微軟洪小文：真正的AI不應基於大數據，而需從小數據、零數據著手

撰稿 & 採訪 | Natalie

AI前線出品｜ ID：ai-front

編者按：

如今人工智慧已經成為普羅大眾關注的話題。計算機科學家們歷經幾十載的探索研究，正在逐漸將科幻小說中的情節實現於尋常百姓家。人工智慧不僅擴展了人類自身的能力，更為各個行業帶來全新可能。我們面對的是一個由人工智慧驅動著急速變化的世界，今天剛有一個新的技術被應用到某項產品，明天又有機器在某方面變得比人類強的報道漫天飛。我們該如何正確看待人工智慧？作為第一代和人工智慧共同生存在這個世界上的人類，我們的未來之路將通向何方？這裡有幾位全球計算機科學和人工智慧學術領域大師的觀察和思考，或許能幫助你找到自己的答案。

10 月 19 日，多位全球計算機科學和人工智慧學術領域的大師級人物一齊亮相由微軟亞洲研究院與哈爾濱工業大學聯合主辦的第十九屆「二十一世紀的計算」大會，分享他們各自在人工智慧領域的研究和觀點，共同探索人工智慧的未來之路。

獲取演講PPT，請在後台回復關鍵字「微軟」。關注AI前線，獲取更多優質AI內容。

大會舉行的這一天凌晨，DeepMind 在 Nature 上發表了一篇關於 AlphaGo Zero 的論文，稱 Zero 從對圍棋一無所知開始，無師自通，通過自己與自己互搏、僅訓練三天就 100：0 秒殺前輩 AlphaGo。這一消息幾乎霸佔了當天所有科技或技術媒體公眾號的頭條，並引發了熱烈的討論，這一話題也成為了會議上 Q&A 階段和採訪中被一再提起的問題。

幾位大師都對這個問題發表了自己的看法，相比普通群眾對於「AI 是不是真的要替代人類了？」的巨大擔憂，大師們一致給出了更為冷靜而理性的回答。對他們來說，DeepMind 的 AlphaGo Zero 取得的成績確實非常亮眼，但這其實是伴隨著人工智慧技術的發展自然而然產生的結果，仍只適用於某一個特定領域，其中涉及的技術並不是非監督學習，依然需要大量數據，非監督學習目前還存在很多問題需要研究和探索。只因為這個成果而擔憂人工智慧會替代人類大可不必。

「做最能令你感到興奮的事，而不是我告訴你應該去做的事」 和 「人工智慧還有很長的路要走，目前深度學習的成功還是局限於特定細分領域」，這也是幾位主講嘉賓在演講和問答環節頻繁提到的兩句話，前者送給面臨研究方向選擇的學生和面臨工作轉型抉擇的技術人，後者則送給那些擔憂人工智慧很快將超過人類、甚至取代人類的人。

本文整理自大會部分演講內容精要及現場問答，另外，InfoQ 圍繞 AI 未來的發展以及微軟在 AI 領域的規劃 對洪小文博士進行了採訪，下文會將採訪問答一併奉上。

未來，人工智慧何去何從、將如何書寫，希望諸位能從幾位大師的演講和問答中收穫靈感一二。

John Hopcroft: 人工智慧革命

人工智慧目前仍只是高維度的模式識別，我們離實現真正的人工智慧還有很長的路要走。

在人工智慧的驅動下，一場信息革命正在轟轟烈烈地上演。15-20 年前，支持向量機模型的出現點燃了這場革命的引火線，而最近，深度學習的快速發展將信息革命推向新的高潮。眾所周知，深度學習在許多應用領域中都取得了標誌性的成功，但這種高效運作背後的原因卻知之甚少。

1986 年圖靈獎獲得者、康奈爾大學計算機系教授 John Hopcroft 教授是公認的計算機領域超級大師，他介紹到，深度學習是支持向量機（SVM）之後機器學習領域的重大發展，並以適用於圖像識別的卷積神經網路介紹了深度學習模型的構成，指出了在高維空間里找到更優的局部極小值點和神經網路模型的訓練加速問題等前沿研究方向。

