机器之心编辑部报道

李飞飞重返斯坦福后的大动作:开启「以人为中心的AI计划」

刚刚,李飞飞宣布斯坦福开启「以人为中心的 AI 计划」(Human-Centered AI Initiative,HAI),该项目由李飞飞和斯坦福大学前教务长 John Etchemendy 共同主导,Chris Manning 也参与其中。李飞飞在 twitter 上表示该项目的愿景是:推进 AI 研究、教育、政策和实践,以惠及全人类。


HAI 官网(地址:http://hai.stanford.edu/)显示其工作重点是:开发 AI 技术、指导和研究、设计与创造。

同时,HAI 官网也公布了团队部分阵容:

斯坦福大学政治学教授 Rob Reich、斯坦福大学生物医学信息学和生物医学信息科学副教授 Nigam Shah、斯坦福大学历史系 John L. Hinds 教授 Londa Schiebinger、斯坦福大学计算机科学和语言学系教授 Chris Manning 和斯坦福大学心血管医学、遗传学和生物医学数据科学教授 Euan A. Ashley。

从目前的团队人员组成来看,HAI 确实融合了计算机科学、生物科学、人文科学等众多学科。

该项目发布了第一篇博客,介绍了该项目此时成立的原因、目标和愿景。以下是博客内容:

人文:下一个 AI 前沿

我们已经到达了真正的历史转折点:技术正越来越快地改变我们的社会,并产生前所未有的深远影响。很多人将其称之为第四次工业革命,由技术(从 5G 无线到 3D 打印再到物联网)驱动的一次革命。但是,越来越多的颠覆性变化可以追溯到人工智能的出现。

很多变化令人鼓舞。机器翻译使我们的想法更容易跨越语言障碍;计算机视觉使医学诊断更加准确;驾驶员辅助功能使汽车更加安全。另一些变化则更令人担忧:随着自动化的迅速发展,数百万人面临失业的风险;人工智能产生的内容使得我们越来越难区分现实和虚构;最近机器学习中的偏见例子表明技术可以多么轻易地放大偏见和不平等。

像任何强大的工具一样,人工智能带来的风险和回报程度相同。但与核能和生物技术等大多数「双重用途」技术不同的是,人工智能的开发和使用是一种去中心化的全球现象,进入门槛相对较低。我们无法控制如此分散的事物,但是我们可以做一些事情来负责任地引导它。这就是为什么人工智能的下一个前沿不能仅仅是技术——它也必须是人文的。

斯坦福以人为中心的 AI 计划(HAI)

许多事情值得我们关注,从气候变化到贫困问题,但是 AI 有一点特别突出:尽管其全部影响范围并不确定,但集合全部人类的力量仍然可以塑造它。这就是为什么斯坦福大学要宣布这项新的重大项目,HAI 计划旨在创建一个机构来引领人工智能的未来。它将扩展跨学科研究的必要广度;促进学术界、工业界、政府和民间团体之间的全球对话;鼓励各界进行负责任的引领。我们将这种理念称为「以人为中心的 AI」。它来自三个简单但强大的想法:

  1. 要想让 AI 更好地满足人类的需求,该领域必须包含更多人类智能的多样性、精妙和深度。

  2. AI 的发展应该与正在进行的关于其对人类社会影响的研究相结合,并得到相应的指导。

  3. AI 的最终目的应该是增强我们的人文性(humanity),而不是削弱或取代它。

实现这些目标将是我们这个时代最大的挑战之一。每个目标都包含复杂的技术难题,将激发工程师、社会科学家及人类学家之间的对话。但这也带来了一些重要问题:哪些是最紧迫的难题?谁来解决?上述对话将发生在哪里?

创建以人为中心的 AI 需要开展广泛的跨学科合作,利用从神经科学到伦理学等多个学科的专业知识。要应对这一挑战,我们需要冒险探索不确定的新领域,并且不能抱着创造商业产品的念头。这远不止是一项工程任务。

学界的重要作用

这是纯粹的研究领域。正是科学自由使得数百所大学能够跨国界合作建造大型强子对撞机,不是让我们的手机更便宜,或者让 Wi-Fi 更快,而是让人类第一次看到希格斯玻色子。科学自由也是我们能够建造哈勃望远镜并绘制人类基因组图的原因。最重要的是,它是包容性的,不需要为了市场份额而竞争,学界邀请我们为分享更深入的理解和知识而共同努力。

更重要的是,学界肩负着教育未来各个学科领导者和从业者的重任。AI 革命将是一场跨越几代人的旅程,而现在,正是向技术人员、工程师、企业家和政策制定者(将在未来几年规划 AI 发展方向)灌输以人为中心的价值观的时候了。

为什么是斯坦福?

