國外媒體撰文稱，蘋果及其競爭對手將它們的未來押注在一些人的夢想上。他們就是人工智能的先驅(qū)和教父級的人物，在他們眼里，人工智能是怎么一路發(fā)展過來的呢？未來該技術(shù)又會(huì)變成什么樣呢？

大約在1960年，研究者在布法羅微調(diào)Perceptron感知器

以下是文章主要內(nèi)容：

在過去的5年里，人工智能已經(jīng)從常年的朦朧件變成了科技行業(yè)最大的希望之一。計(jì)算機(jī)已經(jīng)學(xué)會(huì)識別人臉和物體，學(xué)會(huì)理解口語，還學(xué)會(huì)翻譯幾十種語言。世界上最大的幾家公司——Alphabet、亞馬遜、蘋果、Facebook和微軟——都把自己的未來押在了人工智能上，都在競相看誰最快打造出更加智能的機(jī)器。這助長了人工智能突然冒出的感覺，比如特斯拉自動(dòng)駕駛汽車和可跟你的孩子聊天的Alexa智能助手的出現(xiàn)。但AI并不是一夜之間火起來的，也不是硅谷某位企業(yè)家的心血結(jié)晶。

現(xiàn)代人工智能（神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)）背后的理念可以追溯到第二次世界大戰(zhàn)的最后階段。當(dāng)時(shí)，學(xué)者們開始構(gòu)建以類似人腦的方式來存儲(chǔ)和處理信息的計(jì)算系統(tǒng)。在過去的幾十年里，這項(xiàng)技術(shù)的發(fā)展起起伏伏，但在2012年以前，它一直未能廣泛地引起計(jì)算機(jī)科學(xué)家的注意。幸虧有一些固執(zhí)的研究人員，他們不怕自己顯得愚蠢。他們?nèi)匀耘f相信，神經(jīng)網(wǎng)絡(luò)將照亮全世界，改變?nèi)祟惖拿\(yùn)。

這些先驅(qū)分散在全球各地，而加拿大的神經(jīng)網(wǎng)絡(luò)信徒的數(shù)量卻異常龐大。這部分因?yàn)檫\(yùn)氣：由政府支持的加拿大高級研究院（Cifar）在神經(jīng)網(wǎng)絡(luò)根本沒有流行起來的時(shí)候?yàn)橄嚓P(guān)研究提供資助，由此吸引了一小群學(xué)者來到這個(gè)國家。該機(jī)構(gòu)支持的計(jì)算機(jī)科學(xué)家包括：多倫多大學(xué)的杰弗里·辛頓（Geoffrey Hinton）和雅恩·樂昆（Yann LeCun），蒙特利爾大學(xué)的尤舒亞·本吉奧（Yojoshua Bengio）以及阿爾伯塔大學(xué)的理查德·薩頓（Richard Sutton）。它鼓勵(lì)他們分享他們的想法，堅(jiān)持自己的信念。他們提出了許多推動(dòng)人工智能革命的概念，現(xiàn)在他們?nèi)急徽J(rèn)為是這項(xiàng)技術(shù)的教父。本文是根據(jù)我對他們的采訪撰寫的，內(nèi)容包括：為什么神經(jīng)網(wǎng)絡(luò)要花這么長時(shí)間才能運(yùn)作，這些科學(xué)家是如何團(tuán)結(jié)一致相互支持的，以及為什么偏偏是加拿大成為了機(jī)器崛起的舞臺。

加拿大總理賈斯汀·特魯多（Justin Trudeau）：人工智能就是一種可以模擬人類思維或人類行為的計(jì)算機(jī)。在這里面，有機(jī)器學(xué)習(xí)，通過該技術(shù)，你可以讓計(jì)算機(jī)一次又一次地做實(shí)驗(yàn)。它可能是開著一輛模擬的汽車在路上行駛，或者是試著在照片中認(rèn)出一只貓。

在這里面，機(jī)器學(xué)習(xí)有個(gè)分支叫做深度學(xué)習(xí)。它大概是指，你建立一個(gè)神經(jīng)網(wǎng)絡(luò)，它有權(quán)重和偏差，可以通過修改來調(diào)整預(yù)期的結(jié)果。你讓計(jì)算機(jī)去迭代，并改進(jìn)解決問題的方法。這就是杰弗里·辛頓和其他人在過去幾十年里一直在研究的事情，現(xiàn)在它是最令人興奮的人工智能的基礎(chǔ)。它能更好地模仿人類大腦的思維方式。