人工智慧熱潮已經在全球範圍內鋪展開來，但事實上，我們離實現真正的人工智慧還很遠。首先，深度神經網路可以在某些特定任務、特定數據集上達到甚至超過人的水平，但那還遠遠不夠；其次，雖然深度學習已經非常成功，並被譽為人工智慧的驅動力之一，但其中還有一個非常重要的問題需要明白，那就是目前深度學習正在做的事情和人類大腦之間存在的主要區別，正如 John 所說，當前的人工智慧只是高維空間的模式識別，比如，圖像識別並沒有理解物體的本質及其用途；最後，並不是所有智力相關的任務都需要人工智慧，因此，處理人工智慧相關工作不僅需要技術加持，更需要把握問題核心。

在上午的現場問答環節，John 對於年輕的科研工作者如何應對快速變化的世界、如何選擇基礎研究的課題，也給出了他的建議：「沒有人有生活在這一嶄新世界的經驗。我們要尊重先行者的意見，但這並不等同於要全盤接受他們的建議。做最能令你感到興奮的事情，而不是我要求你做什麼、我告訴你應該做什麼。生命只有一次，應該好好享受。」

Raymond Mooney: 深度學習革命

深度學習受限於演算法、計算力和大數據，在深度學習吸引絕大部分注意力的同時，符號學作為機器學習的一個分支同樣需要關注，二者結合才能真正實現人工智慧。

近年來深度學習在很多非常有挑戰性的 AI 問題上取得了長足的進展，包括語言識別、圖像識別、機器翻譯、棋牌遊戲等等。常年從事機器學習研究的德克薩斯大學奧斯汀分校計算機科學系教授 Raymond Mooney 選擇深度學習作為切入點，指出深度學習在目前看來有些「言過其實」，它帶有明顯的局限性，還不能真正解決 AI。

在簡要梳理了機器學習的發展史（從單層神經網路到知識工程、從多層神經網路和符號學習到貝葉斯學習和和方法、以及深度學習的復興）之後，Raymond 教授列舉了現今深度學習的三大推動力：演算法、計算力和大數據，以及由此產生的幾大制約因素，包括從無標籤數據中學習、壓縮模型的規模等。除此之外，深度學習系統在面對針對性構建的惡意樣本時仍然非常脆弱。

Raymond 教授認為機器學習、神經網路等有著悠久的歷史，深度學習已經在多個方面取得了顯著的成績，並且還將取得更多成績，深度學習將使革命性的新技術成為可能，但現在深度學習的能力被過度誇大了。在深度學習吸引絕大部分注意力時，符號學作為機器學習的一個分支同樣需要關注，二者結合才能真正實現人工智慧。Raymond 教授認為我們不能過於滿足和誇大當前取得的成績，AI 的核心問題尚未解決，未來的路還很長。

洪小文: 探索機器和人類學習的方式

我們已經進入持續學習的時代，相比「無所不知」，我們更需要「無所不學」，對於機器和人來說都是如此。

近年來，機器學習計算機視覺、語音和自然語言處理等領域取得了長足的進步。然而，很多挑戰仍然存在，需要配合以更好的機器學習演算法。而在某一些場景下，人們需要依靠現實世界的反饋來更好地學習。

微軟全球資深副總裁、微軟亞太研發集團主席兼微軟亞洲研究院院長洪小文博士表示，隨著人工智慧對社會的影響越來越大，更多挑戰需要人們去研究、去攻克，無論是機器還是人類都需要提升技能、跟緊腳步。

對於計算機而言，人類在不斷探尋新思路幫助機器實現更高效的學習。深度學習往往需要大規模的標記數據，成本要求也相應提高，微軟提出了新的學習範式——對偶學習來降低對大規模標註數據的依賴性。此外，自增強學習方法利用未完成訓練的卷積神經網路對無標籤數據進行測試，生成增強數據進行訓練。

