0:00:17.816,0:00:21.325
我們的世界在許多方面一直在變，

0:00:21.325,0:00:25.975
其中一樣會對我們的未來[br]產生巨大影響的是

0:00:25.975,0:00:29.363
人工智慧（AI），

0:00:29.363,0:00:32.953
將會帶來另一場工業革命。

0:00:33.627,0:00:39.504
之前的工業革命[br]擴大了人類的機械能力；

0:00:40.014,0:00:42.143
這場新的革命，

0:00:42.143,0:00:45.572
這第二次的機械時代

0:00:45.572,0:00:51.710
將會拓展我們的認知能力和腦力。

0:00:52.782,0:00:57.177
電腦不僅將取代體力勞動，

0:00:57.597,0:00:59.897
還將取代腦力活動。

0:01:00.500,0:01:03.450
那麼我們如今立足在何處呢？

0:01:04.034,0:01:07.724
你可能聽說去年三月發生的事情，

0:01:07.724,0:01:11.776
一個被稱為 AlphaGo 的[br]機器學習系統

0:01:11.776,0:01:17.708
用深度學習擊敗了[br]當時的世界圍棋冠軍。

0:01:18.279,0:01:20.679
圍棋是古老的中國棋戲，

0:01:20.679,0:01:23.288
對於電腦來說，

0:01:23.288,0:01:25.982
遠比西洋棋更難掌握。

0:01:26.893,0:01:32.086
經過幾十年的人工智慧研究，[br]我們如今是如何辦到的？

0:01:33.068,0:01:36.698
AlphaGo 專門被訓練來下圍棋，

0:01:37.678,0:01:41.300
先是大量觀察人類高段棋手

0:01:41.814,0:01:46.894
數千萬次的出招。

0:01:47.746,0:01:52.496
接著自我對弈幾百萬次。

0:01:54.222,0:01:59.941
機器學習讓電腦從實例中學習，

0:02:00.465,0:02:02.575
從數據中學習。

0:02:03.885,0:02:06.675
機器學習已成為

0:02:06.675,0:02:11.635
將知識塞進電腦裡的關鍵。

0:02:12.174,0:02:14.066
這很重要，

0:02:14.066,0:02:19.296
因為知識是智能發展的推手。

0:02:20.438,0:02:26.768
之前要把知識放進電腦，[br]對人工智慧而言極具挑戰性。

0:02:27.515,0:02:28.745
為什麼？

0:02:29.059,0:02:34.589
我們憑直覺認知很多事情，

0:02:34.601,0:02:38.611
無法口頭表達，

0:02:38.619,0:02:42.420
無法有意識地取用哪些知識。

0:02:43.270,0:02:46.811
在無所知的情況下[br]如何為電腦寫程式呢？

0:02:47.664,0:02:49.114
怎麼解決呢？

0:02:49.314,0:02:55.343
就是讓機器自己學習知識，

0:02:55.343,0:02:56.443
和我們人類一樣。

0:02:56.443,0:02:58.048
這非常重要，

0:02:58.048,0:03:02.969
因為知識是智能發展的推手。

0:03:02.969,0:03:06.974
我的任務就是通過學習

0:03:06.974,0:03:12.676
來發現和理解智能發展的原理，

0:03:13.166,0:03:17.828
無論是動物、人類還是機器學習。

0:03:19.450,0:03:25.066
我們相信有幾個關鍵原則，

0:03:25.066,0:03:27.296
正如物理定律一樣。

0:03:27.885,0:03:32.745
簡單的原理可以解釋我們自身的智能，

0:03:32.745,0:03:36.741
幫助我們建造智能的機器。

0:03:37.885,0:03:41.595
以空氣動力學定律為例，

0:03:41.595,0:03:48.036
它足以解釋鳥類和飛機的飛行。

0:03:49.146,0:03:52.263
若能發現同樣簡單卻有力的原理

0:03:52.263,0:03:55.381
用來解釋智能本身，

0:03:55.381,0:03:59.186
