AI·未来

毫不夸张地说，1999年以前，中国科技人员对人工智能几乎一无所知。那一年，我到中国科学技术大学做讲座，给同学们介绍刚成立一年的微软中国研究院在图像识别研究上的进展。这所大学的工程学院在全国名列前茅，但它不在北京，坐落于相对偏远的安徽省合肥市。
讲座当晚的礼堂座无虚席，气氛热烈。没有抢到票的同学挤在窗户外面，希望能隔着玻璃听到讲座的一些内容。看到这样的场景，我请求工作人员允许热情的学生们进来，坐在过道或讲台上听。当我讲到语音识别、语音合成、3D图形和计算机视觉时，他们草草写下凌乱的笔记，请教了我许多关于人工智能基本原理和实际应用的问题。当时，中国在人工智能研究上比美国落后不止10年，但这些学生的脸庞满是热切，他们吸收知识、认真听讲的状态，就像浸入水的海绵。
讲座进行了很长时间，结束时天色已晚，我从礼堂出来走向校门，准备离开。当时校园十分安静，路上行人寥寥，两旁都是学生宿舍。突然寂静被打破了。一大群学生不约而同地从宿舍涌出来，走上了周围的街道。我愣在原地，看着这如消防演习一样的慢动作画面。直到他们在路沿坐下，打开课本，我才意识到他们要干什么：大学宿舍晚上11点准时熄灯，想要继续学习的学生都会来到路边，借着路灯看书。现在中国的一家顶级人工智能公司的创始人，就出自这几百名未来中国*聪明的年轻工程师之中。
这些学生手里拿的课本是当时中国*好的教材，虽然大多数版本老旧、翻译不佳。在当时，优秀学生很难出国读书，除非有全额奖学金，在互联网没有普及的校园里，泛黄的教科书和偶尔来访的学者的讲座，是他们接触全球人工智能研究的唯二途径。
20年过去，现在一切都不一样了。

人工智能超级大国的那些事
如我之前所说，在21世纪要建设人工智能超级大国，需要具备四个条件：大量的数据、执着的企业家、优秀的人工智能科学家和有利的政策环境。中国创业公司的竞技场选拔出了世界上*精明强悍的企业家，中国的另类互联网世界创造了世界上*丰富的数据生态环境，再加上另外两项助力——人工智能专家的涌现和中国政府的政策支持，在这个人工智能实干的年代，硅谷的优势将不复存在。
随着人工智能渗入经济的更多层面，该领域对优秀人工智能工程师的数量要求，将超过对**人工智能科学家智力的要求。人工智能实干年代真正的经济优势，绝不仅是几位屈指可数的拓展研究边界的**科学家，而是一个能和企业家联手，利用已知科研创造商业价值的庞大的工程师军团。中国正在训练这样的工程师军团。
在那场讲座后的近20年里，中国的人工智能公司大大拉近了与美国同行们的差距。虽然美国在**人工智能科学家方面仍然领先，但我在合肥看到的那些拥有极强求知欲的学生已经成长起来，前沿全球研究也伴随着互联网的发展有了爆炸性传播，中国公司找到了大批可以驱动人工智能应用落地的优秀工程师。钻研人工智能的中国学生不用在昏黄的路灯下研究旧课本上的知识，他们能直接从源头实时地吸纳新知，如剖析网上发表的*新学术成果，在微信中讨论**人工智能科学家使用的方法，通过智能手机观看他们的讲座。
连接全球的人工智能知识传播网络，让中国人工智能社群得以共享*新知识，跻身高端研究，加入即时培训。从这些社群出发，优秀工程师使自己服务的公司可以将前沿的开源算法应用于自动无人机、人脸识别支付系统和智能家居终端等人工智能产品，进一步与人工智能领域的巨头们分享蛋糕。
人工智能时代的七巨头——谷歌、Facebook、亚马逊、微软、百度、阿里巴巴和腾讯，都是中国或美国的公司，它们动辄花费数十亿美元建立惊人的数据储备，大量延揽人工智能精英，努力建立人工智能时代的公共设施：它们正在为人工智能的未来发展铺设大范围的“电网”，即建设私有云和公有云的设施，使机器学习扩散到整个经济体系中。巨头们建立私有人工智能“电网”的现象，不仅令重视开放人工智能生态系统的人担忧，也是中国迅速崛起、成为人工智能超级大国的一块隐形绊脚石。
不过，在庞大的经济体系中引入人工智能的力量，凭私营企业一己之力并不够，还需要政府的明确态度和良好的政策环境。在柯洁输给AlphaGo之后，中国政府发布了力争在人工智能领域领跑的蓝图。中国的人工智能计划在新的投资热潮中激流勇进，引导了创业、创新的新方向。不少城市争先恐后地想成为人工智能示范城市：从规划无人驾驶车辆路线、在公共交通系统中安装面部识别系统，到给交通网配备能够优化车流的“城市大脑”，几乎每个方案都显露出了城市管理者的勃勃雄心。通过这些尝试，我相信在人工智能实干的年代，中国将有力地加速资源配置、产生更多数据、种下未来持续增长的种子。这是一种持续的自我循环，借助大数据的神奇力量、创业家的勇气、辛苦磨炼的专业知识，以及有力的政策导向，持续良性循环下去。