《紐約時(shí)報(bào)》記者、一本即將出版的AI歷史著作的作者凱德·梅茨（CADE METZ）：神經(jīng)網(wǎng)絡(luò)的概念可以追溯到1940年代——一種計(jì)算機(jī)系統(tǒng)可以模擬大腦中的神經(jīng)元網(wǎng)絡(luò)的概念。但是一個(gè)叫弗蘭克·羅森布拉特（Frank Rosenblatt）的家伙在20世紀(jì)50年代推動(dòng)了這項(xiàng)研究的發(fā)展。他是一名教授，還與美國海軍和政府的其他部門合作，他開發(fā)了一個(gè)基于神經(jīng)網(wǎng)絡(luò)概念的東西Perceptron。在他展示Perceptron的時(shí)候，像《紐約時(shí)報(bào)》和《紐約客》這樣的媒體用了相當(dāng)大的篇幅進(jìn)行報(bào)道。

羅森布拉特聲稱，它不僅能學(xué)會(huì)執(zhí)行像識別圖像這樣的小任務(wù)，還能從理論上教機(jī)器走路、說話和表達(dá)情感。但它只有一層神經(jīng)元，這意味著它的功能非常有限。不用說，他所承諾的事情都沒有發(fā)生。

羅森布拉特的同事兼高中同學(xué)馬文·明斯基（Marvin Minsky）在1960年代末寫了一本書，詳述了Perceptron和神經(jīng)網(wǎng)絡(luò)的局限性。這讓該領(lǐng)域的研究至少深度凍結(jié)了10年時(shí)間。

杰弗里·辛頓：羅森布拉特的Perceptron可以做一些有趣的事情，但是他超前了大約50年。雖然明斯基一直是神經(jīng)網(wǎng)絡(luò)的信徒，但他證明了有些事情是他們無法應(yīng)付的。明斯基和西摩爾·帕爾特（Seymour Papert）共同撰寫的關(guān)于該技術(shù)的書《感知器：計(jì)算幾何學(xué)的引論》（Perceptrons：An Introduction to Computational Geometry）基本上導(dǎo)致了這個(gè)領(lǐng)域的消亡。

在20世紀(jì)70年代，一小群人一直在研究神經(jīng)網(wǎng)絡(luò)，但總體來說，我們?nèi)蕴幵谝粋€(gè)人工智能的蕭條期。

梅茨：杰弗里·辛頓最初是在卡內(nèi)基梅隆大學(xué)，后來轉(zhuǎn)至多倫多大學(xué)。他一直堅(jiān)持神經(jīng)網(wǎng)絡(luò)的理念。最終，他和他的合作者和其他人開發(fā)出了一個(gè)多層次的神經(jīng)網(wǎng)絡(luò)——一個(gè)深度的神經(jīng)網(wǎng)絡(luò)——這開始在很多方面起作用。

法國計(jì)算機(jī)科學(xué)家雅恩·樂昆在辛頓位于多倫多的實(shí)驗(yàn)室做了一年的博士后研究。樂昆隨后被新澤西的貝爾實(shí)驗(yàn)室招攬。

雅恩·樂昆：從很小的時(shí)候起，我就對智能技術(shù)很著迷。我在20世紀(jì)60年代長大，當(dāng)時(shí)有空間探索，有第一代電腦的出現(xiàn)，還有人工智能。所以當(dāng)我開始學(xué)習(xí)工程學(xué)的時(shí)候，我對人工智能非常感興趣，當(dāng)時(shí)它是一個(gè)非常新興的領(lǐng)域。

樂昆（右）于1979年在Esiee Paris研究生院學(xué)習(xí)

我聽說了Perceptron，被它迷住了，因?yàn)槲艺J(rèn)為學(xué)習(xí)能力是智能的一個(gè)組成部分。我四處尋找，想找到關(guān)于Perceptron的一切。作為一名工程師，如果你想了解智能，最明顯不過的方法就是嘗試打造一個(gè)智能機(jī)器——它會(huì)迫使你專注于培養(yǎng)智能所需的組件。這有點(diǎn)像航空業(yè)先驅(qū)們是如何從鳥類那里得到啟發(fā)的，但他們并沒有完全復(fù)制鳥類的飛行原理。你不會(huì)想要僅僅模仿生物智能或大腦，因?yàn)樗墓δ苡泻芏喾矫娑际且驗(yàn)樯锘瘜W(xué)和生物學(xué)—它們真的與智能無關(guān)。就像羽毛并不是飛行的關(guān)鍵那樣：重要的是潛在的空氣動(dòng)力學(xué)原理。

