High：你和你的團(tuán)隊(duì)取得的一些進(jìn)展似乎已經(jīng)用于谷歌的各種產(chǎn)品：谷歌助理——谷歌新的虛擬語(yǔ)音助手；GoogleHome——你們對(duì)亞馬遜Echo的回應(yīng)；還有Allo——一款提供獲取谷歌服務(wù)的對(duì)話接口的消息應(yīng)用。你怎么看待這些近發(fā)布的新產(chǎn)品和谷歌內(nèi)部的試用產(chǎn)品？
　　
　　Dean：我那時(shí)領(lǐng)導(dǎo)的研究團(tuán)隊(duì)叫做谷歌大腦。我們專注于構(gòu)建大規(guī)模的機(jī)器學(xué)習(xí)計(jì)算系統(tǒng)和研究的機(jī)器學(xué)習(xí)技術(shù)。有這兩種不同技能的人們聚集在一起共同解決難題，取得了明顯的進(jìn)步，而只具有機(jī)器學(xué)習(xí)技能或大規(guī)模計(jì)算技能的人通常不能獨(dú)自獲此成就。在我們能將這些問(wèn)題在多大程度上扔給計(jì)算機(jī)程序和我們?nèi)绾斡?xùn)練出強(qiáng)大的模型解決我們關(guān)心的問(wèn)題上，我認(rèn)為這是讓我們團(tuán)隊(duì)在兩個(gè)領(lǐng)域內(nèi)都取得相當(dāng)大的成功并推動(dòng)了技術(shù)向前發(fā)展的其中一個(gè)原因。
　　
　　在做長(zhǎng)期研究時(shí)我們一直是相當(dāng)機(jī)會(huì)主義的，我們懂得什么時(shí)候我們的一些研究成果可以用于改善谷歌現(xiàn)在的產(chǎn)品。我們將和產(chǎn)品團(tuán)隊(duì)一起工作，我們會(huì)說(shuō)：‘嘿，我們認(rèn)為這項(xiàng)機(jī)器學(xué)習(xí)研究在你的產(chǎn)品中是有用的。’有時(shí)這是一個(gè)完全不能干涉的事情。而有時(shí)我們這個(gè)團(tuán)隊(duì)和產(chǎn)品團(tuán)隊(duì)又會(huì)深度合作，讓研究成果在產(chǎn)品中實(shí)現(xiàn)其價(jià)值。
　　
　　我們團(tuán)隊(duì)中的一些研究人員開(kāi)發(fā)了一個(gè)模型，叫‘序列到序列學(xué)習(xí)’。這個(gè)模型的核心想法是你用一個(gè)輸入序列來(lái)預(yù)測(cè)某些輸出結(jié)果序列。聽(tīng)起來(lái)有點(diǎn)抽象，但可以映射到許多你想要解決的真正問(wèn)題。他們發(fā)表的這個(gè)研究論文初是語(yǔ)言翻譯背景下的應(yīng)用。輸入序列可以是一個(gè)句子的英文單詞，一次一個(gè)。該模型被訓(xùn)練去輸出對(duì)應(yīng)的法國(guó)單詞來(lái)創(chuàng)建一個(gè)法語(yǔ)句子，意思與輸入的英語(yǔ)句子相同。這不同于其他機(jī)器翻譯系統(tǒng)，別的機(jī)器翻譯系統(tǒng)往往是代碼和子件的問(wèn)題——也許使用了機(jī)器學(xué)習(xí)或統(tǒng)計(jì)模型將它拼接在一起。相比之下，這個(gè)系統(tǒng)是一個(gè)完全的機(jī)器學(xué)習(xí)的端到端系統(tǒng)，在這個(gè)系統(tǒng)中你投進(jìn)成對(duì)的在不同語(yǔ)言中表達(dá)同一個(gè)意思的句子，然后系統(tǒng)就能學(xué)會(huì)將一種語(yǔ)言翻譯另一種語(yǔ)言。
　　
