人物观点：

　　我们可能真的需要在通用人工智能这样未知的领域里面实现突破，我只是不知道那会是什么样子，因为我猜测我们不会事先不知道。但我认为我们正朝着特定的方向前进，并认为这能让我们获取更佳的智慧。无人监督的学习是我们需要攻克的最重要的问题之一。

　　关于如何应对人工智能所取得的进步及其对就业市场的影响，都是非常重要的政策性问题。我的观点是，我不认为它会自行解决问题，政府、企业和专家在解读未来会发生什么变化、以及如何应对这些变化方面必须担当重要的角色。因为即使在5年内人工智能研究没能取得突破，无论如何，我们仍然会看到巨大的市场颠覆。

　　本期的嘉宾是Soumith Chintala，他是Facebook人工智能研究工程师，拥有纽约大学科学和计算机科学硕士学位。

　　谈个人经历：如何一步步进入人工智能领域

　　【问】您是如何一步步取得今天的成就的?之前我一直浏览您的LinkedIn，觉得您的经历非常吸引人。

　　【Soumith Chintala】能进入人工智能领域纯属巧合。我本梦想成为一名艺术家，也就是那种偏向于数字方向的艺术家，于是我去了一家视效工作室实习。暑假过后，我意识到自己在那个方面并没有天赋，于是我选择了更接近自己核心实力所在的方向，即编程。

　　我着手在计算机视觉领域工作，日积月累，后来我来到了卡内基梅隆大学从事机器人研究。但这是2009年的事了，而且深度学习并不怎么火热，人工智能也不是热门话题。我所做的事情就是教机器人踢足球、做面部识别等等。

　　然后我在很多地方申请了硕士课程。我进入纽约大学学习，而且实际上我并不知道神经网络到底是什么。2010年时还是比较容易见到Yann LeCun的，所以我去见了他并问他，作为一名研究生，我可以为你做何种计算机视觉效果工作呢?他问我是否了解神经网络是什么，我说不知道。

　　坐在我面前的是一位领域精英，而我只会说，“我不知道，向我解释神经网络。”但他很善良，并指引我走向正确的方向。在纽约大学读硕士研究生的那几年，我继续所从事的工作。同时还是一名初级研究科学家。我又花了几乎一年的时间在那里做研究科学家，同时还着手我自己的创业公司事项。

　　我曾是一家音乐与机器学习创业公司的一员，公司致力于教授机器理解并播放音乐。后来，这家创业公司向南部发展，而我就开始寻找一些新鲜事物了。与此同时，我开始维护这个名为“Torch”的工具，这在当时是整个深度学习行业的标准。同时，Yann问我是否愿意加入Facebook，因为他们的工作中大量使用了“Torch”，而他们想邀请一些从事过相关工作的专家加入团队。

　　这就是我来到Facebook的经过，从前我在Facebook做了很多事情，比如研究对抗式网络、工程、构建科学计算包PyTorch等等。

　　神经网络与大脑运作方式有什么不同，人类能否建立AGI

　　【问】关于神经网络，你认为它们与大脑的运作方式有何相似之处，以及它们在哪些方面是完全不同的呢?

　　【Soumith Chintala】我不得不说，它们处于完全不同的发展阶段。我们认为，从非常高的高度以及类似的模糊术语来看，它们是相似的，比如，“哦，他们从事等级学习，如人类的思考方式一般。”最多也就这些相似之处。我们判断且假设，以某种非常高水平的方式，人工神经网络就像人类大脑一样不断学习，但仅此而已。

　　【问】那么欧洲所做出的努力，有目的性地建立了一个基于人类大脑的“通用人工智能(AGI)”，即人类大脑计划(通用人工智能)，你认为这些做法是否有价值呢?

　　【Soumith Chintala】我认为所有的科学方法、科学探索都是值得的，因为除非我们知道这是徒劳的，而且这些努力也非常合理，对吧?这并非指随意找几个人试图把一些烂想法拼凑在一起，这项努力是非常受人尊重的，项目也有很多专家参与。

　　我个人并不一定会接受这个方向，因为对于这些问题的解决有很多方法。一种方法是在非常基础的层面就对大脑实施逆向工程，然后按照其原来的样子将其重新组合在一起。这就像研究汽车引擎那样……虽然不知道它如何工作，但通过对它进行x光扫描，并努力把它重新组合，从而使它能够正常工作。

　　我不确定那是否会像复杂的大脑系统一样进行工作。所以，就所使用的方法而言，我不确定我是否会用同样的方法。但我认为探索不同的方向总是有益的。

　　一些人推测，单个神经元就像一台超级计算机一样运作复杂，这要么意味着我们无法达成“通用人工智能(AGI)”，要么我们肯定无法通过构建类似人脑的东西来对其进行获取。

　　【问】让我们谈谈视觉。如果我向一个人展示某物体的样本，比如一个乌鸦雕像，然后再拿出一百张照片，其中有些部分是模糊的，侧面模糊、照片昏暗或半身潜在水下、灯光怪异——这个人可以迅速把目标挑选出来。但你却不能以这种方式训练计算机。他们需要诸多的符号，诸多的例子来作为数据库。你明白这是怎么回事吗?我们还没有教会计算机哪些人类行为呢?