梅茨：有些人認(rèn)為LeCun是一個(gè)徹頭徹尾的瘋子，認(rèn)為這是一項(xiàng)無休止的苦差任務(wù)。作為一個(gè)神經(jīng)網(wǎng)絡(luò)研究員，你會(huì)去參加這些大型人工智能會(huì)議，而你并沒有被學(xué)術(shù)界的核心群體所接受。這些想法處于邊緣狀態(tài)。

尤舒亞·本吉奧：在1985年，神經(jīng)網(wǎng)絡(luò)是一種邊緣性的東西，我在麥吉爾大學(xué)的課堂上沒有被教授過。我學(xué)的是經(jīng)典的符號人工智能。所以我必須得說服我的教授來指導(dǎo)我做神經(jīng)網(wǎng)絡(luò)。我得到了政府的獎(jiǎng)學(xué)金，所以我基本上可以自由選擇我的研究課題，而這對教授來說也沒有任何的損失。我們達(dá)成了一項(xiàng)協(xié)議：我可以做機(jī)器學(xué)習(xí)，但我會(huì)把它應(yīng)用到他所關(guān)心的事情上，那就是語音識別。

樂昆：大約在1986年，神經(jīng)網(wǎng)絡(luò)研究出現(xiàn)了一段興奮期，部分原因是那些來自于想出新數(shù)學(xué)技術(shù)的物理學(xué)家的模型引起了研究者們的興趣。這使得這個(gè)領(lǐng)域再次為人們所接受，并在80年代后期和90年代早期引起了很多的興奮情緒。我們中的一些人做出基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)來做一些實(shí)用性的事情，比如信用卡欺詐檢測。我研發(fā)了一個(gè)自動(dòng)化系統(tǒng)來進(jìn)行字符識別，進(jìn)而進(jìn)行閱讀檢查。

波默羅在1995年展示他的自動(dòng)駕駛汽車

梅茨：在卡內(nèi)基梅隆大學(xué)，一個(gè)名叫迪恩·波默羅（Dean Pomerleau）的家伙在20世紀(jì)80年代末使用神經(jīng)網(wǎng)絡(luò)建造了一輛自動(dòng)駕駛汽車。它行駛在公共道路上。樂昆在1990年代使用該技術(shù)建立了一個(gè)可以識別手寫數(shù)字的系統(tǒng)，該系統(tǒng)最終被銀行用于商業(yè)應(yīng)用。

所以說，在80年代末到90年代期間，神經(jīng)網(wǎng)絡(luò)和他們的實(shí)際應(yīng)用出現(xiàn)了這種復(fù)蘇，樂昆的研究項(xiàng)目就是最好的例子。但他們后來再次觸及天花板，主要是因?yàn)槿狈τ?jì)算能力和可用數(shù)據(jù)。我們進(jìn)入人工智能的又一個(gè)寒冬。

尤爾根·施米德胡貝爾：至于加拿大的那些研究者，很明顯我們沒有使用他們的算法;是他們在使用我們的算法。樂昆本來就是一個(gè)法國人，我們使用他的算法。這很好。他作出了很多非常重要且有用的貢獻(xiàn)。

我認(rèn)識這些人已經(jīng)有很長的時(shí)間了。我第一次接觸本吉奧的時(shí)候，他發(fā)表了同樣的東西，或者是大致相同的東西，但這發(fā)生在我的一個(gè)學(xué)生發(fā)表4年以后。幾年后，在一個(gè)會(huì)議上，我們因?yàn)樗羞@些東西的來源問題而攤牌。在研討會(huì)上也有一場公開辯論，誰先發(fā)表其實(shí)顯而易見。這不是什么令人不快的事情，只是為了澄清事實(shí)。你在科學(xué)中所做的事情就是澄清事實(shí)。（本吉奧否認(rèn)了施米德胡貝爾的說法。）

樂昆：當(dāng)時(shí)的問題是，這些方法需要復(fù)雜的軟件、大量的數(shù)據(jù)和強(qiáng)大的計(jì)算機(jī)。沒有多少人能接觸到那些東西或者愿意投入時(shí)間。在1990年代中期至2000年代中期期間，人們選擇了更簡單的方法——沒有人真正對神經(jīng)網(wǎng)絡(luò)感興趣。對辛頓、本吉奧和我來說，這是一段黑暗的時(shí)期，我們并不感到痛苦，但也許有些悲傷，因?yàn)槿藗儾⒉辉缚吹轿覀兊母拍钣兄黠@的優(yōu)勢。