实现以人为中心的 AI 需要全球学界、业界和政府的精诚合作。没有哪个大学可以给出答案,也没有哪个公司可以定义标准,更没有哪个国家可以控制技术。

然而,我们仍然需要一个焦点,一个专门致力于「以人为中心的 AI」中心,能够迅速推进研究前沿,并充当其它大学、行业和政府 交流想法的全球中心。我们认为斯坦福大学是唯一适合扮演这个角色的大学。

自 1963 年 John McCarthy 成立斯坦福 AI 实验室(SAIL)以来,斯坦福就一直处于人工智能研究的前沿。McCarthy 创造了「人工智能」(Artificial Intelligence)一词,并为该领域的早期工作设定了议程。自那以后的几十年里,SAIL 成为许多人工智能重大里程碑的背景,从专家系统的开创性工作到第一辆完成 130 英里 DARPA 挑战赛的无人驾驶汽车。SAIL 孕育了计算机视觉领域的开创性工作,也是 ImageNet 的诞生地,ImageNet 展示了大规模数据集对神经网络算法的变革性力量。这一传统延续至今,100 多名博士生、很多硕士生和本科生积极参与研究,研究主题包括计算机视觉自然语言处理、高级机器人学和计算基因组学。

但塑造 AI 未来所需的专业知识远不止工程技术。其实,以人为中心的 AI 的发展将从每一个智能领域汲取能量——基于这一点,斯坦福是实现这一理念的理想环境。斯坦福法学院一直被认为是世界上最负盛名的法学院之一,它云集了顶尖的法律专家来辩论人工智能道德和监管的未来。斯坦福大学的社会科学和人文系也是全世界最负盛名的,它让人们了解人工智能的经济、社会学、政治和道德含义。斯坦福的医学院、教育学院和商学院将帮助探索智能机器如何最好地满足患者、学生和行业的需求。斯坦福丰富的跨学科领导传统将使我们能够围绕人类的需求和利益来规划人工智能的未来。

最后,斯坦福位于硅谷中心,且位于环太平洋地区,紧邻领导 AI 商业革命的公司。斯坦福大学在硅谷的根基比其它机构更深,因此斯坦福能够从这些公司中学习,并分享见解。

斯坦福大学成立「以人为中心的 AI 计划」的目标是聚合对 AI 充满热忱的有识之士一起产生更大的影响力。该项目将围绕以下五个目标:

  • 促进突破性、多学科研究。

  • 构建稳健的全球生态系统。

  • 教育和训练学界、业界、政府和民间团体的 AI 领导人才。

  • 推动现实世界的行动和政策。

  • 或许最重要的目标是,推动围绕「以人为中心」的全球对话。

总结

数十年来,AI 一直是学界的研究主题。但是,最近几年,它一跃成为重塑工业界的强力工具。现在是时候让 AI 变得更加强大了:成为一种向善的力量(a force for good)。在正确的指引下,智能机器能够为发展中国家带来挽救生命的医疗诊断,为弱势社区提供新的教育机会,甚至使我们更加警惕环境卫生。斯坦福「以人为中心的 AI 计划」就是一项旨在让以上目标(甚至更多目标)成为现实的大规模项目。希望大家加入我们。

参考链接:

http://hai.stanford.edu/news/introducing_stanfords_human_centered_ai_initiative/

http://hai.stanford.edu/

产业AI斯坦福李飞飞
1
相关数据
专家系统技术

专家系统(ES)是人工智能最活跃和最广泛的领域之一。专家系统定义为:使用人类专家推理的计算机模型来处理现实世界中需要专家作出解释的复杂问题,并得出与专家相同的结论。简言之,如图1所示,专家系统可视作“知识库(knowledge base)”和“推理机(inference machine)” 的结合。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经科学技术

神经科学,又称神经生物学,是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。 对人脑研究是个跨领域的范畴,当中涉及分子层面、细胞层面、神经小组、大型神经系统,如视觉神经系统、脑干、脑皮层。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

机器人技术技术

机器人学(Robotics)研究的是「机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成,这也是人工智能领域最早的终极目标之一。

机器翻译技术

机器翻译(MT)是利用机器的力量「自动将一种自然语言(源语言)的文本翻译成另一种语言(目标语言)」。机器翻译方法通常可分成三大类:基于规则的机器翻译(RBMT)、统计机器翻译(SMT)和神经机器翻译(NMT)。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

图网技术

ImageNet 是一个计算机视觉系统识别项目, 是目前世界上图像识别最大的数据库。

推荐文章
暂无评论
暂无评论~