機器還可以在多方面幫助人們學習，例如提供學習建議和案例，作為語言學習的輔助手段。他以旨在幫助初學者提高口語水平的微軟小英為例，介紹了語音識別、語音合成、自然語言理解、機器翻譯、機器學習、大數據分析等人工智慧前沿技術如何能夠輔助人類學習。

另外，AI 還可以具備藝術創造力：創作詩歌、歌詞以及音樂，對圖片進行風格轉換等。在這方面，微軟運用生成式對抗網路（GAN）訓練小冰創作詩歌，還利用「風格基元」（StyleBank）、端到端在線視頻風格遷移模型等對圖像、視頻等素材進行藝術化創作。

最後洪小文博士總結到，人類和機器都需要持續學習和進化；機器學習依然會是未來的熱門研究領域，其中最為重要的是「learning to learn」；對偶學習等新方法讓缺乏大量標記數據的機器學習成為可能；人類可以利用機器更好地學習。

對話洪小文：AI 是一個工具，微軟希望將 AI 普及化

在下午的壓軸演講開始之前，InfoQ 記者與洪小文博士探討了人工智慧未來的發展趨勢、人工智慧研究成果給企業帶來的實際價值、微軟在推動 AI 技術落地所做的工作以及未來對人工智慧的規劃。

洪小文博士認為人工智慧研究成果的落地給企業帶來的價值主要體現在四個方面，分別是產品、用戶聯繫、提高內部運行效率、激發員工創新。

作為最了解微軟的人之一，洪小文博士表示，微軟的人工智慧願景是把 AI 普及化，微軟作為平台和「背後的英雄」，向合作夥伴提供各種人工智慧服務，同時向開發者開源技術標準，以達到普及 AI 的目的。

洪小文博士認為，未來語音識別要做到 100% 的準確率其實是一個 AI Complete 的問題，即需要解決 AI 其他領域的問題才能夠解決語音的問題。人的智能實際上是全部智能的總和，人工智慧未來的一個重要發展方向是將人工智慧全領域技術結合起來。

機器在圍棋比賽中戰勝人類，並不意味著機器就比人類聰明。在洪小文博士看來，人類和機器具備各自獨特的特質和技能優勢。前者擁有創造力，更擅長「化繁為簡」；後者則擁有處理海量數據並從中挖掘複雜模式的強大計算能力，這是一種「以繁制繁」的能力。機器要從「以繁制繁」跨越到「以簡制繁」、達到抽象的更高層次，還非常困難。如果真的要做人的智能，不應該從大數據著手，而應該基於小數據、甚至零數據展開研究。對於人工智慧的未來，人們關注的重點不應該是「人工智慧是否會代替人類」，而是「如何提升人類的能力，通過人工智慧幫助人類更好地學習」。

面對 AI 對人類的工作和生活帶來的巨大改變以及接踵而來的各種問題，比如由於機器精準的推薦演算法導致我們看待世界的角度變得過於單一等，洪小文博士表示，必須制定規則規範 AI 開發、監管數據，而且這些規則必須由各大科技公司、跨領域的公司參與共同制定。面對高速變化的科技浪潮，不能忽略其可能帶來的負面影響，但也不應該過於消極，而應該更積極地去討論如何應對這些問題。

如今人工智慧空前火爆，很多技術人都在考慮是否該向 AI 工程師轉型。洪小文博士認為第一步應該充分利用現有資源去學習和應用，AI 只是一個工具，與其說轉型，不如說如何將 AI 與自己當前的領域技能相結合。如果真的想轉型，需要綜合考慮自己的技術優勢和個人興趣，洪小文博士的看法與 John Hopcroft 教授一致，「如果這真的是你喜歡、能讓你感到快樂的工作，那麼當然值得鼓勵，但不應該只因為覺得 AI 會成功就去轉型。」