豈不是很棒？

0:04:00.026,0:04:03.394
我們已有若干進展。

0:04:04.384,0:04:06.220
這些年來，我和合作者

0:04:06.220,0:04:11.940
貢獻於人工智慧領域的變革，

0:04:11.950,0:04:16.397
藉由研究神經網路和深度學習，

0:04:16.397,0:04:20.693
那是種受大腦啟發的機器學習法。

0:04:22.041,0:04:26.743
它始於手機上的語音識別，

0:04:26.743,0:04:29.963
自 2012 年起就用了神經網路。

0:04:30.977,0:04:35.647
不久後在電腦視覺上取得了突破。

0:04:36.680,0:04:43.087
現在電腦極會辨識圖像的內容。

0:04:43.674,0:04:49.597
事實上，過去五年在一些基準上[br]已近似於人類的表現。

0:04:50.711,0:04:57.297
現在電腦已能直覺地[br]以視覺辨讀圍棋的棋盤，

0:04:58.191,0:05:01.356
足以和人類的高手媲美。

0:05:01.763,0:05:03.454
最近，

0:05:03.454,0:05:06.584
根據我實驗室的一些發現，

0:05:06.584,0:05:11.408
深度學習被用來翻譯語言，

0:05:11.414,0:05:14.441
已經被用在谷歌翻譯上。

0:05:15.191,0:05:18.192
它拓展了電腦

0:05:18.192,0:05:22.532
理解和生成自然語言的能力。

0:05:23.550,0:05:25.517
但是，別被愚弄了。

0:05:25.517,0:05:30.085
機器要能夠像人類那樣

0:05:30.085,0:05:34.800
學習掌握世界各方面的事情

0:05:34.800,0:05:37.588
還非常非常遙遠。

0:05:38.541,0:05:41.237
讓我們舉個例子。

0:05:41.637,0:05:44.707
即使是兩歲的孩子

0:05:44.707,0:05:50.657
也能夠用電腦現在[br]無法做到的方式學習事物。

0:05:51.767,0:05:56.169
兩歲的孩子其實已經[br]掌握直觀的物理學。

0:05:56.968,0:06:01.908
她知道如果扔了球，球會落下。

0:06:02.493,0:06:06.093
當她把液體灑出來，[br]她能預期會弄髒地板。

0:06:06.586,0:06:09.516
根本不需要她的父母教她

0:06:09.516,0:06:12.980
牛頓定律或者微分方程。

0:06:13.840,0:06:20.200
她以「無監督學習」方式，[br]自己發現這一切。

0:06:21.352,0:06:27.712
事實上，無監督學習仍是[br]人工智慧所面臨的關鍵挑戰之一，

0:06:28.184,0:06:33.014
可能還需要花上[br]好幾十年的基礎研究

0:06:33.014,0:06:34.674
來解開這個結。

0:06:34.674,0:06:40.895
事實上，無監督學習[br]試圖發現數據的表現形式。

0:06:41.729,0:06:43.779
讓我舉個例子。

0:06:44.364,0:06:49.346
試想你用雙眼看著屏幕上的一頁，

0:06:49.346,0:06:54.196
電腦則將其視為一堆像素的圖像。

0:06:54.993,0:07:00.113
為了回答圖像內容之類的問題，

0:07:00.863,0:07:05.211
你需要理解它的高層次含義。

0:07:05.674,0:07:08.808
這種高層次含義對應

0:07:08.808,0:07:12.321
你腦中的最高層表現形式；

0:07:12.906,0:07:18.308
往下是單詞的個別含義；

0:07:19.188,0:07:23.798
更往下是由字母拼湊出來的單詞。

0:07:24.810,0:07:27.677
這些字母可由不同筆劃構成，

0:07:27.677,0:07:30.879
以不同的方式呈現。

0:07:31.559,0:07:34.839
這些筆劃是由「邊線」所組成的，

0:07:34.839,0:07:37.284
而這些邊線則是像素組成的。

0:07:37.284,0:07:40.454
以上這些是不同層次的表現形式。

