学里，我们调查了一个夏天，试图跟上发展，说：“让我们从六个月大的孩子或是一岁的孩子开始，等等。”

我尤其感兴趣的是语言。所以我说，天啊，我们当然可以造出一个可以称之为“爸爸”或“妈妈”的东西，对吧？然后我们就从这点开始工作。我们发现，即使是非常年幼的孩子，他们处理语言和理解周围世界的能力也与他们的身体密切相关。他们的目光，以及他们对人们面部表情的理解，最终的结果是我们无法建立一个一岁的孩子。

所以，有趣的是，一旦你达到了四年级学生的水平，阅读并回答有关科学问题的多项选择题，就会变得更容易，而且会更专注于语言和语义学，而不是长身体、能够爬行。当然，这也是具有挑战性的机器人问题。

所以，我们选择从更高的层次开始，例如先从金发开始，对吧？它更侧重于语言，而且有趣的是，比打造一岁或四岁的孩子要容易得多。而且，与此同时，也不像大学水平的生物学问题那么难，这些问题涉及非常复杂的语言和推理。

【问】：所以你的想法是，通过谈论学校的科学考试，你会发现有一套范围非常狭窄的词汇是你必须掌握的，一些范围非常狭窄的东西是你理解物体所必须掌握的，是这个想法吗？比如，人工智能在游戏中表现出色，因为这些游戏是有固定规则的有限世界。你是在尝试建立一个类似的东西吗？

【Oren Etzioni】：这是一种模拟。从这个意义上说，人工智能在完成小范围任务以及有限的领域方面已经表现得很不错了。与此同时，这可能不是真的。所以，从我的观点来看，如果在这些问题中，有非常大的多样性，不仅仅是表达方式的多样性，这些测试通常要求你能理解一些事情，比如重力或光合作用，然后把它应用到特定的情况下。

“如果我们把植物搬到离窗户更近的地方，会发生什么？”这意味着将多种基础科学知识与现实世界情况应用结合在一起，结果是非常多样性的。因此，回答四年级的科学问题比下围棋要难得多。

真的可以建立通用人工智能吗？

【问】：你是否相信我们正走在建立一种“通用人工智能”（AGI）？我们需要做的事情就是为了让他们的规模越来越大，越来越快，越来越好，那么这就是AGI吗？这是在正常路径上吗？或者AGI与你们正在做的事情是否相关？

【Oren Etzioni】：这是一个非常关键的问题。我想说的是，我们并没有走到建立通用人工智能的道路上。你可能认为，如果你建立了Aristo项目，然后你把它扩展到十二年级，掌握更复杂的词汇和更复杂的推理……“嘿，如果我们继续这么扩大规模，我们最终会得到通用人工智能，但我不这么认为。

我认为我们还需要解决很多相关问题，这是一个非常复杂情况的一部分。如果这是一条道路，那它是一条曲折的路。但实际上，我们在迭代。

人们经常会说，“哦，我把钥匙放在哪里了？”你有多少次重复你的脚步，打开那个抽屉，说：“哦，我忘了去看看袜子下面，”或者“我忘了看床底下了。”这是一个非常复杂、不确定的过程，与之相反的是，“哦，我要沿着这条路走下去，目标很明确，我只需要上坡跑5英里，我就能到达那里。”

我有一本关于人工智能的书即将在今年年底出版，在这本书中，我谈到了图灵测试。我介绍了，我能想到的向电脑提问的最难的问题，这样我就能检测出它是电脑还是人。以下是我这个问题的变体，那就是：

“史密斯医生正在他最喜欢的餐厅吃饭，他经常去那吃东西。他接到一个电话，一个紧急电话，他没付钱就跑了出去。“餐厅老板有可能会起诉他吗？”

所以，如果你仔细想想，你会知道他是个医生，他接到的电话可能是急诊，你应该推断出他经常在那里吃饭，他们知道他是谁，他们甚至可能知道他是医生。他们会起诉吗？所以，为了回答这个问题，你必须知道很多社交方面的事情。