　　這個(gè)通用模型在其他環(huán)境中也很有用。Gmail團(tuán)隊(duì)將它用作了一個(gè)名叫‘智能回復(fù)’的功能的基礎(chǔ)，這里面的輸入序列是一個(gè)傳入的電子郵件，生成序列是根據(jù)這個(gè)郵件的內(nèi)容預(yù)測(cè)出的可能回復(fù)。比如，你收到一封這樣的郵件：‘嗨，我們想邀請(qǐng)你來(lái)吃感恩節(jié)晚餐。請(qǐng)告訴我們你能不能來(lái)。’這個(gè)生成的回復(fù)可能是‘好的，我們會(huì)來(lái)。我們能帶點(diǎn)什么過(guò)來(lái)嗎？’或者是‘對(duì)不起，我們來(lái)不了了，’或者是其他對(duì)應(yīng)語(yǔ)境的類似回復(fù)。用的是相同的基本模型，只是訓(xùn)練的數(shù)據(jù)集不同。
　　
　　High：谷歌大腦的這個(gè)研究在谷歌其他更多的傳統(tǒng)產(chǎn)品分支中有什么潛在的應(yīng)用和突破？
　　
　　Dean：我們已經(jīng)開(kāi)始將這個(gè)流程變得規(guī)范一點(diǎn)。五年前，當(dāng)我們初創(chuàng)建機(jī)器學(xué)習(xí)研究團(tuán)隊(duì)以調(diào)查海量計(jì)算和深度神經(jīng)網(wǎng)絡(luò)如何解決問(wèn)題時(shí)，公司里還沒(méi)有太多人使用這些方法。我們發(fā)現(xiàn)了一些用它們可以有效處理的領(lǐng)域，包括語(yǔ)音識(shí)別系統(tǒng)，所以我們與語(yǔ)音識(shí)別團(tuán)隊(duì)的人密切協(xié)作，從而將深度神經(jīng)網(wǎng)絡(luò)配置為了語(yǔ)音識(shí)別系統(tǒng)的一部分，并且在識(shí)別準(zhǔn)確率上取得了實(shí)質(zhì)性進(jìn)展。然后我們和各種計(jì)算機(jī)視覺(jué)相關(guān)團(tuán)隊(duì)合作，比如圖片搜索和一些街景服務(wù)團(tuán)隊(duì)，從而訓(xùn)練模型在給定的各種圖片的原始像素下做有趣的事情——從圖片中提取文本或者理解圖片內(nèi)容是什么（美洲豹、垃圾車等等）。
　　
　　有趣的是，隨著時(shí)間的推移，越來(lái)越多的團(tuán)隊(duì)開(kāi)始采用這些方法，因?yàn)樗麄兛倳?huì)聽(tīng)說(shuō)另一個(gè)團(tuán)隊(duì)用這些方法取得了好結(jié)果。我們會(huì)幫助這樣兩種團(tuán)隊(duì)建立聯(lián)系，或者，提供一些關(guān)于在特定的問(wèn)題情境中如何使用這些方法的基本建議。后來(lái)我們將此流程規(guī)范了一些，所以現(xiàn)在我們有一個(gè)專門的團(tuán)隊(duì)負(fù)責(zé)外聯(lián)。這是為正在產(chǎn)品中嘗試這些機(jī)器學(xué)習(xí)模型的團(tuán)隊(duì)建立聯(lián)系的點(diǎn)。他們會(huì)描述他們的問(wèn)題，然后外聯(lián)團(tuán)隊(duì)會(huì)告訴他們：‘噢，聽(tīng)起來(lái)很像另外這個(gè)團(tuán)隊(duì)的問(wèn)題，這個(gè)解決方案會(huì)幫到您，試試并記得給我們反饋哦。’這種外聯(lián)團(tuán)隊(duì)的數(shù)量正在急劇增長(zhǎng)——從2011年、2012年的幾個(gè)團(tuán)隊(duì)增長(zhǎng)到現(xiàn)在的200多個(gè)團(tuán)隊(duì)，并且可能已有幾千人用我們團(tuán)隊(duì)的軟件訓(xùn)練過(guò)這種模型了。