0:07:41.079,0:07:46.550
但是像素本身不足以讓圖像

0:07:46.584,0:07:51.904
能夠回答頁面內容這樣的高層次問題。

0:07:52.932,0:07:57.594
事實上，你的大腦有[br]不同層級的表現形式。

0:07:57.594,0:08:02.291
從大腦皮層的第一個視覺區域的[br]神經元開始——V1，

0:08:02.291,0:08:04.596
它會識別圖像的邊線。

0:08:04.596,0:08:09.334
接著，在大腦皮層[br]第二個視覺區的神經元——V2

0:08:09.334,0:08:12.800
能識別筆劃和小圖形。

0:08:12.800,0:08:17.060
再往上有神經元來識別物體的局部，

0:08:17.060,0:08:19.992
然後是物體和整個場景。

0:08:21.182,0:08:24.757
受過圖像訓練的神經網路

0:08:24.757,0:08:28.860
真能發現這類層次的表達形式，

0:08:28.860,0:08:32.778
與我們腦中觀察到的十分吻合。

0:08:33.638,0:08:38.798
無論是生物的神經網路，[br]也就是我們腦中的神經網路，

0:08:38.804,0:08:42.828
還是在機器上訓練的深層神經網路，

0:08:42.845,0:08:48.075
都能學會把某一層的表現形式，[br]轉變成下一層的形式；

0:08:48.369,0:08:53.299
越高層次的表現形式[br]對應越抽象的概念。

0:08:53.299,0:08:57.562
例如，字母 A 的抽象概念

0:08:57.562,0:09:00.891
在最底層可有許多不同的表現形式，

0:09:00.891,0:09:03.887
可以呈現出許多不同的像素配置，

0:09:03.887,0:09:09.097
根據位置、旋轉、字體等配置。

0:09:10.445,0:09:15.815
那麼該如何學習這些[br]高層次的表現形式呢？

0:09:16.962,0:09:23.066
目前為止，深度學習的[br]某種應用非常成功，

0:09:23.066,0:09:25.985
我們稱之為「監督學習」。

0:09:26.297,0:09:31.588
在監督學習的情況下，[br]電腦需被拉著手學習，

0:09:31.594,0:09:35.467
人類必須告訴電腦[br]許多問題的答案。

0:09:35.467,0:09:39.238
例如在數百萬的圖像中，

0:09:39.238,0:09:41.420
人們必須告訴機器，

0:09:41.420,0:09:44.271
這張圖是一隻貓，

0:09:44.511,0:09:47.095
這張圖是一隻狗，

0:09:47.095,0:09:49.585
這張圖是一台筆電，

0:09:49.605,0:09:52.600
這張圖是個鍵盤等等，

0:09:52.600,0:09:55.595
以此類推數百萬次。

0:09:56.066,0:10:01.026
這工作非常惱人， [br]所以我們用群眾外包來做。

0:10:01.461,0:10:03.396
雖然它非常強，

0:10:03.416,0:10:06.269
讓我們能夠解決許多有趣的問題，

0:10:06.269,0:10:08.313
但是人類更強，

0:10:08.313,0:10:13.560
人類能夠更加自主學習[br]世上更多不同層面的事。

0:10:13.809,0:10:17.609
如同我們所見，孩子直觀學習物理。

0:10:17.625,0:10:23.739
無監督學習也能幫我們研發自駕車。

0:10:24.567,0:10:26.097
讓我來解釋一下：

0:10:26.097,0:10:31.835
無監督學習讓電腦[br]將自己投射到未來，

0:10:31.835,0:10:37.205
根據當前的情況生成可信的未來。

0:10:38.369,0:10:42.899
這讓電腦能夠推理和提前計劃。

0:10:43.450,0:10:47.985
即使碰上還未訓練的情境也能處理。

0:10:48.751,0:10:50.441
這很重要，

0:10:50.441,0:10:53.951
因為用監督學習，[br]必須告訴電腦，

0:10:53.951,0:10:57.395
汽車可能會遇到的各種情況

