我看见的世界(77)_李飞飞

七七

　　我全心全意地相信人工智能技术的价值，它具有揭示智能奥秘的潜力，也可以带来我和阿尼在医院工作时目睹的种种实际的益处。但是，哪怕是片刻的过度自信，付出的代价也会急剧上升。更糟糕的是，这个代价将由其他人承担，很可能是最脆弱的人群。人工智能已经走出了实验室，基本脱离了我们的控制。虽然新思想、新面孔和新机构的旋风令人振奋，但也带来许多新的担忧。对我们这样经费极其紧张的研究人员来说，对人工智能领域进行商业投资的承诺似乎是天赐之物；但商业资金以巨大的力量冲刷着一切，好像一场豪赌，让人感到的不是幸运，而是不祥和担忧。

　　词不达意的问题依然存在。使用“现象”一词太过被动，“破坏”显得粗鲁，“革命”过于自我陶醉。现代人工智能面纱揭开，我们看到的是一个纷繁复杂的迷局。令人不安的危险感日益增长，但这种危险感是科学家天生能够识别和理解的。我产生了新的好奇心，虽然令人不适，却具有强大的吸引力。我只需要一种近距离观察危险的方式。

　　※

　　“到目前为止，结果令人鼓舞。在我们的测试中，由‘神经架构搜索’设计的分类器经过ImageNet训练后，性能超过了人类设计的同类分类器；所有工作都是靠计算机自己完成的。”

　　那是2018年，在加州山景城的谷歌总部中心Googleplex，我坐在谷歌大脑（Google Brain）的长会议桌一端。谷歌大脑是谷歌最著名的人工智能研究机构之一。此次会议的主题是“神经架构搜索”（Neural Architecture Search，NAS），这是一种可以自动搜索神经网络的优化架构。神经架构搜索的发展成果特别令人激动，几个月来在谷歌内部持续引发热议。

　　此类模型的行为方式是由一系列参数决定的，这些参数在速度与准确性、内存与效率以及其他关注点之间进行权衡。对一两个参数进行微调非常容易，但要实现所有参数之间的平衡，往往是一项考验人类能力的任务，即使是专家也很难把每个参数都调整到最佳状态。如果能实现自动化调节，将会带来极大的便利，显然是值得追求的目标。自动化还能降低人工智能的使用难度，让越来越多的非技术用户在没有专家指导的情况下，使用人工智能构建自己的模型。此外，用机器学习模型来设计机器学习模型，并且能够迅速超越人类的能力，的确非常富有诗意。

　　但所有功能都是有代价的。单个模型的训练成本依然很高，只有资金最雄厚的实验室和公司才负担得起，而神经网络架构搜索则需要训练数千个模型。这项创新很了不起，但从算力的角度来看，造价也极其昂贵。成本问题是会议讨论的重点之一。

　　一位研究人员问道：“这是在什么样的硬件上运行的？”

　　“在整个过程中的任何时刻，我们都在同时测试100种不同的配置，每种配置训练8个特性略有不同的模型，所以共有800个模型在同时训练，每个模型都分配了独立的GPU。”

　　“这么说，我们大约要……”

　　“800个GPU，没错。”

　　800个GPU ！2012年，AlexNet只需要两个GPU就能改变世界，现在的需求却飞速增加，其速度之快令人目眩，以后更会有增无减。根据我自己实验室的预算，英伟达最强大的GPU成本约为1000美元（这也解释了为什么我们自己只有十几个GPU）。此外，还需要把这么多高性能处理器连接到一起，确保所有芯片昼夜不停地模拟运算，同时设备可以维持在可接受的温度范围内，这些都需要花费时间和人力。此外还要选择合适的地点。网络硬件占据大量的物理空间，耗电量巨大，因此不可能在普通车库或卧室中搭建。即使是像我们这样的大学实验室，也很难建造出如此庞大的网络。我靠在椅背上，环视了一下房间，想知道是否还有其他人和我一样对此感到沮丧。

　　＊

　　2016年，我即将迎来21个月的学术休假，暂时离开教授职位。我的收件箱被来自英伟达、优步和谷歌等公司的邀请信息淹没了。我保持着一种久经磨炼的本能，对这些信息一概不予理睬，却越来越多地发现自己停下来片刻，关注这些信息。我叹了口气，跟以前相比，现在去科技公司工作也许会更有意义，哪怕只是一点点。

　　我不得不承认，进入私营企业工作的想法不再像从前那样陌生。身边已经有数不清的同事实现了转型，就连我的学生也纷纷放下学业，到世界各地的科技公司进行高薪实习，有的更是一去不复返。如今，一切变化如此之快，我不得不怀疑，我对加入企业的厌恶是不是已经过时了？我想看看斯坦福大学和科学期刊之外的现代人工智能是什么样子。也许，眼下正是好机会，至少可以让我暂时体验一番。

　　经过再三考虑，我最终决定接受谷歌云的人工智能首席科学家一职。虽然此时的谷歌是一家有近20年历史的大公司，但云计算部门才成立一年左右，我觉得这是帮助谷歌从头开始打造人工智能的好机会。我还碰巧认识公司新任命的谷歌云首席执行官黛安娜·格林（Diane Greene）。她曾是虚拟化巨头VMware的联合创始人，是为数不多征服硅谷的女性，我期待着在性别比例极不平衡的行业里与她并肩工作。

　　这不像我本科时得到的那份看似光鲜亮丽的华尔街工作，也不像我在加州理工学院得到的麦肯锡快车道职位（当时我还因为要不要接受这个职位纠结了很久）。我一度把企业的工作当成是具有嘲讽意味的贿赂，目的是让我放弃实验室，但现在，我无法再继续假装它是一种贿赂。这是一份邀请，让我可以运营规模更大的实验室。其能力远超我的想象，我可以使用任何规模的高性能算力，由博士组成的研究团队比我在斯坦福大学能召集到的任何团队都要大几个数量级。最吸引我的是，我可以获得我以前做梦都无法想象的海量数据。当然，我的工作会受到公司产品路线图的驱动，至少是间接驱动，但这些产品始终是基础研究的下游，正是基础研究让它们成为可能。

　　最重要的是，谷歌云意味着我看到的不是一个，而是成千上万个人工智能的应用案例。随着云服务在人们能想象的几乎任何行业找到立足点，谷歌和其他云服务提供商也成了各行各业的固定伙伴。我有机会看到人工智能在制造业、农业、保险业、运输和物流业、零售业、金融服务业甚至政府部门的应用情况，以及为其提供支持的数据。其规模之大、种类之多，是任何一所大学都无法同时提供的。

　　我并不打算完全离开斯坦福大学，即使在学术休假期间也是如此，所以我花了一些时间来敲定细节。我会继续每周在校园里待一天，这样我就可以与实验室保持联系，并跟学生们见面。显然，后勤工作将是个挑战，但我已经做出决定。

　　＊

虚阁网(Xuges.com)