　　
　　High：你也是谷歌開(kāi)源機(jī)器學(xué)習(xí)庫(kù)——TensorFlow的創(chuàng)始人之一。像其他幾家公司一樣，谷歌正關(guān)注開(kāi)源人工智能技術(shù)的開(kāi)發(fā)。請(qǐng)談?wù)勀銓?duì)使用開(kāi)源人工智能技術(shù)的理論基礎(chǔ)及優(yōu)勢(shì)的看法。
　　
　　Dean：有許多不同的構(gòu)架來(lái)表達(dá)不同的開(kāi)源機(jī)器學(xué)習(xí)算法。我認(rèn)為有更多的選擇總是好的，但如果我們可以開(kāi)發(fā)出能獲得機(jī)器學(xué)習(xí)社區(qū)支持，大家一起來(lái)改進(jìn)的東西的話，也很好。其他許多人都在嘗試著相似的工作，所以如果我們能將重復(fù)工作的成果放在一起，構(gòu)成一個(gè)許多人都會(huì)采用的庫(kù)就會(huì)非常方便。原因是這會(huì)使機(jī)器學(xué)習(xí)想法的表達(dá)變得更簡(jiǎn)單。傳統(tǒng)的方式是人們寫(xiě)一篇論文，談?wù)勊麄冇辛艘粋€(gè)想法，然后開(kāi)始探索，做一些實(shí)驗(yàn)，但通常他們并不會(huì)公開(kāi)代碼，其他人便沒(méi)法重復(fù)這些實(shí)驗(yàn)。作為一個(gè)研究者，你正在看某人的論文，并嘗試將你自己的技術(shù)與其對(duì)比。通常，因?yàn)檎撐闹袥](méi)有代碼，你只能猜測(cè)那些代碼會(huì)是什么。并不是作者有意隱瞞，而是論文的屬性決定了其會(huì)省略大量細(xì)節(jié)。論文中可能會(huì)有像‘我們使用了低的學(xué)習(xí)率’一樣的描述，然而你關(guān)心的可能是他們是否使用了。0001的學(xué)習(xí)率，在一萬(wàn)步后將其降低到更小值。所以建立一個(gè)軟件架構(gòu)，讓人們可以以代碼的形式表達(dá)機(jī)器學(xué)習(xí)想法并將這些研究模型和想法以可執(zhí)行形式發(fā)布到這個(gè)構(gòu)架中，這使得想法的交流更加通暢。
　　
　　對(duì)于我們自己而言，這也使得我們與谷歌公司以外的人的合作更簡(jiǎn)單。通常我們會(huì)招暑期實(shí)習(xí)生，在過(guò)去，他們幾乎快完成實(shí)習(xí)項(xiàng)目的時(shí)候，仍然在寫(xiě)關(guān)于他們工作的論文。但后來(lái)他們離開(kāi)了谷歌，沒(méi)法再接入谷歌的電腦了，這使得他們很難繼續(xù)完成他們的論文或者進(jìn)行更多的實(shí)驗(yàn)?，F(xiàn)在他們可以辦到了，只需要使用開(kāi)放源或者TensorFlow，然后熟悉如何用TensorFlow表達(dá)機(jī)器學(xué)習(xí)想法的人就可能會(huì)過(guò)來(lái)幫忙。TensorFlow正作為基礎(chǔ)教學(xué)工具，幫助我們教授許多谷歌工程師機(jī)器學(xué)習(xí)的知識(shí)。
　　
　　2015年11月9日，倫敦時(shí)任市長(zhǎng)BorisJohnson在探訪谷歌位于以色列特拉維夫市的辦公室期間佩戴虛擬現(xiàn)實(shí)眼鏡。
　　