那么，这和解决十二年级的科学问题是一样的吗？或者我提出的这个问题，是否需要AGI来回答？

我们学到的一件事是，无论何时你定义一项任务，例如回答一些涉及社会细微差别的问题，可能其中还有一些伦理和实际的考虑，这也是我们研究的一部分。你可以想象，随着时间的推移，Aristo项目将面对这些更微妙的问题的挑战。

但是，同样的是，我们已经非常擅长识别这些任务，建立训练集，建立模型，然后回答这些问题，这个程序可能会很好地回答这些问题，但在过马路时仍然很困难。仍然很难读一首诗或讲一个笑话。

因此，对AGI来说，关键是“G”，通用性非常难以捉摸。这是一件令人惊奇的事，因为我们谈论的四岁孩子问题很有普遍性，尽管她不一定是一个伟大的象棋选手或者伟大的围棋选手。这就是我们所了解到的。

随着人工智能技术的发展，我们不断了解人工智能最难以捉摸的一面。一开始，如果你读过60年代和70年代写的一些东西，人们对电脑程序是否能下国际象棋非常怀疑，因为大众认为非常聪明的人都是很好的棋手。

然而，到现在这个问题就解决了，人们开始谈论学习。他们说，“哦，天哪，但电脑程序是不会学习的。”随着我们变得越来越好，至少在某些学习类型上，现在强调的是通用性，对吧？我们如何建立一个通用的程序，考虑到我们所有的成功，不管是扑克还是象棋，或者是特定的问题，都是在非常狭隘的任务上获得吗？

关于AlphaGo是否有意识问题以及人工智能系统的脆弱性

【问】：我读到的一篇关于Aristo项目的文章说，“可以用一种指导哲学来解释这个项目的重点，即人工智能是建立一种关于事物如何运作的思维模式，并根据新知识来完善这种思维模式。”能跟大家解释一下吗？你说的是什么意思？

【Oren Etzioni】：关键是我们所做的很多事情都是利用了背景知识，即大量事实、词汇以及各种社会细微差别。

深度学习方法是AlphaGo获得成功的关键，但要记住的是，至少从任何经典的定义来看，这些程序都是非常缺乏知识的。如果你能和他们交谈，问他们：“你知道什么？”你会发现：虽然他们可能已经储存了大量信息，比如关于围棋的，但他们并不知道很多东西。

【问】：当然，这也涉及到意识的话题，我理解这在你的书中也提到了：我问AlphaGo，“嘿，你知道你赢了吗？”AlphaGo无法回答这个问题。这并不是因为它不懂自然语言，是因为它并没有意识。卡斯帕罗夫曾就“深蓝”说过这点。他说，“嗯，至少它不会幸灾乐祸。”至少它不知道它打败了我。最优秀的人才花了很长时间才打造出可以击败卡斯帕罗夫的东西。你认为这是那种可能扩散到其他很多东西上吗？Aristo在做一件与AlphaGo或国际象棋截然不同的事情吗？

【Oren Etzioni】：我确实认为我们可以从这段经历中总结点东西出来。但我认为普遍化并不总是人们所做的。所以我们可以概括的是，当我们有一个非常明确的所谓的“目标函数”或“绩效标准”时，基本上很清楚谁赢谁输。

我们有很多数据，作为计算机科学家，我们非常善于利用更快的计算机、更多的数据、更复杂的算法，最终解决问题。然而，在自然语言方面：如果你邀请我参加另一个播客的话，我想做得更好。我该怎么做呢？如果我变得更好的方法包括查看数百万个培训案例，你就不会做数以百万计的播客了。对吧？

你说的对，当事情变得更模糊，或者更不确定，或者更微妙的时候，当有更少的训练数据，这就需要有不同的办法。所有这些特点使得Aristo和其他一些项目非常不同于象棋或围棋，这些都是非常不同的事情。

