作者简介：现任美国斯坦福大学人工智能实验室和视觉实验室主任，斯坦福大学终身教授、谷歌云首席科学家，主要研究方向为机器学习、计算机视觉、认知计算神经学。2011年3月，荣获斯隆研究奖计算机科学奖。2015年12月，入选2015年“全球百大思想者”。

我曾说我在北京最冷的冬天感受到了人工智能的狂热，时隔一年，我认为这份热情有增无减。但也有人开始担心，人工智能的发展是否会枯竭？无可非议，任何一个学科的发展都需要源源不断的动力，而动力的源头、基础就是支持所有科学发展最本质的源泉。

无论是动物智能，还是机器智能，视觉系统就是它们非常重要的基石、源泉。在过去的几亿年中，不同生物的视觉系统不断发展，至今已成为人类大脑中最复杂的系统。因此，在计算机识别领域，视觉系统同样是重要研究。

而关于视觉系统的重要性，举例来说一个人出现1/10秒的时间，人们就能够通过他站的姿势、穿的衣服来很快识别出这个人具体的信息。亦或者，一个小孩通过游戏、通过画画以及各种工具来建立对世界的认知，这是认知视觉系统，能够促进她的理解、交流、协作、互动等等。所以我们强调，视觉系统是非常关键的，是它让我们开始探索世界。

后来，我们从中受到启发，开始解决最为基本的图像识别问题。到现在，计算机领域和专家发明了无数技术，取得了非常大的进展和进步。我们已经能够看到计算机识别系统的错误率已经降低了10倍。

同时，GPU技术以及深度识别技术的发展对于视觉研究起着重要的作用。通过量化研究，我们将有更丰富的方法来了解世界。具体来说，视觉识别技术是通过后台分析众多标签，再通过不同标签、不同属性、不同关系来描述物体，最终通过数据库和信息集来进行更精确的研究。这些基于视觉系统而衍生出的科技带给人工智能更快地发展。

不过为了人工智能能够长足的发展，仅仅有这些技术是不够的。通常我们会使用上千个标签来、句子、问答信息等来构成一个数据库，以完成更精确的研究，而不仅仅是完成物体识别本身。但绝大多数搜索引擎使用的算法对于我们想要的图像搜索功能来说，都是不达标的。

因此，我们又开始探索一种新的呈现方法。通过在大型数据库中输入非常长的描述性段落，然后和图像进行对比，这样能够达到更好的搜索效果。但是，找到大量场景图像是非常复杂的，如果手动构建的话，更是繁杂。这样的情况之下，我们研发出了一个自动生成场景技术，相比现有的激活技术更加高效。

另外，LSTM概念的出现，让语言之间的关系被建立了起来。如果给电脑一个图像，它将不仅能够描述简单的语句，如男孩、工人，而是能够描述出穿着黑色T恤的男孩正在弹吉他、穿着橙色工作服的工人站在路边工作。这样的工作，就是我们所追求的深度捕获。

技术发展的速度是非常可观的，但遭受非议也是难以避免的。无论是几百年前触犯宗教伦理敏感性的地心学和日心学，还是现在同样被认为触犯伦理的视觉系统，这都是人类探索过程中不得不经历的。除了不断扩展科学的边界，人类也在不断挑战伦理、法制、道德的规则。

脑科学、认知学本来就是通过人类启发而形成的，人工智能和人的关系更是交互、互相帮助的关系，而不是人工智能把人给替代掉。就像仅经过3天训练就以100:0完胜AlphaGo的AlphaGo Zero，它让人们开始担心人工智能可能会渐渐脱离人的管制。但我认为这是不存在的，严格来说，围棋是一个人造的封闭世界，人工智能有完全的可观测条件去迭代，不至于上升到使社会失控这一伦理问题上去。

所以我希望，当涉及到社会，人伦等方面问题时，所有关注、从事人工智能的学者，以及关注人类社会发展的专家一定要更走近一些，多一些交流和讨论，一起来探索这样所谓敏感边界或者是未知的事情。（本文根据公开演讲整理而来）