　　High：谷歌的一個(gè)優(yōu)勢(shì)是在人工智能和機(jī)器學(xué)習(xí)上擁有大量人才。你們的研究部門負(fù)責(zé)人PeterNorvig曾估計(jì)說(shuō)谷歌在機(jī)器學(xué)習(xí)領(lǐng)域擁有世界上5%的專家。谷歌是如何變得對(duì)人才有如此吸引力的？而鑒于人工智能位于許多不同學(xué)科（計(jì)算機(jī)科學(xué)、工程學(xué)、神經(jīng)科學(xué)、生物學(xué)、數(shù)學(xué)等）的交叉領(lǐng)域，你認(rèn)為應(yīng)該怎樣將人才和技能組合到一起，以確保你能在正確的位置上安置合適的人才？
　　
　　Dean：因?yàn)槲覀兩孀愕念I(lǐng)域很多，所以我們需要擁有多種專業(yè)知識(shí)的人。我發(fā)現(xiàn)，當(dāng)你把具有不同專業(yè)知識(shí)的人聚在一起去解決問(wèn)題時(shí)，你會(huì)發(fā)現(xiàn)終得到結(jié)果比那些只具備一種專業(yè)知識(shí)的一大群人一起做出來(lái)的要好。總的來(lái)說(shuō)，你終做的事情，沒(méi)有人可以單獨(dú)做出來(lái)。我們的機(jī)器學(xué)習(xí)團(tuán)隊(duì)是一個(gè)很好的例子。我們有像我一樣在建設(shè)大規(guī)模計(jì)算系統(tǒng)方面有很多的經(jīng)驗(yàn)人，然后我們也有的機(jī)器學(xué)習(xí)研究人員。把這些類型的人結(jié)合起來(lái)是一個(gè)非常強(qiáng)大的團(tuán)隊(duì)。機(jī)器學(xué)習(xí)正在接觸很多不同的領(lǐng)域。我們正在做的工作涉及醫(yī)療、機(jī)器人和計(jì)算機(jī)科學(xué)里的一大堆領(lǐng)域，這非常的好。在我們團(tuán)隊(duì)中有數(shù)位神經(jīng)科學(xué)專家。
　　
　　很快我們將開(kāi)始一個(gè)有趣的實(shí)驗(yàn)，它被稱為‘谷歌大腦培訓(xùn)項(xiàng)目’。我們正在招人到谷歌和我們的團(tuán)隊(duì)一起工作一年，基本上是學(xué)習(xí)如何做機(jī)器學(xué)習(xí)研究。我們有大量的申請(qǐng)者，這個(gè)項(xiàng)目終會(huì)留下28個(gè)人。他們來(lái)自不同的背景，處在事業(yè)生涯的不同階段，有人剛剛完成本科學(xué)習(xí)，有些人則讀完了博士，還有些人剛要結(jié)束他們的博士后階段，另一些人已經(jīng)在不同的行業(yè)干一段時(shí)間工作。但他們也帶來(lái)了計(jì)算機(jī)科學(xué)、統(tǒng)計(jì)學(xué)、數(shù)學(xué)、生物學(xué)、物理學(xué)的背景。我認(rèn)為這將會(huì)是一個(gè)很好的組合，在解決很多問(wèn)題時(shí)都有綜合不同的觀點(diǎn)。
　　
　　High：我很好奇，有很多不以技術(shù)為中心的傳統(tǒng)公司也會(huì)使用人工智能和機(jī)器學(xué)習(xí)，你會(huì)在多大程度上與更多傳統(tǒng)公司工作和交流嗎？你如何看待公司對(duì)人工智能技術(shù)的采納曲線？顯然這涉及了不同公司甚至是不同行業(yè)。但也有一些領(lǐng)先的傳統(tǒng)行業(yè)開(kāi)始利用人工智能，包括醫(yī)療、金融服務(wù)公司、有大量非結(jié)構(gòu)化數(shù)據(jù)需要處理的公司。你是否曾經(jīng)有機(jī)會(huì)與傳統(tǒng)行業(yè)的公司互動(dòng)或者談?wù)撍麄冊(cè)诟觽鹘y(tǒng)的環(huán)境中走向人工智能的過(guò)程？