【问】：那么，Aristo有何不同？说一个它能回答的问题和一个它不能回答的问题。或者这是一个令人信服的问题？你是怎么认为的？

【Oren Etzioni】：首先，我们要记录我们的分数。所以，我马上给你举个例子。虽然Aristo在四年级非图表多项选择题的正确率为80%，但是当我们看到我们所说的“非图表多重选择”，纯粹只有语言的问题，让机器解释图表是困难的。

不管你说任何问题，我们的准确率有80%。这非常棒，因为开始的时候我们的准确率接近20%，包括所有带图表的问题，还有所谓的“直接回答问题”，即你必须用一个短语或一个句子来回答它们，不能只在四个选项中做出选择，那时候我们的水平要低得多。

乐观的讲，我们已经取得了很大的进步。但悲观的一面是，我们在四年级的科学测试中，仍然得到了D。所以这是一个你如何看待它的问题。现在，当你问“我们能解决什么问题？”我们的网站AllenAI.org上上有一个演示。例如我点击“现场演示”，我会看到这样的问题：“水循环的主要能量来源是什么？”甚至，“下面的图表展示了一条食物链。”如果小麦植株死了，老鼠的数量会如何变化？所以，这些都是相当复杂的问题，对吧？

但这些问题并不长，而我们创造的AI仍在纠结的问题，这就是所谓的“脆弱性”。如果你选择任何一个我们能回答的问题，然后改变你问问题的方式，我们就会立刻失败。顺便说一句，这是许多人工智能系统的一个特点，“脆弱性”的概念，即一个非常小的差别，人类看了可能会说，“哦，这没什么不同”，但对机器有很大的不同。

【问】：的确如此。我一直在测试Amazon Alexa，我注意到，如果我说，“有多少个国家？”它给了我一个数字。如果我说，“世界上有多少个国家？”它给了我一个不同的数字。不管是哪个人都会把它们看成是同一个问题。这就是你所说的那种东西吗？

【Oren Etzioni】：这正是我要谈论的事情，这让人非常沮丧。例如，“Siri，你今晚怎么样？”或者，“你比Alexa好吗？”我说的是，就像你和酒店的管理人员之间那种对话，想在市中心找到一家不错的餐厅。所有这些在游戏中很容易解决的问题，在对话的语境中甚至都没有很好地表达出来。

我写了一篇文章，关于Alexa和Google Assistant对于一些事实性问题提供了不同的答案。

如果你问，“一年有多少秒？”他们会给你不同的答案。如果你说，“谁设计了美国国旗？”他们会给你不同的答案。如果详细分析一年有多少秒，你会认为这是一个目标，有对错之分。但是他们一个给了日历年的答案，一个给了太阳年的答案，这两者相差四分之一天。

而对于美国国旗的问题，如果你想想，一个人说Betsy Ross，另一个说的是设计50星国旗的人，即我们现在的国旗。最后，这两种情况都是提问者的错，因为问题本身是模糊的，对吧？所以，即使系统很好，但如果问题的措辞很糟糕，它仍然会搞砸，对吧？它仍然很脆弱。

换句话说，智力的一个方面是能够回答一些模糊的问题，并且能够自圆其说。但这些系统，即使它们的事实存储量是巨大的，甚至有一天，它们肯定会超过我们。但如果你说，“你为什么给我这个数字？”它会说，“嗯，我在这里找到了。”之后，我们会看到一个很大的查找表。它无法处理这种模糊，也无法以一种更有意义的方式解释自己。如果你把数字3放在那张表格上呢？你会问，“一年有多少秒？”这个程序会很高兴地说，“3秒”。你会说，“这真的合理吗？”它会说，“哦，我不能回答这个问题。”对吧？而一个人会说，“等一下。”一年不可能是3秒。这根本说不通啊！”对吧？所以，我们还有很长的路要走。

关于Euclid项目

【问】：我们还有三个项目要讨论，但你肯定对John Searle的中文房间问题很熟悉，我准备在这里也提出来：在一个房间里有一个人，他不懂中文，有人用中文向他提问，他有很多书可以查到，但他只是把这些书抄下来，然后把它们还回去。他不知道对方说的是霍乱还是咖啡豆，或者是什么。很显然，这就是类比电脑。那么电脑真的能理解任何东西吗？

