關於 AI，一面天使，一面惡魔。
AI 應用會向著哪一極發展，不在於 AI 本身，而在於創造 AI，應用 AI 的人。自 AI 誕生以來，關於 AI 的發展、利弊等方面的討論屢見不鮮。從 DeepFake 的 AI 換臉風波，到 DeepNude 的一鍵脫衣，AI 在帶來生活便利性的同時，也招致了 AI 倫理的質疑。
AI 的路，究竟該如何行進下去？
關於這個問題，致力於“AI first”發展的 Google 或許有著不一樣的發言權。而近日，Google 首席架構師、AI 團隊負責人 Jeff Dean 在媒體採訪中就對 Google AI 帶來的相關問題進行了回應，雷鋒網對相關內容進行了不改變原意的編譯。
雷鋒網注：【 圖片來源：WIRED所有者：WIRED 】
問：您做了一個關於製造新型計算機來驅動機器學習的研究報告，能否透露一下 Google 正在測試什麼新想法呢？
答：在芯片上利用機器學習進行電路的佈置和佈線。當你設計了一堆新的電路後，你需要把它融進芯片中，以一種有效的方式對面積、使用功率以及其他參數進行優化。
通常情況下，人類學專家在幾周內就可以完成。而我們可以獲得和人類學專家同等，甚至是更好的效果。在 Google，我們就一直在使用不同的內部芯片，如 TPU 這種（雷鋒網按，Google 的自定義機器學習芯片）。
問：如今，具有強大功能的芯片對 AI 的發展越來越重要，但 Facebook 的 AI 負責人最近卻表示這種依靠芯片發展 AI 的策略將會陷入瓶頸。在本週，Google 的一位頂級研究人員也附議了這個想法，你怎麼看呢？
答：我認為，建立一個更有效、規模更大的計算系統，尤其是為機器學習量身定製的系統依然是很有潛力的。並且，在過去五六年裡所做的基礎研究也有很大的應用空間，我們將與 Google 產品部的同事進行合作，將這些東西投入實際應用。
不過，我們也在考慮一些即將到來的問題，考慮今天能做什麼，不能做什麼。另外，我們還想構建一個泛化到新任務的系統，如果能用更少的數據、更少的計算來做事情，這將很有趣。
問：近期，在國際人工智能頂級學術會議 NeurIPS 上，關於人工智能應用程序的倫理問題頗受關注。在 18 個月前，Google 曾因與五角大樓合作的人工智能項目“Maven”遭到抗議而宣佈了一套人工智能倫理原則，在那之後，人工智能在 Google 的工作中發生了什麼變化？
答：我認為，我們將這些原則付諸實踐的方式將能夠讓 Google 員工更好地理解這些原則。不過，這需要一個過程。通過這個過程，產品可以在設計整個系統之前，以某種方式使用機器學習來獲得早期的意見，比如，你應該如何收集數據，以確保它沒有偏見或諸如此類的事情。
同時，我們也將繼續推動那些體現在原則中的研究方向，我們在偏見、公平、隱私和機器學習等方面做了很多工作。
問：雖然 Google 發佈的原則剔除了武器方面的合作，但仍然與政府有國防方面的業務往來。想請問在 Maven 項目之後，Google 是否啟動了任何新的軍事項目？
答：我們很樂意以符合我們原則的方式與軍方或其他政府機構合作。比如說，如果利用雲計算能夠提升海岸警衛隊人員的安全性，那我們將很樂意這麼做，同時，這也確實是雲計算部門的業務範圍。
問：近期，DeepMind 的聯合創始人 Mustafa Suleyman 宣佈加入 Google，他提到將與您以及 Google 首席法務官 Kent Walker 一同合作，請問你們將會一起做些什麼呢？
答：Mustafa 對人工智能相關政策的問題有著廣泛的見解，同時，他也參與了 Google AI 原則的審查過程，我認為他應該會聚焦於 AI 倫理和和 AI 政策的相關工作上。關於他的工作內容，我想應該由他個人說明會好一些。
另外， Kent 團隊目前正在致力於完善人工智能原則，為那些想要在 Google 產品中應用人臉識別等 AI 功能的團隊提供更多的指導。
問：在本週，您曾就“機器學習如何幫助社會應對氣候變化”這一主題發表了演講。那麼，您認為（機器學習的）機會在哪兒呢？您又是如何看待機器學習項目本身帶來的大量能耗呢？
答：事實上，機器學習在氣候問題上能有許多方面的應用。最近，有一篇關於利用機器學習應對氣候變化的論文發表，有 100 多頁長，我的同事 John Platt 是作者之一。論文裡提到，機器學習可以幫助提高交通運輸的效率。另外，由於傳統模型的計算量非常大，限制了空間分辨率，而機器學習能使氣候模型更加精確。
我主要關注的是碳排放和機器學習。在我看來，機器學習項目的碳排放在總排放量中所佔的比例還是相對較小的。在 Google 數據中心，我們全年所有計算需求的能源都是 100% 可再生的。
問：除了氣候變化，您和您的團隊明年還將擴展哪些研究領域呢？
答：下一年可能會多致力於“多模式學習”：具有不同類型的模式的任務，例如視頻和文本、視頻和音頻。作為一個社區，我們在這一方面做的還不夠多，未來將會在這一方面多發力。
另外，關於醫療保健的機器學習也將會是我們所聚焦的領域。
還有，設備上的機器學習模型也是我們關注的。如果我們能夠把設備上的機器學習模型做得更好，我們就可以將更多有趣的功能加入到 Google 硬件部門所製造的手機和其他設備中。
閱讀更多 雷鋒網 的文章