　　
　　Dean：其他行業(yè)的大多數(shù)公司可能沒(méi)有像谷歌或者其他技術(shù)公司那樣應(yīng)用機(jī)器學(xué)習(xí)。我認(rèn)為，隨著時(shí)間的推移，終大多數(shù)公司將采用越來(lái)越多的機(jī)器學(xué)習(xí)。因?yàn)闄C(jī)器學(xué)習(xí)會(huì)逐漸強(qiáng)大到為他們的業(yè)務(wù)帶來(lái)革新。我們已經(jīng)與一些大型的醫(yī)療機(jī)構(gòu)討論了建立合作伙伴關(guān)系，看看什么機(jī)器學(xué)習(xí)可以為該領(lǐng)域的特定類型的問(wèn)題做些什么。我們近推出了一個(gè)云機(jī)器學(xué)習(xí)產(chǎn)品，可以讓人們?cè)诠雀璧脑苹A(chǔ)設(shè)施上運(yùn)行機(jī)器學(xué)習(xí)算法，顯然有許多公司有興趣了解在他們的業(yè)務(wù)的環(huán)境中怎么使用該產(chǎn)品。
　　
　　我認(rèn)為這種轉(zhuǎn)變會(huì)發(fā)生的途徑之一是通過(guò)幾個(gè)層次，在這些層次中，你可以使用人工智能技術(shù)和機(jī)器學(xué)習(xí)的方法來(lái)解決問(wèn)題。在一些領(lǐng)域，了解圖像中有什么東西對(duì)很多行業(yè)來(lái)說(shuō)是普遍有用的。谷歌和其他公司正在提供使用起來(lái)比較簡(jiǎn)單的接口，在那里你不需要知道任何機(jī)器學(xué)習(xí)。你可以只給出一個(gè)圖像，然后說(shuō)‘跟我說(shuō)說(shuō)這個(gè)圖像’，并且任何沒(méi)有機(jī)器學(xué)習(xí)專業(yè)知識(shí)的軟件工程師都可以使用，他們得到的信息會(huì)像是‘照片上有個(gè)體育場(chǎng)，人們?cè)谀抢锎虬羟?，而且圖像中還有一堆文字，文字是。。。。。。’即使沒(méi)有應(yīng)用機(jī)器學(xué)習(xí)，這也會(huì)是非常有用的。
　　
　　然后將會(huì)有已經(jīng)開(kāi)發(fā)好的模型，可以用公司的數(shù)據(jù)重復(fù)訓(xùn)練這個(gè)模型來(lái)得到一個(gè)定制化的解決方案，而無(wú)需做核心機(jī)器學(xué)習(xí)研究來(lái)開(kāi)發(fā)一個(gè)全新的模型。一個(gè)很好的例子是序列到序列的工作，現(xiàn)在已經(jīng)應(yīng)用到谷歌的六七個(gè)不同的問(wèn)題中。另一個(gè)很好的例子是一個(gè)采集圖像的模型，它能發(fā)現(xiàn)該圖像中有趣的部分。這個(gè)通用模型的一個(gè)應(yīng)用是檢測(cè)街道視野圖像中的文本在什么位置。你想能閱讀所有的文本，但是首先你必須能在店面前，路牌上等這類地方找到它們。這種通用模型在醫(yī)療環(huán)境中也有用，比如在診斷糖尿病性視網(wǎng)膜病變時(shí)，你有一個(gè)視網(wǎng)膜的掃描圖像，你想找到該掃描圖像上的疾病指標(biāo)，這時(shí)你就能用上這個(gè)模型了。用的是相同的模型結(jié)構(gòu)，你只不過(guò)是在不同的數(shù)據(jù)中指出病變。你不是在用文本高亮顯示的街道視圖圖像，而是在醫(yī)生已經(jīng)圈好病變部位的視網(wǎng)膜圖像上指出它。我認(rèn)為通用模型的方法能很好地解決很多不同類型的問(wèn)題。
　　