【Oren Etzioni】：你知道，这个中文房间实验真的是思想哲学中最吸引人、最有趣的思想实验之一，有很多文章都是关于它的争论。简而言之，我认为它确实暴露了一些问题，当你深入了解这个中文房间和系统，你会说，“天啊，它看起来好像什么都不懂。”

当你把电脑拆开时，你会说：“天哪，它怎么能理解？”它只是一堆电路、电线和芯片。”这条推理的唯一问题是，如果你深入了解一个人的思维。换句话说，如果你分析他们的大脑，你会看到同样的东西。你可以看到神经元、离子电位、化学过程、神经递质和荷尔蒙。

当你在这个层面上看时，神经元当然也不能理解任何东西。我认为，在中文房间里，如果没有其他的播客，我认为这是一件很有趣的事情，但这有点误导人。理解是一种从复杂的技术系统中产生的东西。这种技术系统可以建立在神经元之上，也可以建立在电路和芯片之上。这是一种自然发生的现象。

【问】：那也会是另一个问题，因为我会问你，它是强自然还是弱自然？但是，正如我所说，我们还有三个项目要讨论。我们来谈谈Euclid。

【Oren Etzioni】：Euclid是Aristo的兄弟，在Euclid，我们研究的是SAT数学问题。Euclid的问题更简单，因为要回答这些纯粹的数学问题，你不需要所有这些背景知识。然而，你真的需要非常全面、全面地理解句子。所以，我会给你我最喜欢的例子。

这个问题是基于一个关于Ramanujan的故事，他是印度的数字理论家。他说，“能用两种不同方式表示的两个自然数立方之和的最小数是多少？”这个问题的答案是一个特定的数字。当然，听众可以在谷歌上搜索。但是要正确地回答这个问题，你必须要完整地解析这个冗长而复杂的句子，并理解“用两种不同方式表示的两个自然数立方之和”。

对于AI系统来说，这到底是什么意思呢？

Euclid项目要对句子和段落有一个完整的理解，这就是我们在SAT考试中所遇到的问题，不过Aristo也也经常遇到这些问题，当你在处理数学问题的时候，你就没有“似乎”了，你必须给出答案。

Plato项目：关于视觉认知

【问】：正如你所说的，这就是Aristo的兄弟，但是Plato呢，我们要讨论的第三个项目，它非常不同，对吧？

【Oren Etzioni】：没错。也许，如果我们用这个家族比喻，Plato就是Aristo和Euclid的堂弟，但实际情况是我们并没有自然的基准测试，但我们对视觉非常感兴趣。我们已经意识到，我们想要解决的很多问题，世界上的很多知识，都不是用文本来表达的，当然不是以任何方便的方式表达的。

有一种很好的方法来了解事物的大小，不仅仅是太阳和五美分，甚至还有长颈鹿和蝴蝶……你不会找到这样的句子：“长颈鹿比蝴蝶大得多。”但如果你看到它们的照片，你就可以建立联系。Plato是关于从图像、视频、图表中提取知识，并能够推理得出结论。

因此，这个项目的负责人Ali Farhadi，在华盛顿大学艾伦学院和我们是同事，他的工作成果令人惊叹，我们可以基于图像做出非常了不起的事情。我最喜欢的一个例子是：想象一下，画一条对角线，然后在这条线上画一个球。

那个球将会怎样？

好吧，如果你能把它想象出来，当然球就会滚下来，它会滚下坡。事实证明，大多数算法实际上在做这种预测方面都受到了挑战，因为要做出这样的预测，你必须要对正在发生的事情进行推理。这不仅仅是说，“在这条线上有一个球”，但你必须明白这是一个斜坡，重力将会发挥作用，并预测会发生什么。所以，我们真的有一些最先进的能力，比如对图像的推理和预测。