以下內容整理自 InfoQ 對洪小文博士的現場採訪速記，在不影響原意的前提下有部分刪減。

InfoQ：今天上午有一個參會者提問時問到了 DeepMind 剛發的論文，AlphaGo Zero 採用強化學習技術，在很短的時間內就訓練完成並打敗了原來的 AlphaGo，您怎麼看待這篇論文和 Zero 取得的成績？

洪小文： 這個我覺得非常自然。對於科學家而言，首先 AlphaGo 當然有很了不起的成就，有了 AlphaGo，今天這個論文就非常自然。正如你所說，AlphaGo 裡面涉及兩項技術，一個 Monte Carlo Simulation，一個就是所謂的強化學習。強化學習它最了不起的地方就是，比如說以前你下一步棋，不管是人下的還是機器下的，你會對這一步好或者不好，馬上做出一個判斷。下棋有一個很重要的東西就是它下到最後一定會停的，而且停的時候知道誰贏，你走過的路都已經留下了痕迹，所以你下了這步，下到最後贏了，那我知道你這一步就是一個好步，或者是下到最後輸了，那就是不好的棋步，這些結果都可以影響後來的棋步，強化學習就靠這樣大量的學習。

機器算得太快了，而且機器每天都在進步，3 年前的 TPU 和兩年前甚至是和今年相比，現在的肯定變快了。當它自己產生步數的時候，從效率來講，那可能試過所有有可能的步，會試更多的。如果是人下，又是一個高手，你可能可以比較有效率，但是反正都是計算機算，你就讓它算好了，所以這個結果我一點都不意外，這個東西本來就會贏。

但是有的人把下棋過度引申了，說它是非監督學習之類很了不起的東西，這是不對的，因為下棋很特殊的兩點是，首先它一定會停，其次它最後一定會知道輸贏。很多東西是沒有監督就不知道的，比方說你們也聽過的對抗學習，今天講一個東西是人造的，它可以以假亂真，人家不告訴你這是假的，你就不知道是假的，不像下棋，你都可以知道輸贏，所以說下棋是很特殊的。

我還要講一點，很多人說人下棋下不過電腦，所以說電腦比我們聰明，這是不對的。人的聰明和電腦的聰明本來就不是一回事。人的智慧和 IQ 是什麼？我把它叫做化繁為簡。我們就說下棋，人下這麼複雜的棋，這麼多步，最終要把它歸納成一些可以推導的規則才能去下。下棋的大師應該是這樣下的，而不是去記，如果是這樣下，我就要下這一步，那叫做以繁制繁，以繁制繁反而是機器最強的地方。所謂的深度學習，從廣義上來講，其實就是一種模式識別。

深度學習是什麼？就相當於這麼複雜的一步步的組合，它利用這個學習過程來記一個東西，當你下這一步的時候，我知道下一步該出什麼。這個就好比我十個電話號碼叫你記一樣，不要說下棋了，十個電話號碼你都記不下來，所以以繁制繁這一點，人是絕對比不過計算機的。

人的智慧最高境界就是化繁為簡，吾道一以貫之，這不就是化繁為簡嗎，我只要一個道理能搞清楚，一個道可以破所有的功，人的智慧是這個，絕對不是以繁制繁。以繁制繁是一種智慧，但不是最高的智慧。

InfoQ：那您覺得計算機能否從現在的以繁制繁跨越到以簡制繁，即具備抽象能力這個層次呢？

洪小文： 還非常困難。最近最熱門的科學新聞叫做引力波，為什麼當年愛因斯坦要做這個，他想用一個統一理論來解釋整個力學、動力學，這就是化繁為簡，而且你想想看，我們今天所有所謂的 AI 都要大數據。當時他提出引力波的時候，不要說大數據，根本就是無數據。一百年以後，我們才勉勉強強測到了引力波，也就是說兩者的工作思路不一樣。AI 至少目前看不出，將來當然是有可能的，這個脈絡完全是走了不同的方向。我覺得如果真正做人的智能，不是從大數據著手，而要從小數據著手，甚至於零數據。