　　【Soumith Chintala】我认为这只是因为我们每天都在处理复杂多样的任务。如果我们能有一个机器学习模型，它也能像人类一样处理多种任务，那么它就能从复杂的图像中挑选出乌鸦。只是当机器接受训练以识别乌鸦的时候，它们是被训练从一个图像数据库中识别出乌鸦，这些图像看起来并不太像它们被给予的那张复杂图像。

　　而且因为他们不能够处理复杂各样的任务，所以他们现在只能做非常具体的事情。从某种意义上讲，他们有些局限于自己所拥有的数据集。我认为，这可以通过增加我们对单个机械模型赋予的任务数量来进行改变，同时随着时间的推移，它们将变得与我们一样聪明。当然，最困难的问题是，我们还没有弄清楚如何让单个模型做多种类的工作。

　　这就是所谓的迁移学习，在这方面人类似乎可以做得很好。

　　【问】当我们构建神经系统时，所采用的这种孤立、特定领域的观点会阻碍我们的进程吗?我们说，“嗯，我们不能教会它所有的东西，所以就从怎么识别乌鸦教起，”然后我们每次都浪费时间、做无用功吗?你是否有一种直觉，即在这种情况下，大范围迁移学习的核心就是隐藏呢?

　　【Soumith Chintala】是啊。这并不是说我们不希望构建能够完成各种任务的模型。而是我们还没搞清楚如何构建。媒体上所宣传的最受欢迎的研究，加以强调的，都是从特定小众任务中获得超能力的研究。

　　但是我们每天都在处理、浏览大量的研究，而这些研究并没有被主流媒体报道。这些研究试图完成一次性学习、更智慧的迁移学习等等。从领域角度来看，我们仍在寻找正确的研究方法。作为人工智能研究人员，我认为，我们并没有将自己局限于做专家系统。这就好像我们还没有弄清楚如何去做更加多样化的系统。

　　【问】大家都知道，神经网络和人类的大脑不太一样。难道可以说，从普遍意义上讲，机器智能与人类智力是不同的吗?或者是否应该了解孩子们是怎么学习的，是否应该探究人们是如何认识自己的行为方式与认知偏见的呢?

　　【Soumith Chintala】我认为做认知科学研究很有价值，比如观察儿童是如何成长的，而我们就经常这样做。期间很多灵感与想法，甚至是有关于机器学习和神经网络，都来自于对人类学习和人类智力等方面的研究。我们现在正在进行这项工作。

　　例如在FAIR(Facebook人工智能研究院)，我们与一些试图了解儿童发展和学习的研究人员合作。我们一直在朝着这个方向努力。例如，孩子们在特定年龄段了解了客体永久性(object permanence)。如果你在孩子面前把东西藏起来，然后让它重新出现，孩子会明白你只是把它放在背后，然后再把它展示出来吗?还是孩子认为那个物体真的消失，然后又出现了?

　　所以，这些情况我们都仔细研究过，并试图理解学习机制。同样，我们也一直在尝试将其应用于对神经网络的研究。神经网络能理解客体永久性吗?神经网络能理解物理原理吗?孩子们通过玩游戏、玩积木、玩各种各样的游戏来增进对周围物理现象的了解。于是，我们想看看神经网络是否也能做到这一点。

　　从人类的学习方式中，我们可以获取诸多灵感。但是，是否应该完全将神经元在人类大脑中工作的方式复制到计算机工作的神经元?这之间还存在着细微的区别;因为人脑神经元、其学习机制以及激活机制都使用非常不同的化学物质、不同的酸和蛋白质种类。

　　而计算机的基本构造模块则截然不同。计算机有晶体管，它们按照二进位制工作等等。从根本上讲，我们不应该为寻找真正的灵感而去寻找，但在一个非常高的层面上上讲，我们当然应该寻找灵感。

　　电脑具备理解能力吗，如何看待“中文屋”实验

　　【问】您多次使用“理解”这个词语，所提出的问题就是“电脑能理解吗?”电脑真的能理解一切吗?这可能是问题所在，即他们实际上并没有一个能够进行理解的经验性自我吗?从某种程度上说，人类即将面对受限局面，因为人类有自我，而且能够理解事物。但电脑所能做的就是感知事物。这个区分是否有意义呢?