0:10:57.395,0:11:01.375
以及人們在這些情況下的反應。

0:11:02.451,0:11:06.191
人怎麼學會避免危險的駕駛行為呢？

0:11:07.276,0:11:10.791
難道必須死於交通事故一千次嗎？

0:11:10.793,0:11:12.106
（笑聲）

0:11:12.106,0:11:14.606
這是我們現在訓練機器的方法。

0:11:15.175,0:11:18.340
所以它不會飛、至少不會開車。

0:11:18.340,0:11:19.928
（笑聲）

0:11:21.288,0:11:25.657
因此我們需要訓練模型

0:11:25.657,0:11:31.924
能夠產生可信的圖像或未來，[br]然後變得有創造性。

0:11:31.924,0:11:33.934
我們正在這方面取得進展。

0:11:33.934,0:11:37.457
我們正在訓練這些深層神經網路

0:11:37.463,0:11:40.818
從高層次的含義到像素，

0:11:40.818,0:11:43.298
而不是從像素到高層次含義，

0:11:43.307,0:11:46.787
是從另一個方向表達。

0:11:46.787,0:11:51.181
這樣電腦能生成新的圖像，

0:11:51.191,0:11:56.312
和它們受訓時所見的圖像完全不同。[br]（註：分為訓練數據和測試數據）

0:11:57.018,0:12:00.369
但這些是可信，看起來自然的圖像。

0:12:01.888,0:12:06.332
我們也可以用這些模型[br]來幻想一些奇怪

0:12:06.342,0:12:09.492
甚至可怕的圖像，

0:12:09.492,0:12:11.795
像我們在夢裡、噩夢裡看到的那樣。

0:12:12.682,0:12:16.847
這裡有些電腦用深度圖表模型

0:12:16.847,0:12:19.826
所合成的圖像。

0:12:19.826,0:12:21.651
它們看上去就像自然圖像，

0:12:21.651,0:12:25.191
但是如果近看就會發現還是有區別，

0:12:25.191,0:12:30.616
它們仍缺少一些[br]我們視為自然的重要細節。

0:12:31.995,0:12:33.951
大約 10 年前，

0:12:33.951,0:12:36.725
無監督學習是我們

0:12:36.725,0:12:41.798
突破深度學習的關鍵。

0:12:44.140,0:12:48.055
這種情況發生在少數實驗室， [br]包括我的實驗室，

0:12:48.055,0:12:51.455
當時神經網路還未流行，

0:12:51.455,0:12:55.217
幾乎被科學界所拋棄。

0:12:56.394,0:12:58.935
如今大不相同，

0:12:58.935,0:13:01.375
它已成為火熱的領域。

0:13:01.384,0:13:06.933
如今每年有成百上千的學生[br]申請研究所入學，

0:13:06.954,0:13:09.784
到我的實驗室[br]和我的同仁一起工作。

0:13:11.010,0:13:14.652
蒙特利爾已成為世界上最大的

0:13:14.652,0:13:19.387
深度學習研究人員學術聚集地。

0:13:20.182,0:13:26.115
我們剛收到 9400 萬美元的[br]巨額研究經費，

0:13:26.127,0:13:29.797
用於推動人工智慧[br]和數據科學的發展，

0:13:29.797,0:13:36.067
把深度學習技術[br]和數據科學技轉到工業界。

0:13:37.249,0:13:43.791
受到這些刺激的商業人士[br]新創公司、工業實驗室，

0:13:43.791,0:13:46.914
其中許多間就座落於大學附近。

0:13:48.543,0:13:51.265
例如幾週前

0:13:51.265,0:13:54.733
我們宣布成立一家名為

0:13:54.733,0:13:56.507
「Element AI」的新創工廠，

0:13:56.507,0:13:59.605
它將專注於深度學習的應用上。

0:14:01.562,0:14:05.722
深度學習的專家不多，

0:14:06.355,0:14:10.677
所以那些專家被支付高薪。

0:14:11.027,0:14:17.212