【问】：难道视频不是一件完全不同的事情，因为你真正看到的是图像之间的区别，或者它们是相同的基本技术？

【Oren Etzioni】：在技术层面上，有许多不同之处。但实际上，视频只是一系列的图像。正是我们的眼睛，或者说我们的大脑，构造了连续的运动。它所全部展示的是每秒显示的多个图像。对我们来说，这是训练数据的绝佳来源，因为我可以把图片放在第1秒，预测第2秒会发生什么。然后我可以看看第2秒发生了什么，看看这个预测是否正确。球滚下山坡了吗？蝴蝶落在长颈鹿身上了吗？因此，这有很多共性，而视频实际上是丰富的图像和训练数据来源。

【问】：让我举个例子，如果我住在一条死胡同里，假设街对面的那对夫妇怀孕了，那个女人已经怀孕九个月了。有一次我早上三点起床，我望着窗外，他们的车不见了，我想说，“啊，他们一定是去医院了。”换句话说，我是根据图像中没有的东西来推理的。对于机器来说，那真的很难，不是吗？

【Oren Etzioni】：是的，人远远领先于Plato。但要预料到这一点，你必须找语义学者网站（semanticscholar.org）帮忙。在语义学者网的帮助下，我们在其他项目中看到的许多能力都集中在一起。语义学者网是一个科学的搜索引擎，它可以让人们去寻找计算机科学论文，以及神经科学论文。很快，我们将推出覆盖所有在PubMed等引擎上可以找到的生物医学论文。

然而，我们正在努力解决的问题是，科学研究论文非常多，可能超过1亿份，而且每天都有更多的科研论文发表，对任何人都能几乎不可能跟进。

与以往不同，现在再也没有一个可能知道所有科学知识的人，因为我们跟不上发展的速度。这是人工智能帮助我们的好地方，让科学家在文献搜索中更有效率，更高效地进行假设和设计实验。

这就是我们试图用“语义学者”来做的，这涉及到理解语言，这涉及到理解图像和图表，这涉及到更多。

【问】：为什么你认为语义网没有取得更大的发展，你对语义网的预测是什么？

【Oren Etzioni】：我认为重要的是区分“语义学”（semantic）和“语义论”（semantics），我们在“语义学者”中用的是后者，而在语义网中用的是前者。在“语义学者”中，我们试图将语义信息与文本联系起来。例如，这篇论文是关于一个特定的大脑区域，或者这篇论文使用的是功能磁共振成像方法等等。这是非常简单的语义区分。

语义网是语义论的一个非常丰富的概念，坦率地说，它是超人类的，而且远远超出了我们在分布式世界中所能做的。因此，蒂姆·伯纳斯-李的愿景在过去几年里不断发展成为一种叫做“链接开放数据”的东西，在这里，语义论非常简单，重点更多的是网络上的不同参与者将数据联系在一起。

我认为，很少有人研究语义网的原始概念，因为它实在是太难了。

【问】：我只是好奇，这是一个有点无聊的问题：你的项目的名字似乎并没有遵循一个包罗万象的意义计划。这是因为它们是在其他地方被创造出来的吗？

【Oren Etzioni】：这是因为，如果你让一个计算机科学家负责品牌推广，你就会遇到问题。我认为一开始的时候建立了Aristo和Euclid两个项目，他们都是差不多类似的。然后我们又加上了Plato，这是个不太完美的名字，但大致上还是在神话世界里。而“语义学者”则是有点冒充谷歌学者。

因此，“语义学者”，如果你愿意这样说的话，真的是格格不入。当我们创立一个项目时，我们正在考虑进行这方面的工作，也许我们称该项目为“苏格拉底”。但我也在想，我们真的想要所有的项目都要以男性的名字命名吗？这显然不是我们的意图。所以，我认为最重要的是，这是一个不完美的命名方案。

AI2的使命与贡献

【问】：艾伦人工智能研究所的使命是：“我们的使命是通过高影响力的人工智能研究和工程为人类做出贡献。”和我谈谈“对人类做出贡献”吧。你的设想是什么？你希望这一切能带来什么？