InfoQ：您覺得現在 AI 的落地實踐給企業帶來的價值體現在哪些方面？

洪小文： 在微軟我們把它叫做數字化轉型，為什麼這樣說呢？因為 AI 一定要和數據、計算綁在一起，這裡指的是今天有用的 AI。從有計算機到現在，哪樣東西變成數字化了？支付、社交網路、買賣行為、電子商務，所有的都是數字化，更不要說物聯網，物聯網把以前沒有數字化的東西數據化，然後就可以做分析，所以我們把它叫做數字化轉型。

AI 落地給企業、單位帶來的價值，我們認為至少包含下面四點：

第一個是每個企業、每個單位一定有個產品。事實上以前互聯網 + 和這個很類似，怎麼樣用互聯網、大數據、AI 迭代，讓產品越來越好，這個談得是最多的。

第二個是跟用戶的連接。每個公司 2B 還是 2C，都有用戶。當用戶有疑難雜症的時候需要提供服務，比如客服機器人。

最後兩個是內部的，一個是如何提高公司內部運營的效率、效能；另一個是怎麼利用 AI 幫助員工提高效能，甚至幫助員工夠把事業和家庭都照顧好。還有更積極的是怎麼用這些大數據、人工智慧激發員工的創造力。

所以，我覺得數字化轉型和人工智慧對企業來講至少有這四層的意義，這個機會是很大的。

InfoQ：微軟目前在這四方面是怎麼做的？

洪小文： 這是微軟的機會，我們能這樣看也是微軟的機會。無論是計算還是數據，都需要平台，所以微軟會提供平台。相當於我們提供彈藥，而且我們可以服務上千、上萬、上百萬的客戶和我們的夥伴。

雖然我們不是去做行業垂直的應用，但是平台的機會更廣。微軟一直都是平台公司，平台公司有自己的優勢。但是我們的缺點是很多時候報道看不到。比如說無人駕駛，可能沒有人認為微軟在做無人駕駛，我們的確沒有在做無人駕駛垂直的應用，但是無人駕駛裡面需要數據、要上雲、要有結構化數據、需要資料庫，還有 Hadoop、Spark 這種東西，上面還有我們的認知服務，不管是視覺也好，或者是小冰、小娜這樣的技術也好。我們目前已經和好幾家公司有合作，像日產、沃爾沃、BMW 等。所以在報道上可能只能看到今天沃爾沃做了什麼自動駕駛的東西，但是我們是他們背後的無名英雄。

InfoQ：除了平台化的服務，像你們之前和 Facebook 推出 ONNX，對其他想嘗試應用 AI 的開發者，也有很大的幫助。能不能介紹一下微軟對於推動 AI 在業界的落地還做了哪些事情？

洪小文： 我們希望把 AI 普及化。事實上時機也成熟了。AI 為什麼這麼紅火，就是因為它到了普及化的階段。如果沒有普及化，就只有一兩家公司可以做，比如最近常談論到的量子計算，離普及化就還有一段時間。一個東西會紅火到每個人都要趕快去用，那它就具備了普及化的條件。但是這裡還是有一個門檻，畢竟它是一項新的技術，所以我們怎麼把它普及化，平台化是其中一項。另外，有很多東西會變成所謂的標準，所以我們會開源，推動產業界之間互相結盟，把這個餅做得更大。雖然公司和公司之間會競爭，但是競爭主要集中在推理階段（interpretation），一個人今天用這個寫了一個東西，它可以搬到另外一個平台上。普及化之後，你的餅做大了，哪怕你只是其中一小塊，那都是很大的。所以我們做的每一件事情，都是往普及化的方向做，而這又最適合平台公司來做。