诺奖得主与无名工匠
要理解这两个人工智能超级大国之间真正的竞争格局，首先要理解这种专业知识来自哪里。
1938年，在恩里科·费米（Enrico Fermi）登上法兰克尼亚 II号甲板的那一刻，全球大国的势力分布被他改变了。费米当时刚刚在斯德哥尔摩抱走了诺贝尔物理学奖，但是他并没有回到贝尼托·墨索里尼统治的意大利，而是举家来到了纽约。此行跨越了半个地球，费米的主要目的是逃避意大利新通过的种族法的限制：该法令阻碍了犹太人、非洲人担任重要岗位或者与意大利人结婚，费米的妻子劳拉就是犹太人。
来到美国后，费米听说纳粹德国的一些科学家发现了核裂变原理，于是他也迅速展开了进一步的研究。他在芝加哥大学创造了世界上**个自持链式裂变核反应堆，这个成果在曼哈顿计划中起到了不可替代的作用。曼哈顿计划诞生了世界上**枚核武器，为第二次世界大战后世界秩序的确立奠定了基础。
费米和曼哈顿计划代表了在专业知识领域，质量高于数量的时代。20世纪三四十年代是核物理学基础学科取得突破的时代。为了实现这些突破，一个恩里科·费米比一千个普通的物理学家都重要。这个时代的美国确立在世界上的主导地位，很大程度是由于吸引了像费米一样的天才。
但并非每次科技革命都是这种模式。通常，基础领域的突破出现后，发展的重心会很快从**科学家转移到无名工匠，即有足够专业能力将这种新技术应用于解决不同问题的工程师，尤其是当技术突破性成果的应用范围遍布整个社会经济体系，而非集中于某几个实验室或者武器系统的应用时。
电的发明和大规模的电气化很好地印证了这个过程。托马斯·爱迪生让电能变得更便宜后，数以千计的工程师开始想办法利用电能，用电驱动各种新设备，重组工业生产过程。这些工程师并没有像爱迪生那样取得重大突破，但他们对电能的了解程度，足以帮助他们将电能用在机器上从而产生收益。
目前人工智能的发展阶段更符合后一种模式。由于人工智能解决了一个又一个新难题，持续占据媒体报道头条，让我们误以为仍处于“恩里科·费米”们有能力决定世界格局的时代。而现实中，我看到的是一个将突破性基础技术应用于解决多个不同问题的过程，需要大量受过良好训练的工程师。今天，这些工程师正将人工智能模式识别能力应用于贷款核发、自动驾驶汽车、翻译文本、下围棋、小度在家或小爱同学上。
深度学习先驱杰弗里·辛顿、扬·勒昆（Yann LeCun）和约书亚·本吉奥（Yoshua Bengio）——人工智能领域的“恩里科·费米”们持续拓展着研究边界。也许他们会实现新的颠覆性突破，再次打破全球科技界的格局。不过眼下应用领域的进展，还得由工程师们一手打造。

人工智能知识的开放与速率
投身这场技术革命的工程师有一个额外的优势：能实时接触到前沿先驱们的研究成果。
在工业革命中，国界和语言壁垒意味着*新的技术突破成果被保留在发源国，也就是英国国内。美国因为与英国在文化上比较相近，又有较为宽松的知识产权法，才取得了一些关键发明的应用机会，但是发明者和模仿者之间的差距仍旧不小。不过今非昔比，当被问及中国和硅谷在人工智能研究上的差距时，有几位中国创业者开玩笑道：差距是16小时——加利福尼亚州和北京之间的时差。美国也许有**的研究人员，但他们的大多研究成果，对任何能上网并对人工智能基础知识有一定了解的工程师来说，都是实时可见的。之所以有这样的知识传播优势，是因为人工智能研究中的两个重要特征：开放和速率。
人工智能研究人员对自己的算法、数据和成果一向采取开放态度。这种开放性的根源一是来自促进人工智能发展的共同目标，二是出于希望给竞争一个客观标准。在许多自然科学领域，一个实验室中的实验很多时候是无法在另一个实验室中完全再现的——技术或者环境上的细微差别，对结果的影响都是巨大的。但是，人工智能实验完全可复制，算法也可以进行直接对比。只需要在同样的数据条件下训练检测该算法即可。国际竞赛中，经常有计算机视觉或者语音识别研究团队相互切磋，而参赛者的研究成果，其他研究人员都很轻易地可以验证或审查。
人工智能领域的进步速度，也是促使研究人员选择实时分享研究成果的因素之一。许多人工智能科学家并不尝试去完全颠覆深度学习，而是不断优化算法。这种进步通常能让语音识别或者视觉识别在不同应用和场景达到新的精度。而研究人员则在这些新纪录（而不是新产品或者收入）的基础上进行比拼。打破纪录的人，当然希望得到认可和回报。但因为发展的速度太快，许多研究人员都会担心，要是等到在期刊上发表研究成果，那时他们的纪录可能早就被打破了，而他们达到巅峰的这一刻也将无法载入史册，所以他们一般不会隐瞒研究结果，而是会立刻在类似于www.arxiv.org这种线上科研论文库上发布。这类网站可以让研究人员实时发布研究成果，让他们在人工智能算法的研究领域青史留名。
在后AlphaGo的世界，中国学生、研究人员和工程师都是www.arxiv.org *忠实的读者。他们整理、翻译，为扬·勒昆、塞巴斯蒂安·特伦还有吴恩达等前沿科学家的讲座制作字幕。在微信上，中国的人工智能社区创建了大型聊天群，还有其他一些多媒体平台可供讨论人工智能领域的*新进展。至少有13家新媒体负责专门跟踪报道产业新闻、专家分析和开放式对话。这些聚焦人工智能的媒体拥有超过100万的注册用户，其中半数都获得了超过1000万美元的风投。我参加了“PaperWeekly”论文讨论组等十几个类似的500人微信群，每天能刷新几百条人工智能相关的新信息和*新算法成果的截屏图片，大量的研究人员在线上和线下热烈研讨人工智能领域的新研究成果。
然而，身在中国的人工智能参与者们，并非只是西方世界智慧结晶输出的受益者，他们也在为这个研究生态系统做出越来越多的贡献。