　　【Soumith Chintala】我们可以感知事物，而电脑也可以感知事物，就像你用传感器感知一样。你可以使用视觉输入、音频输入，诸如此类的东西。但理解却可以像统计理解一样简单。你经常会看到一些东西，你会把这个频率与某个特定的词或物体联系起来。人类对事物有统计学上的理解，他们会对事物有因果关系的理解。我们有各种不同的理解方法。

　　从这一点上看，机器可以利用神经网络等其他东西……我们对事物进行数据统计或频率分析，而且可以很好地实现。机器学习也涉及其他方面的研究，内容为尝试不同的理解方式。因果联系模型试图分析数据，并观察两组变量之间是否存在因果关系。

　　理解分为不同层次，而理解本身并不是一个可以被分解的神奇词汇。我想我们可以把根据类型和理解方法对其进行分解。机器可以进行某些特定类型的理解，而人类可以进行更多类型的理解，而这些是机器做不到的。

　　【问】你可能对塞尔“中文屋”思想实验并不陌生，有人说，当一台电脑说“我明白”时，这根本就是一个谎言。因为不仅没有什么好理解的，甚至它连一个“我”都不明白。那么，你如何认定计算机能理解事物呢?

　　(中文屋实验备注：哲学家塞尔以这种方式思考“理解”这个词。实验对象是一个根本不会说中文的人，而他就在以一间巨大的房间里，内部摆满了非常特别的书。人们用中文写下问题塞到门下方。他把问题捡起来，并且他拥有被称为之算法的东西。他看着第一个符号，找到书脊上有那个符号的书，他再根据第二个符号找到第三本书，第四本书，第五本书，以此类推。他从第一个汉字找到最后一个汉字，并抄下所找到的答案。仍旧，他还是不懂其中所涉及的中文。他把它放回门缝里。外面讲中国话的人拿起纸条并阅读，那竟然是完美的中文!里面人所给出的是完美的答案。它不仅内容押韵，而且见解深刻、表述精辟。塞尔想要提出的问题是，一台电脑也能做到这些。运行着这些封闭算法的是一个确定性系统，它并不理解你在谈论霍乱、咖啡豆还是什么。而这正是需要理解的东西。)

　　【Soumith Chintala】我认为“中文屋”思想实验是一个有趣的谜题，而且相当发人深思，但我不知道你能因此而得出什么结论。比如，我们从世界各地挖掘出来很多历史手稿，但是根本不懂上面的语言。但是，随着时间的推移，通过特定统计技术或某些关系判定，我们确实对这些词有所了解，这些语言中基本字母代表什么，或者这些单词是什么意思，等等。

　　没有人确切地告诉我们这些词语的含义，也没有人确切地指出这种语言的内涵。我们当然不知道这些语言该如何发音。但我们确实能通过确定某些词与其他词的联系频率以理解它们。我们理解在某种历史性语言中“男人”是什么意思，或者说“女人”这个词是什么意思。

　　有了统计技术，你就能真正理解某个单词的意思，即使你事先并不了解所涉及语言的含义。你可以获取很多信息，而且你可以通过使用统计技术来理解和学习概念。

　　如果你对最近的“机器学习时间”有所了解…就是这个叫做word2vec的东西。这是一个系统。它所做的就是，你每给它一个句子，它就用字典中随机的另一个单词代替句子的中心词，以此作为反面例子。同时，以不替换随机词的原始句子为对照——作为正面的例子。

　　仅以这个简单的技巧为例，你就可以了解单词嵌入;也就是说，你会了解与每个单词相关的数字，这些数字试图赋予单词以统计结构的意义。如果你不明白这些任何单词的意思，或者不明白在什么语境下使用这些词，你可以做类似以下简单的事情(询问)，比如问：“你能告诉我，‘国王’减去‘男人’再加上‘女人’是什么吗?”