辛頓：當(dāng)然，我們一直相信神經(jīng)網(wǎng)絡(luò)，并一直在努力研究，但工程師們發(fā)現(xiàn)，其他方法在小數(shù)據(jù)集上也同樣有效或者更加有效，所以他們追求那些方法，并認(rèn)定神經(jīng)網(wǎng)絡(luò)是癡心妄想。致力于改進(jìn)神經(jīng)網(wǎng)絡(luò)的人相當(dāng)少。

加拿大高級研究院讓來自世界各地的人們更多地進(jìn)行互相交流。它給我們帶來了一個(gè)不小的群體。

樂昆：有一個(gè)非常小的群體心里覺得，神經(jīng)網(wǎng)絡(luò)最終會(huì)重新占據(jù)顯著地位。2003年，辛頓在多倫多，加拿大高級研究院找他創(chuàng)立一個(gè)關(guān)于神經(jīng)計(jì)算的項(xiàng)目。我們聚在一起，決定努力重燃研究者對我們的研究的興趣。

但在發(fā)表我們的想法之前，我們需要一個(gè)安全的空間，來舉行一些小型的研討會(huì)和會(huì)議來真正地開發(fā)我們的想法。這個(gè)項(xiàng)目于2004年正式啟動(dòng)，到2006年就催生了一些非常有趣的論文。辛頓在《科學(xué)》（Science）雜志上發(fā)表了一篇文章。

辛頓2006年在《科學(xué)》雜志上刊登的人臉識別測試圖片

特魯多：認(rèn)識到在最近的一個(gè)寒冬期，當(dāng)人們本已放棄和翻篇的時(shí)候，加拿大已經(jīng)悄然建立了現(xiàn)代人工智能的基礎(chǔ)，對我來說證明了加拿大在某件事上一直以來都做得很好，它就是支持純科學(xué)研究。我們讓真正聰明的人能夠做聰明的事情，這些事情有潛力帶來某種商業(yè)性或者實(shí)用性的應(yīng)用。

辛頓：2006年，在多倫多，我們開發(fā)了這種訓(xùn)練有很多層的神經(jīng)網(wǎng)絡(luò)的方法，這種方法效率更高。同年，我們在《科學(xué)》雜志上發(fā)表了一篇論文，這篇論文很有影響力，幫助支持了我們的主張，進(jìn)而再一次引起了很多人的興趣。2009年，我的實(shí)驗(yàn)室的兩名學(xué)生開發(fā)了一種使用這些深度神經(jīng)網(wǎng)絡(luò)來進(jìn)行語音識別的方法，它比我們原來所做的要好。

它只是稍微好一點(diǎn)，但是原有的技術(shù)已經(jīng)存在了30年，沒有取得任何的進(jìn)步。事實(shí)上，這些深度神經(jīng)網(wǎng)絡(luò)在幾個(gè)月的時(shí)間里甚至可以變得更好一點(diǎn)，這意味著幾年之內(nèi)，它們將會(huì)取得更大的進(jìn)步。

梅茨：2009年前后，辛頓和微軟的語音識別研究員鄧力進(jìn)行了一次會(huì)面。就像其他人一樣，鄧力相信另一種形式的AI：符號人工智能（symbolic AI）。在這種方法中，你基本上需要一行一行地建立一個(gè)語音識別系統(tǒng)，要用特定的行為模式進(jìn)行編程，整個(gè)過程非常緩慢。

辛頓提到，他針對語音識別的神經(jīng)網(wǎng)絡(luò)方法正在取得實(shí)質(zhì)性的進(jìn)展。它可以通過分析口語數(shù)據(jù)庫中的模式來學(xué)習(xí)識別單詞，而且它的執(zhí)行速度比那種符號式的逐行工作要快速。鄧力不大相信辛頓，但他邀請了辛頓及其兩名合作者去微軟研究該項(xiàng)技術(shù)。語音識別在微軟取得了巨大的進(jìn)步，2010年谷歌也在該領(lǐng)域取得了很大的進(jìn)步。

然后，2012年底，辛頓和他的兩個(gè)學(xué)生在圖像識別上取得了一項(xiàng)巨大的突破，完全碾壓以前的技術(shù)。這時(shí)候，不僅是微軟和谷歌，行業(yè)中其他的人也認(rèn)識到了這些概念。