【Oren Etzioni】：好的。当我们开始建立艾伦研究的时候，我们意识到，人工智能要么受到了诋毁，尤其是在好莱坞电影里，但也有像史蒂芬·霍金和伊隆·马斯克这样的人。我们想要强调人工智能是为了人类的共同利益，也就是为了人类，我们在那里看到了一些真正的好处。

而且，在很多营利性公司中，如果它被情报机构或积极的营销所利用的话，人工智能被用来精准投放广告，或者以各种方式让你购买更多的东西，或者是侵犯你的隐私。我们真的很想找到像“语义学者”这样的地方，人工智能可以帮助科学家解决人类最棘手的问题。

我们非常高兴地看到，自从我们成立以来，像OpenAI或Partnership on AI这样的组织，已经制定了与我们的行动相呼应的使命：使用人工智来造福人类和社会，诸如此类。因此，我们似乎越来越多地专注于使用人工智能。

人工智能对就业的影响到底是怎样的

【问】：所以你提到的“对人工智能和恐惧的担忧”是显而易见的，尤其是好莱坞电影带来的影响。但是这种恐惧有两种不同的表现形式。一个是你顺便提到的，结果有点糟糕，就像电影《终结者》里面的一样。但另一个问题是，你如何看待人工智能对就业和工作的影响？

【Oren Etzioni】：我认为这是一个非常现实的担忧。正如你所知道的，我不太喜欢有关人工智能的末日场景。我告诉人们，我们不应该把科学和科幻混为一谈。但我们不应该关注世界末日的另一个原因是，我们有更多现实和紧迫的问题需要担心。举例来说，人工智能对就业的影响，这是一个非常现实的问题。

我预测，在不久的将来我们将在交通领域看到它。卡车司机和优步司机等将逐渐被挤出市场，这是相当数量的工人。当然，要帮助重新培训他们，帮助他们在日益数字化的经济中找到其他工作并不容易。

【问】：但是，你知道，至少在过去的几百年中，美国的历史总有几个真正具有颠覆性的技术出现。我的意思是，事情变化的速度很快。而且，失业率从未因为这一点而动摇。因为人们只会使用新技术。而且，随着人工智能的发展，难道它实际上不是一种让人们提高自身生产力的强大技术吗？比如，任何人都可以用它来提高生产率。

【Oren Etzioni】：我的确认为人工智能将会扮演这样的角色，并且我也的确认为，正如你所暗示的那样，这些技术力量确实有一些积极的方面。所以，正是因为技术的进步，我们拥有手机、汽车、洗衣机、所有这些能让我们的生活变得更好的东西以及现代医疗等等。所以我不认为这些技术上的进步，包括人工智能的进步，是负面的或者是无效的。

如果我们说，“好吧，我们不会有人工智能，”或者“我们不会有电脑”，那么，其他国家将会予以接纳并超越我们。我认为，要阻止广泛的技术变革，这是非常困难的。狭义的技术是非常可怕的，比如地雷或生物武器，我们已经可以停止了。但我认为人工智能并不是可以停止的，因为它的范围更广，它不是应该停止的东西。

所以我非常同意你所说的，但有一个关键的警告。我们挺过了这些事，我们蓬勃发展，但在很长一段时间内保持颠覆是非常非常困难。所以我们从一个90%都是农业的社会发展至一个只有2%农业工人的社会，有的人受苦，有的人因而失业。

因此，我确实认为我们需要有建立合适的程序来帮助人们完成这些转变。我认为要这样做并不简单，因为有些人会说，“当然，那些老工作消失了，但看看这些优秀的工作吧。”你知道，网络开发者、电脑程序员，他们利用这些技术让自己在工作中更有效率。”这没错，但现实要复杂得多。这些卡车司机真的会成为网络开发者吗？