　　所以，当提到“国王”时，你会想，“好吧，这是一个男人，一个国家元首。”然后“减去一个人(的形象)”，因此“国王减去人”会为你展示一个中立国家元首的形象，然后你再加上“女人”，期待出现“女王”的形象…而这正是系统所提供的反馈，同时系统并没有真正理解每个词语的意思，对它们的拼写以及它们在什么语境中使用也不了解。

　　所以我认为其中所蕴含的意义远超出我们真正所理解的。也就是说，我认为，即使事先不了解事物是如何运作的，我们对事物也能达到一定程度的理解。同样地，我认为，计算机可以在不了解真实世界的情况下学习和对某些东西进行管关联。

　　其中常见的一个说法是，“虽然如此，但电脑并没有达到人类的高度，所以他们并不能真正形成完整的关联。”这可能是真的。他们虽不能完全理解，但我认为，通过部分信息，他们能够理解特定的概念，并通过他们所必需学习的统计和因果模型来对特定事物进行推断。

　　【问】但是对我来说，这真的很贴切，因为它会说明我们将能走多远，以我们目前的技术和架构，来建造我们认为是智慧的东西。在你的脑海里，电脑会不会感觉到疼痛呢?它有任何感觉吗?

　　【Soumith Chintala】我认为没有。能够感受疼痛是人类与生俱来的能力。如果你将疼痛感应植入电脑，那也可以。这样电脑就不用进化以了解学习疼痛了，也不用像人类一样将疼痛感植入体内。我认为电脑不会实现这一点。

　　但是，了解什么是痛苦与亲身体验痛苦是一回事吗?你可以了解一切，但亲身经历脚趾疼痛与了解什么是疼痛则完全不一样。

　　电脑可能并不知道疼痛到底是什么。它只知道如何将特定情景与疼痛联系起来。但是，电脑可能并不能够涉及人类的某些领域，……但处于现阶段的电脑都配有视觉传感器、音频传感器、扬声器以及触控传感器。接下来，我们谈谈嗅觉传感器。

　　是的，电脑可能会以同样的方式经历人类所经历的每件事;但我认为，在很大程度上，这与我们对智力的需求是毫不相关的。我认为电脑可以拥有其特定的智能，但不一定拥有人类所有的其他能力。我们的目的并不是复制人类，而是试图复制人类所拥有的智慧。

　　目前的人工智能技术还可以维持多久?

　　【问】你是否坚信我们今天所使用的技术、我们看待机器学习的方式、我们所使用的算法以及基本架构会永久不变呢?这还会推动人工智能发展多久?你认为以我们现在所拥有的技术，如果只是提供更多的数据，加快计算机速度，调整算法，我们最终是否能打造出像人类一样的多面手呢?或者，你是否认为，为了达到“通用人工智能(AGI)”之类的东西，即一个可以毫不费力地、在各个领域之间移动的东西，需要某种完全未知、未被发现的技术呢?

　　【Soumith Chintala】我认为你的意思是：我们是否需要在像通用人工智能这样未知的领域里面实现突破?我诚实回答，我们可能真的需要。我只是不知道那会是什么样子，因为我猜测我们不会事先不知道。我认为我们正朝着特定的方向前进，并认为这能让我们获取更佳的智慧。现在，我们正在收集一个容量非常大的数据集，然后我们把它放入一个神经网络模型之中，然后它就会学到一些重要的东西。

　　但我们正在试图减少神经网络进行同样学习所需要的数据量。我们正在努力增加相同神经网络可以学习的任务数量，但我们还不了解如何正确地完成这两件事。这就好像，我们想通过抛出大量的狗狗图片来训练狗类侦查员一般，这种方法似乎并没有想象中那么恰当。

　　我认为，通过使用科学的方法，我们就能够更好地理解我们需要的东西。在这个过程中，我们可能会遇到一些未知的模型，也可能会取得一些突破性的进展。而且我认为，这对于我们实现普遍意义上的人工智能是非常有必要的。我当然不知道时间轴会是什么样子，甚至我都不了解其大概的样子。

　　【问】接下来，我们一起谈谈对抗人工智能吧。我关注过你就这个话题所发表的演讲。你能给我们大致介绍一下这个理论，以及我们在此项领域所处的发展阶段吗?

　　【Soumith Chintala】对抗网络是使用所构建神经网络的非常简单的方法。我们已经意识到，我们训练神经网络最常见的方式之一是：你给予神经网络一些数据，然后给它一个预期输出;如果神经网络的输出与你的预期输出稍微有所偏离，你就可以在这个特定的任务上训练神经网络使它做得更好。随着时间的推移，当你给它更多数据并调整神经网络以得出正确的输出时，神经网络就会变得越来越好。

　　但是，对抗网络生成原理与机器里其他则有所不同，以此它拥有两个神经网络。一个神经网络目标为合成某些数据。它不需要输入，或者说，它需要输入一些随机的噪声，然后它会尝试生成一些数据。另外一个神经网络用来接收数据，不管是真实的数据还是由这个生成器神经网络产生的数据。而第二个神经网络，它的工作是区分真实的数据以及生成的数据。这被称为判别器网络。