要記住的是，這些都是很舊的概念。發(fā)生改變的是神經(jīng)網(wǎng)絡(luò)背后的計(jì)算能力和數(shù)據(jù)量。要運(yùn)營微軟或谷歌，你需要成千上萬臺機(jī)器協(xié)作運(yùn)行，處理從文字到視頻的各種數(shù)據(jù)。這最終使得神經(jīng)網(wǎng)絡(luò)取得成功。你需要數(shù)據(jù)來訓(xùn)練它，你也需要計(jì)算能力來執(zhí)行那些訓(xùn)練。

辛頓在他的辦公室

樂昆：為什么花了這么長時(shí)間才成功？科學(xué)研究就是這樣。它涉及到人們的心理。在一套技術(shù)被采用之前，人們必須相信它能夠奏效。眾所周知，這些方法過分繁瑣，需要某種黑魔法。

理查德·薩頓：計(jì)算能力的穩(wěn)步增長有著深刻的意義。現(xiàn)在我們正處于一場競賽中：人們在試圖開發(fā)算法，與此同時(shí)人們也在試圖開發(fā)更快速的計(jì)算機(jī)。你必須規(guī)劃好你的人工智能算法，使得它們能夠兼容5年和10年以后出現(xiàn)的計(jì)算機(jī)。

計(jì)算機(jī)必須要知道什么是好的什么是壞的，所以你要給它一個(gè)叫做獎(jiǎng)賞的特殊信號。如果獎(jiǎng)賞很高，那就意味著很好。如果獎(jiǎng)賞很低，那就意味著不好。

神經(jīng)網(wǎng)絡(luò)是你存儲(chǔ)學(xué)習(xí)內(nèi)容的地方，而強(qiáng)化則是你如何決定你想要做出什么改變。

本吉奧：我們離非監(jiān)督式學(xué)習(xí)還有很長一段路要走，那是辛頓、樂昆和我都夢寐以求的一項(xiàng)技術(shù)。幾乎所有基于深度學(xué)習(xí)的工業(yè)產(chǎn)品都主要依賴于監(jiān)督式學(xué)習(xí)，在數(shù)百萬個(gè)案例中，計(jì)算機(jī)必須要被告知要做什么。當(dāng)然，人類并不是這樣學(xué)習(xí)的;我們自主學(xué)習(xí)。我們自己來發(fā)現(xiàn)周圍的世界。一個(gè)2歲的孩子對物理、重力、壓力等有直覺的概念，她的父母永遠(yuǎn)也不需要告訴她力和重力的牛頓方程式。我們與世界進(jìn)行互動(dòng)，觀察它，并以某種方式建立起一種心智模式：如果我們做這個(gè)或做那個(gè)，事情將會(huì)如何發(fā)展。

我們正在進(jìn)入一種新的研究階段，即非監(jiān)督式學(xué)習(xí)，這與強(qiáng)化研究有關(guān)。我們不僅僅是在觀察世界，我們還在這個(gè)世界行動(dòng)，然后利用這些行動(dòng)的影響來琢磨它是如何運(yùn)作的。

樂昆：我對使得機(jī)器像動(dòng)物和人類一樣高效學(xué)習(xí)很感興趣。當(dāng)你學(xué)習(xí)開車的時(shí)候，你知道如果你偏離了公路，壞事就會(huì)發(fā)生。我們可以預(yù)測我們行為的后果，這意味著我們不需要通過做壞事來了解不好的后果。

所以，我所追求的是找到訓(xùn)練機(jī)器的方法，使得它們能夠通過觀察來學(xué)習(xí)，這樣他們就能建立起某種針對這個(gè)世界的預(yù)測模型。每種動(dòng)物都有針對其環(huán)境的預(yù)測模型。它們越是聰明，就越會(huì)預(yù)測。你可能會(huì)說，預(yù)測能力，連通根據(jù)預(yù)測采取行動(dòng)的能力，實(shí)際上是智力的本質(zhì)。

樂昆：我們很有可能將會(huì)在未來3年、5年、10年或15年取得一些重大進(jìn)展——也就是短期內(nèi)就能實(shí)現(xiàn)。在那以后，還需要很長一段時(shí)間才能真正建立某種接近于人類智能的系統(tǒng)。那將需要數(shù)十年的時(shí)間。

本吉奧：我不認(rèn)為人類必定會(huì)失去工作，即使機(jī)器變得非常聰明，甚至比我們更聰明。我們總是希望真人去從事與人類互動(dòng)有關(guān)的工作。我不想讓機(jī)器人照顧我的孩子、祖父母或者生病住院時(shí)候的我。我不擔(dān)心《終結(jié)者》（Terminator）里的場景。我相信，如果我們能夠制造出像我們一樣聰明的機(jī)器，他們也會(huì)聰明到能夠理解我們的價(jià)值觀和我們的道德體系，從而以一種對我們有益的方式行事。