許多我學術界的前同事[br]接受公司給的高薪

0:14:17.228,0:14:20.518
去工業實驗室工作。

0:14:21.081,0:14:25.010
我自己選擇待在大學

0:14:25.010,0:14:27.166
為公眾利益工作，

0:14:27.166,0:14:28.886
和學生們一起工作，

0:14:28.902,0:14:30.592
保持獨立，

0:14:30.596,0:14:34.836
指導下一代的深度學習專家。

0:14:35.294,0:14:41.024
除了商業價值，

0:14:41.024,0:14:44.654
我們還思考人工智慧對社會的影響。

0:14:45.881,0:14:50.026
我們中的許多人現在開始把目光

0:14:50.026,0:14:55.986
投向於社會增值應用，例如健康。

0:14:56.457,0:14:58.956
我們認為可以利用深度學習

0:14:58.956,0:15:02.696
來改進個別化的治療。

0:15:03.956,0:15:05.671
我相信在未來，

0:15:05.671,0:15:10.361
在收集全球數百萬、[br]數十億人的更多數據後，

0:15:10.361,0:15:13.856
我們將能夠提供醫療建議

0:15:13.856,0:15:17.246
給數十億現在得不到的人。

0:15:17.601,0:15:22.724
我們想像人工智慧[br]在社會價值方面的許多其他應用。

0:15:23.140,0:15:28.244
例如，我們對自然語言理解的研究，

0:15:29.058,0:15:31.199
將會為那些無法負擔的人們

0:15:31.199,0:15:34.059
提供各式各樣的服務，[br]比如法律服務。

0:15:34.512,0:15:37.342
我們如今同樣也將目光

0:15:37.342,0:15:41.132
轉向了人工智慧[br]對我們社區的社會影響。

0:15:41.690,0:15:44.801
但這不僅僅是專家需要思考的問題。

0:15:46.026,0:15:49.936
我相信這事超越數學和專業術語，

0:15:49.936,0:15:53.102
普通人能充分知曉

0:15:53.138,0:15:55.901
幕後發生了什麼事，

0:15:55.901,0:16:01.191
從而參與未來幾年，乃至幾十年的

0:16:01.191,0:16:06.547
有關人工智慧的重要決策。

0:16:07.580,0:16:09.280
所以，

0:16:09.930,0:16:16.230
請預留費用和空間讓自己去學習吧。

0:16:17.842,0:16:22.532
我和合作者寫了幾篇介紹性論文

0:16:22.542,0:16:25.376
和一本名為《深度學習》的書，

0:16:25.376,0:16:29.619
來幫助學生和工程師[br]進入這個令人興奮的領域。

0:16:30.659,0:16:35.784
同樣也有許多線上的資源： [br]軟體、學習指南、影片等等。

0:16:36.310,0:16:41.210
許多大學生自學了

0:16:41.210,0:16:44.548
很多關於深度學習的研究，

0:16:44.548,0:16:47.835
為了之後加入實驗室的行列，[br]像是我的實驗室。

0:16:49.370,0:16:55.170
人工智慧將對我們社會[br]產生深遠的影響。

0:16:56.652,0:17:01.672
所以重要的是問：我們該如何用它？

0:17:03.368,0:17:07.896
巨大的正面影響可能伴隨負面影響，

0:17:07.896,0:17:10.166
譬如軍事的應用

0:17:10.797,0:17:15.357
或急速顛覆性的就業市場變化。

0:17:15.948,0:17:19.349
為了確保在未來的幾年內

0:17:19.349,0:17:23.074
人工智慧所面臨的集體選擇

0:17:23.074,0:17:25.144
將會對所有人有利，

0:17:25.144,0:17:28.684
每一個公民應該積極發揮作用

0:17:28.684,0:17:32.911
共同來定義人工智慧[br]將如何塑造我們的未來。

0:17:33.871,0:17:34.891
謝謝。

0:17:35.065,0:17:39.395
（掌聲）