　　High：在3月份，你至少是看到了AlphaGo在韓國(guó)取得的首場(chǎng)勝利。親身見(jiàn)證取得如此進(jìn)展感覺(jué)如何？對(duì)此次如同世界博覽會(huì)一樣的展示你有什么看法？在人工智能廣泛應(yīng)用于日常生活上，這對(duì)抓住人們的想象力、激起好奇心方面又什么更廣泛的影響？
　　
　　Dean：首場(chǎng)比賽我在現(xiàn)場(chǎng)，比賽日程中的一半時(shí)間我也一直在韓國(guó)。難以相信當(dāng)時(shí)是多么的激動(dòng)。當(dāng)時(shí)，中國(guó)有3億人觀看了首場(chǎng)比賽直播，他們有18個(gè)頻道在播送這場(chǎng)比賽，每個(gè)頻道都有不同的專業(yè)評(píng)論員。韓國(guó)也有類似的興奮。就像馬戲團(tuán)一樣。
　　
　　我認(rèn)為這種高調(diào)的事件展示了在人工智能相關(guān)的各類問(wèn)題上取得的重大進(jìn)展。我需要指出的是，AlphaGo的大部分工作是由DeepMind團(tuán)隊(duì)在倫敦完成的。在項(xiàng)目的初始階段我們給了他們一些協(xié)助，他們也使用了我們的機(jī)器學(xué)習(xí)軟件訓(xùn)練AlphaGo的一些模型。他們也使用了一個(gè)Tensor處理單元，這是谷歌設(shè)計(jì)的定制版機(jī)器學(xué)習(xí)硬件芯片，在某種程度上它也是這場(chǎng)比賽的‘秘密武器’。人們正在注意到這樣一個(gè)事實(shí)，計(jì)算機(jī)有著它們四五年前還不具備的能力，這讓人很激動(dòng)。全球入學(xué)計(jì)算機(jī)科學(xué)系，學(xué)習(xí)機(jī)器學(xué)習(xí)課程的學(xué)生人數(shù)也在突飛猛漲。我認(rèn)為這是一件偉大的事，它不僅影響了計(jì)算機(jī)科學(xué)，還有公司以及產(chǎn)業(yè)內(nèi)的所有事。有越多聰明的人思考這類問(wèn)題，社會(huì)就會(huì)得到進(jìn)步。
　　
　　High：有一些人高調(diào)地發(fā)出關(guān)于人工智能安全憂慮的警告，比如ElonMusk、比爾蓋茨、霍金。你如何看待這種風(fēng)險(xiǎn)？當(dāng)你繼續(xù)思考人工智能相關(guān)進(jìn)程時(shí)，你如何將此考慮到你的規(guī)劃中？
　　
　　Dean：我想我不太深信你提到的那些人擔(dān)心的末日情境。我不認(rèn)為這會(huì)成為現(xiàn)實(shí)。我認(rèn)為人工智能會(huì)導(dǎo)致社會(huì)變遷，這是之前難以實(shí)現(xiàn)的自動(dòng)化中的大的一個(gè)方面，這關(guān)乎到大量的勞動(dòng)力。這些事情中有一些將被自動(dòng)化，即使可能不是完全的自動(dòng)化。計(jì)算機(jī)將能夠以各種方式提供協(xié)助，比如閱讀醫(yī)療圖像數(shù)據(jù)，這是一個(gè)非常狹窄卻需要高技能的領(lǐng)域。我認(rèn)為計(jì)算機(jī)在不久之后會(huì)非常擅長(zhǎng)做這個(gè)，更不要說(shuō)是計(jì)算機(jī)做自動(dòng)駕駛的能力了。我不確定政府是否正在謹(jǐn)慎的考慮這些技術(shù)帶來(lái)的影響，以及大體上它們對(duì)社會(huì)意味著什么。我想這才是更為急切的憂慮。確認(rèn)政策制定者正在認(rèn)真考慮這些問(wèn)題是非常重要的一步。