我真正擔(dān)心的是人工智能被濫用的可能性，例如應(yīng)用于軍事武器。它已經(jīng)被用來影響人們的看法，正如你在廣告中所看到的。我認(rèn)為，在人工智能部署存在倫理道德上的錯(cuò)誤的地方，我們應(yīng)當(dāng)將其認(rèn)定為違法。我們需要共同變得更有智慧。

薩頓：我認(rèn)為，我們將這個(gè)領(lǐng)域稱作“人工智能”是個(gè)巨大的錯(cuò)誤。這讓人覺得它和人很不一樣，而且也不是真正的智能。它讓人們覺得它比正常情況更加陌生，但它是我們試圖去做的一件與人類密切相關(guān)的事情：重新創(chuàng)造人類智能。

科學(xué)總是揭示出并非所有人都喜歡的真理——你得到了真理，但它并不總是你想要的。也許這就是為什么宗教歷來與科學(xué)格格不入的原因。我認(rèn)為這和我們對大腦的了解是一樣的。也許不會(huì)有關(guān)于意識的解釋。有些人會(huì)喜歡，有些人不會(huì)喜歡。科學(xué)不能改變真理。

變化出現(xiàn)的時(shí)候總會(huì)有贏家和輸家，也總會(huì)有巨大的變化。我想我們將成為智能機(jī)器。我們應(yīng)該把AI看作我們自己或者我們的后代。我們可以創(chuàng)造他們，讓他們成為我們認(rèn)為合適的存在。

人類是什么？人類總是在努力變得更好。我們不應(yīng)該凍結(jié)我們現(xiàn)在的生活方式，并說這就是它應(yīng)該永遠(yuǎn)保持的模樣。

2011年，辛頓（左二）和本吉奧（右）參加蓋茨比研究所舉辦的一個(gè)研討會(huì)

樂昆：直到我們確切地知道它將會(huì)是什么樣子的，擔(dān)心這些是不成熟的。我不相信奇點(diǎn)的概念：有朝一日，我們將想明白如何構(gòu)建有超常智慧的機(jī)器，第二天這臺機(jī)器將建造出更加智能的機(jī)器，然后它會(huì)實(shí)現(xiàn)騰飛。我認(rèn)為，人們忘記了每一個(gè)物理現(xiàn)象或社會(huì)現(xiàn)象都會(huì)面臨摩擦，所以一個(gè)指數(shù)式增長的過程不能無限增長。

在這個(gè)好萊塢的橋段中，在阿拉斯加某個(gè)地方的某個(gè)天才想通了人工智能的秘密，并制造了一個(gè)機(jī)器人，機(jī)器人接管了整個(gè)世界。這簡直太荒謬了。

特魯多：這不是我過分擔(dān)心的事情。我想我們都看過或讀過足夠多描述人工智能理論上是多么危險(xiǎn)的科幻小說。我認(rèn)為，人們總會(huì)感覺科技既能被用來做好事，也能被用來做壞事。我確信，加拿大在參與試著讓我們走上正確的道路。我不想放慢我們的研究和我們對宇宙具體細(xì)節(jié)的研究。

問題是：我們想要一個(gè)什么樣的世界？我們想要一個(gè)成功的人要躲在封閉的社區(qū)里，而其他人都心存嫉妒的世界嗎？或者你想要一個(gè)人人都有可能為創(chuàng)新做出貢獻(xiàn)的世界？

辛頓：我認(rèn)為，所有這些東西對社會(huì)的影響很大程度上取決于我們所處的政治體制。從本質(zhì)上講，提高商品的生產(chǎn)效率應(yīng)該提高整體的效益。唯一糟糕的是，你的社會(huì)將生產(chǎn)力提高帶來的所有好處都提供給1%的人。我居住在加拿大的原因之一是它的稅收制度;如果你賺了很多錢，該國會(huì)對你征收很多的稅。我覺得這樣很好。

我的主要觀點(diǎn)是，預(yù)測未來非常困難。一旦你開始預(yù)測20年后會(huì)發(fā)生什么，你幾乎不可避免地會(huì)預(yù)測錯(cuò)誤。但有些事情是我們可以預(yù)測的，比如人工智能這項(xiàng)技術(shù)將改變一切。

來源：網(wǎng)易科技