【问】：我的论点是，每个人都提升一点点。所以在大学里当数学老师的人，可能会成为一名网络开发员，高中老师成为了大学老师，然后一个代课老师得到了全职工作。没有人会说，“哦，不，不，我们要把这些人，你知道，他们受过较少的培训，我们要把他们投入到这些技术性很强的工作中去。”过去没有发生过这样的事情，对吧？每个人都要做点什么，问题是每个人都能胜任比他们今天的工作更复杂的岗位吗？如果答案是肯定的，那么我们是否会迎来一场大变革？

【Oren Etzioni】：首先，你说得很对。把卡车司机映射到开发人员，我是过分简单化了。但与此同时，我认为我们需要记住，这些变化是非常具有颠覆性的。这是最简单的例子，因为它在我的头脑中是新鲜的，我认为，还有其他人的想法。让我们来看看底特律。这不是技术变革，而是全球化，以及制造业岗位转移到美国以外的原因。

但无论如何，这些人并不是每个人都迈出了一小步，或者向右迈出了一小步，不管你想说什么。这些人和他们的家人遭受了巨大的痛苦。它的后果非常严重，包括底特律破产，包括许多人失去医疗保险。所以我认为，如果你考虑未来20年，消极的变化会被积极的改变所抵消吗？是的，在很大程度上是这样的。但如果你考虑短一点的时间范围，考虑特定人群，我认为我们不能说“嘿，一切都会好起来的。”我认为我们还有很多工作要做。

【问】：好吧，我同意你，如果有什么我觉得可以安慰的话，那就是这个国家以前做过的。在这个国家曾经有一场关于扫盲后教育是否值得的讨论，这是在我们还是农民的时候。你可以理解其中的逻辑，对吧？如果说，“一旦有人学会了阅读，你为什么要把他们留在学校里呢？”然后人们说，“未来的工作将需要更多的技能。”正因为如此，美国才成为世界上第一个确保每个人都能接受高中教育的国家。听起来你是在说类似的事情，我们需要确保我们的教育机会与我们正在创造的工作的要求保持同步。

【Oren Etzioni】：绝对是的。我认为我们都一致认为让人们接受人工智能有积极作用要花很大功夫，你说呢？有些人，对就业和社会有一种世界末日即将来临的感觉。我百分百同意你意见，但我不喜欢这种看法。听起来我们也一致认为，我们可以做一些事情来让这些转变更顺利、更容易为社会各个阶层所接受。

这肯定与改善教育和寻找机会等有关。所以，我认为有一个问题是，这种变革会有多痛苦，持续多长时间，才能使我们达到一种新的平衡状态，顺便说一句，这可能是一个非常棒的变革吗？因为，你知道，卡车司机工作的有趣之处，失去工作岗位的痛苦，还有很多工作岗位消失了，其中一些工作很糟糕。

其中一些很糟糕，对吧？人们对这些工作并不感兴趣。他们这样做是因为他们没有更好的东西。如果我们能给他们提供更好的东西，那么世界将会变得更加美好。

通用人工智能之路

【问】：绝对可以。我们已经讨论过AGI了，我想你会认为我们最终会打造一种通用智能？

【Oren Etzioni】：我确实这么认为。我认为这很可能需要25年的时间，可能最长需要一千年的时间，但我是所谓的唯物主义者。这并不意味着我喜欢在亚马逊上购物，这意味着我相信，当你认真考试考虑会发现，我们是由原子和分子构成的，而人工智能并没有什么神奇之处。

这里面有一种非常神奇的东西，但它并没有什么不可形容的。因此，我认为，最终我们将建立能够做事并超越我们所能做的事情的计算机程序。

【问】：那么，你相信我们也会建立有意识的机器吗？

【Oren Etzioni】：是的，我认为它自己会产生意识。我认为意识中没有什么是人类或者生物独有的。

【问】：人们认为在我们创建一个“AGI”需要花费5到500年。你认同这个范围吗？

【Oren Etzioni】：好吧，我愿意给1000比1的赔率，押宝在未来五年内这不会发生。我赌十美元，赚一万美元，因为我现在就在解决这些问题，而我们离任何与AGI相似的东西都还很远。我所认识的这个领域的任何人，也都是这样想或者这样说的。