避开中国新年的国际会议
美国人工智能促进协会（The Association for the Advancement of Artificial Intelligence, AAAI）在长达30年的时间里每年都举办大型的人工智能国际会议，是全球人工智能界*重要的会议之一。但在2017年，他们差点儿办砸——那年会议的举办在时间上与中国的春节撞了车。放在几年前这根本不是问题，历史上美国、英国和加拿大学者一直统治着这一领域，有论文产出的中国研究人员屈指可数。但是2017年的国际大会，提交论文的中国研究人员和美国研究人员人数不相上下。“没人会在重大节日举办如此重要的国际会议，”AAAI理事长告诉《大西洋月刊》，“我们花了好大力气，才将会议推迟了一周。”[1]
无论是现有模型的微调，还是构建世界级的新神经网络架构，中国的研究者都在做出源源不断的贡献，他们对人工智能的贡献是全方位的。从学术研究成果的引用次数就能看出中国研究人员日益增长的影响力。创新工场分析了2006年至2015年间，所有人工智能研讨会和人工智能期刊被引用次数前100名，发现在此期间由中文名字研究人员冠名的论文数量从23.2%激增到了42.8%[2]，增长了将近一倍。对这些作者所属的研究机构的调查表明，除去部分作者在国外进行的研究（如没有使用英文名字的美籍华裔研究人员），大多数的论文内容确实是在中国得出的成果。
*近对全球研究机构的引用记录统计也印证了这一趋势：2012年至2016年，人工智能领域的研究机构被引用次数前100名中[3]，中国仅次于美国。前沿研究机构中，清华大学甚至在人工智能被引用次数上超过了斯坦福大学等老牌人工智能院校。值得注意的是，这些研究大多还聚焦于前AlphaGo时代，也就是中国在该领域投入更多研究资源之前。相信在不久的将来，一大群年轻的博士生将引领中国的人工智能研究达到一个新的高度。
除了被广泛引用的论文之外，自深度学习出现以来，中国的研究人员还为神经网络和计算机视觉等领域带来了长足进步。这中间，许多研究人员都来自我在1998年创立的微软中国研究院（之后更名为微软亚洲研究院），这里培养了超过5000名人工智能研究人员，包括今天在百度、阿里巴巴、腾讯、联想和今日头条任职的技术或人工智能负责人。
2015年，微软亚洲研究院的一支团队在图片网络（ImageNet）的全球图像识别大赛中一鸣惊人。这个团队带来的精妙算法叫作残差网络（ResNet），它对10万张照片进行了识别，并列入1000个不同类别之下，而其错误率低至3.5%。2年后，谷歌的DeepMind研发出了AlphaGo Zero，即能够自学的新一代AlphaGo，残差网络就是它的核心技术模块之一。
研发了残差网络的发明人离开了微软亚洲研究院。残差网络论文的四位作者，一位加入了Facebook的扬·勒昆研究团队，而其他三位或是创立，或是加入了中国的人工智能创业公司。带领残差网络的孙剑加入了旷视科技——一个全球人脸识别及图像识别技术领域的领军企业。2017年的COCO图像识别大赛，旷视科技团队在四大领域中勇夺三个冠军，打败了来自谷歌、微软和Facebook的众多团队。
2017年，在人工智能和全球安全峰会上，前谷歌CEO埃里克·施密特提醒与会人员，不要小看中国在人工智能领域的潜能。他预测，中国的人工智能将在5年内赶上美国：“这些中国人很厉害……如果你认为他们……无法培养我说的这种人才，那可就大错特错了。”