InfoQ：未來微軟將重點關注 AI 領域的哪些研究方向？

洪小文： 分幾塊。一塊是現在既有的 AI 的理論、系統和重要的 AI 的技術以及跟各種應用的結合，比如說感知，感知裡面有語音、自然語言、視覺，這些東西是現在兵家必爭之地，我們會繼續做。

另一個就是做 AI 的基礎研究。今天 AI 都是大數據，那小數據這些東西怎麼弄，包括無數據？其實無數據、小數據和所謂的非監督學習都是相關的，只是現在更多用到大量的數據。其實還有另外一種做法，叫做 Rule-Based，又稱為專家系統，以前大家可能覺得這種做法很難做出成果，但是人就是靠各種原則、規律或者知識圖譜去學習的。而傳統上往往做深度學習、做 Rule-Based 的各做各的研究，我想更多的是將來這兩個怎麼融合在一起，因為只靠某一個是不奏效的。我們研究院在這些方面也有一些新的想法。

還有一塊不是純技術的，當前數據已經變得如此重要，數據的監管問題不得不考慮。擁有大量數據的公司，需要負什麼責任，什麼東西可以做，什麼東西不可以做，這個我覺得是需要關注的一方面。

另外，數據以偏概全以及演算法也可能帶來不好的影響。我們現在十分依賴演算法給我們推送內容，而演算法的設計又常常基於我們的喜好，到最後你聽到的新聞是你想聽到的，而不是你真正應該聽到的。我們需要聽到不同的聲音、更多樣化的觀點，如果社會以後變得單一、不多元的話，就會有問題。

我們在美國發起了一個 Partnership on AI 的項目，聯合很多公司去談一些跨領域的東西，可能更多的會談社會影響的方面。說句老實話，我絕對不敢說我們知道答案，但是道理是越講越明的，今天這方面的討論，至少我感覺在中國討論得還不夠多。但這其實是在未來我們必須要探討的問題，而且這個問題可能比技術問題更難，因為它牽扯到多個領域，牽扯到政策的制定，需要政府和企業共同參與討論。

我認為這個比討論機器人把人打敗更有意義，其實那個是根本不會發生的。甚至相比說 AI 技術取代人的工作，我希望更積極的討論這件事。這個世界會變化，尤其是十年前我們學的東西今天不見得適用了，在這樣的情況下，我們應該怎麼培養下一代、怎麼培養我們自己，還有所謂的終身學習，可能看這些東西更有意義。一件事情永遠有積極和消極的看法，最消極的看法就是高科技全是壞的東西，我逃到一個島上去過最原始的生活，這是最消極的方法。但其實我們應該積極地去面對，技術一定有好處，也有問題，如果沒有好處的話大家不會用，但是我認為不應該一味地說這個東西不可能帶來什麼負面的影響，一定也會有，怎麼樣積極地面對，需要大家來討論，集思廣益。

InfoQ：您如何看待人工智慧的基礎研究和應用在美國和中國的差異？

洪小文： 從應用上來看，我認為差異不大。唯一的差別是中國在移動互聯網上有一些條件的確是領先世界的，像移動支付以及微信裡面一些新的社交網路的用法，這方面我覺得中國確實是有優勢。但大體上來講差別不大，尤其是現在世界都是通的，大家看到這些應用，總是會想想怎麼把它用過去。

從基礎研究來講，我覺得中國應用型的創新、應用型的研究不缺，但是基礎研究比起美國還是相對少一點，這個是好壞兼有的。因為中國正在快速發展，做很多事情多半背後都是有經濟動機的，在這些方面也導致了我們對於基礎研究的投入可能是不夠的。現在有很多人在講要更多地投入基礎研究，我希望他們不只是講，而是真正能做到，包括公司和個人。