我知道有一些所谓的未来主义者，但是那些积极致力于人工智能的人却并认为这点会到来。而且，即使有人说了一些随机的事情，我也会要求他们：“用数据来备份。”你这么说的依据是什么？看看我们在具体的基准测试和挑战方面的进展情况;它们很有前途，但它们只是在范围非常狭窄的任务才非常有前景，比如对象检测、语音识别或语言理解等。

现在，当你超过十岁、二十岁、三十岁的时候，谁能预测会发生什么呢？因此，我很高兴地说，在未来的25年里，这种情况不会发生，而且我认为，很难预测之后的情况，无论是50年还是100年，甚至更多，我都不能告诉你。

【问】：那么，你认为我们有足够的部件来构成AGI吗？我们是不是正在朝那个方向前进，或者这是不是需要实现一些我们无法想象的突破才能达成？或者既然我们获得了足够的深度学习、更快的处理器、更好的算法和更多数据，你能说我们现在正走在通往它的道路上吗？或者你认为我们将会创立“AGI”的唯一理由是你是唯物主义者——你知道，我们是由原子组成的，我们可以建造任何由原子组成的东西。

【Oren Etzioni】：我认为这需要多个突破，这些突破在今天是很难想象的。

让我给你举一个非常具体的例子。我们想要获取文本、图像、视频等形式的信息，并在内部使用一种表示语言的表达方式来表达它的含义，它的主旨，就像这个播客的听众掌握了我们所谈论的内容的要点。我们甚至不知道这门语言是怎么样的。我们有各种各样的表征语言，它们都未达到该任务的要求。

让我给你另一种思考的方式，把它当做一个思维实验。假设我能给你一台电脑，它的速度要多快有多块，有我想要的内存。用那台令人难以置信的电脑，我现在能制造出一种达到人类水平的人工智能吗？答案是“不”。

这不是我的问题，是没有人能做到这点。

所以，如果它真的是关于速度之类的，那么我在短期内会更乐观，因为我们很擅长让它运行速度快2倍，使它运行速度快10倍，组件速度更快的计算机，存储更多信息。我们过去把它存储在软盘上，现在我们把它存储在这里，接下来我们要把它储存在DNA中。

在摩尔定律下，技术的指数式发展（不断地变得越来越快和越来越廉价）从这个意义上说，是惊人的。但这还不足以实现“AGI”。

【问】：最后一个问题，你之前说过你告诉人们不要把科学和科幻小说混为一谈。但是，在科幻小说里，你有没有看过、读过、看过的东西，你真的认为这是一个现实的场景，我们可能会做这么做，未来会是这个样子？会不会有些东西你看了后说，这是小说，但这有可能发生？

【Oren Etzioni】：你知道，我最喜欢的小说之一是《雪崩》（Snow Crash），它描绘了Facebook的未来以及我们社会的未来等等。如果让我推荐一本书，那肯定是它。我认为很多关于人工智能的书都是科幻小说，缺乏所谓的“硬科幻”，更脱离了现实。

如果我们说的是科幻小说，我想以一句话结尾，你也应该知道的，著名编剧Arthur c.Clarke曾说过：“一项足够先进的技术与魔法没有区别。”所以我认为，对很多人来说，人工智能像是一种魔法，对吧？我们可以在围棋上打败世界冠军——我向人们传达的信息是，作为一个每天都埋头苦干的人，我想说我们离魔术不远了。

这当中有血、汗和泪，而且这是人类的血、汗和泪，是真正有才华的人的血、汗和泪，来实现我们在人工智能领域取得的有限的成功。顺便说一下，AlphaGo就是这方面的终极例证。因为不是AlphaGo打败了李世石，也不是机器打败了人类。这是一个由谷歌工程师和科学家组成的非常有才华的团队，他们在Google DeepMind项目工作多年，是他们在技术的帮助下击败李世石。

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。