InfoQ：語音技術是您的主要研究領域，能否為我們解讀一下，語音技術（包括語音識別、自然語言理解）目前還面對哪些比較大的挑戰？未來會如何發展？

洪小文： 語音的挑戰永遠存在，因為真正要做到百分之百的語音識別，我認為是個 AI Complete 的問題，就是解決其他 AI 的問題才有可能解決語音的問題。這是人跟機器不一樣的一個地方，人最了不起的是我們可以用各種不同的智能去彌補某個智能的不足。一個最明顯的例子，在語音裡面叫做「雞尾酒效應」，什麼意思？你去參加一個雞尾酒會的時候，非常嘈雜，每個人都要講話，雖然我離你很近，但我可能聽不清楚你在講什麼，你講的話裡面十個字有九個字我都沒有聽清，也許只聽到幾個音，可是因為我不但認得你，還知道你從事什麼職業、知道你今天為什麼參加這個酒會，所以你講的內容我大概都能知道。

這種場景用今天的任何一個語音方法都一定失敗，因為我們人類用了太多所謂的常識、對你的了解，有時候甚至會比手畫腳。所以說這些就是把所有的 AI 都用上了。

人的智能事實上是全部智能的總和。做語音的時候，我們並不是只靠耳朵，而在做視覺的時候也會通過聲音來輔助，我們會將所有的感官都用進去。這也是人工智慧未來的挑戰，大家在講的通用人工智慧，就是指這塊，而這個很難做。尤其是深度學習，就是一個信號進來，然後出去，其他的東西可能有時候有、有時候沒有，關鍵就在這裡。如果說任何時候都有聲音也有影像，那就簡單了。所以我想幾乎所有的，就像我剛才講的語音的所謂雞尾酒效應，在視覺里也有，把一個東西遮掉 90%，你都可以猜出這是什麼。不管是不是能夠達到通用人工智慧，但是不同的智能之間都要能夠截長補短，這肯定是未來一個很重要的方向。

InfoQ：人工智慧的浪潮之下，有很多原來傳統領域的技術人會開始考慮要不要轉型到 AI 相關的工作，怎麼判斷該不該轉型、如果要轉型應做些什麼，能否請您給大家提一些建議？

洪小文： 與其講該不該轉，我覺得要先學習和應用，今天有 MOOC、有各種各樣的信息，學習不見得那麼難。AI 今天之所以紅火，是因為它的神秘面紗越來越薄了。很多人把 AI 講得天花亂墜，事實上抽絲撥繭之後，AI 還是比較好學、也比較好應用的，這也是為什麼 AI 可以普及化，這是第一步。這個第一步做到了，對很多人來說就夠了，因為大部分人都是做應用。就好比計算機，沒有多少人知道計算機晶元怎麼做的，你只是拿來應用。對於大部分人來說，AI 只是一個應用。與其說轉型，還不如說怎麼把 AI 拿過來幫助你現有的專長，比如說每個公司裡面的產品、用戶、內部的運營和員工，應該先把這件事做起來。

當然，也不是說不可以轉，就好像很多人本來不是學計算機的，怎麼轉到計算機？我覺得每個人要根據自己的優勢，因時因地做判斷。AI 只是一個工具，如果它非常有用，那代表其實是應用，真正再把它做得更好，不管是開發或者是研究，都只是少數。到底是不是要轉型 AI？就像 John 說的，要看做這個事情是不是會讓你感到快樂。我覺得應該有更多的人可以依照他們的喜好，去考慮要不要做某件事情。如果因為愛好而做 AI，那我鼓勵，但是不希望太多人是因為覺得 AI 會成功才去做相關工作。

－全文完－

關注人工智慧的落地實踐，與企業一起探尋 AI 的邊界，AICon 全球人工智慧技術大會火熱售票中，6 折倒計時一周搶票，詳情點擊：

https://aicon.geekbang.org/apply?utm_source=wechat&utm_medium=ai-front

《深入淺出TensorFlow》迷你書現已發布，關注公眾號「AI前線」，ID：ai-front，回復關鍵字：TF，獲取下載鏈接！