　　对于这些神经网络的学习方式，其所涉及的公式只是略有不同;我们称之为无监督数据驱动的学习算法，因为它们并没有真正地连接到手头任务的任何区域。它们只规划在彼此之间进行这个游戏，不管到底正在合成什么数据。简而言之，这就是对抗网络。

　　如今，对抗网络非常流行，因为它们似乎对于是解决无监督学习算法的很有前途的方法。而我们认为，在我们得到更智能的机器之前，无人监督的学习是我们需要攻克的最重要的问题之一。这基本上是主要原因。无监督数据驱动的学习算法很有前途。

　　人工智能对经济、就业市场带来的影响是什么

　　【问】即使没有了“通用人工智能(AGI)”，人们仍然会对人工智能，尤其是自动化对就业市场所造成的影响感到恐惧。人们会有三种观点：有些人认为我们会进入一种永久性的大萧条，那时会有相当一部分人无法增加经济价值。然后另一组人认为，“实际上，我们所有人都会遇到这种情况。”任何人类能做的事，我们都能造出一台机器来做。”还有人会说，“不，我们已经取得了颠覆性的技术进步，比如电力、机器和蒸汽动力，而且永远不会造成失业。”这些新机器被人类利用以提高生产率，进而提高工资水平。”这三个观点，你支持哪一种?或者说，你还有不一样的观点?对此你有何看法?

　　【Soumith Chintala】关于如何看待人工智能，我认为这是一个非常重要的的政策性、社会性问题。是的，我们过去曾有过技术中断并顺利适应了它们，但它们的出现并不仅仅是因为市场力量，对吧?当时采取了相应的政策对策、激励措施以及短期刺激手段以应对经济萧条。在这些变化莫测的时代，总有特定的降落伞为人们保驾护航。

　　因此，关于如何应对人工智能所取得的进步及其对就业市场的影响，都是非常重要的政策性问题。我的观点是，我不认为它会自行解决问题，政府、企业和专家在解读未来会发生什么变化、以及如何应对这些变化方面必须担当重要的角色。

　　像联合国这样的组织可以助力实现这一角色的转变，同时，涌现出很多非营利性公司和组织，他们同样拥有使人工智能变得更加美好的使命，而且他们还在进行政策性的研究。我认为这必将发挥越来越大的作用，而且我们正在向人工智能成为常态的技术世界过渡，对此必须认真对待。

　　自动化或人工智能将对就业市场造成极大的破坏。但是即使目前为止，我们在人工智能领域还未取得更多突破。

　　【问】这具体是什么意思呢?能为我们举个例子吗?

　　【Soumith Chintala】其中最明显的就是交通运输，对吧?我们基本上解决了制造自动驾驶汽车所面临的挑战。假设在未来5年到10年内人工智能还未能取得突破的情况下。而并不是说五年内市场自身会发生变化。我所特别强调的是，即使在5年内人工智能研究没能取得突破，无论如何，我们仍然会看到巨大的市场颠覆。即使人工智能没能取得突破来颠覆特定市场，这都会发生。

　　【问】但是你没能从过去得到一些启示吗?比如说当你看到用机械力量取代动物力量的时候，如果你想到所有的技术，当时一个制造汽车、马车或其他任何东西的工匠，而随着这项新技术的出现，它可用十分之一的价格以及十倍的质量水平完成任务。这才是令人难以置信的颠覆。然而，在上述例子中，我们的失业率并没有上升。但人工智能与这些不同，对吗?

　　【Soumith Chintala】是的。我认为这与规模大小有关，同时，也因为我们无法完全理解事情将如何变化。是的，我们可以试着把现在发生的事情与过去类似的事情相联系，但我认为事情所涉及的规模和大小是完全不同的。你所说的是过去三十年以来，发生了一些变化。

　　而现在你所说的是在未来十年，有些东西会改变，或者更快发生改变。所以，受影响的事件以及失业人数等等，所有这些都会发生改变。这个问题很难回答，我们必须彻底调查并对政策进行适当的改变。由于规模发生变化，我不知道是否可以依靠市场力量进行自我调节。

　　【问】所以，当大家以我们的现有技术对未来进行衡量并展望未来时，你就会发现，一方面，就业市场将出现极大的混乱;另外，你也会能感受到人工智能在各个领域能够为我们做的事情。对大多数人来说，人工智能因而就是一件好事吗?总体来讲，你对这一技术的未来表示乐观吗?

　　【Soumith Chintala】当然乐观。我认为人工智能为我们提供的便利绝对是人类所需要的。毫无疑问，正面意义是巨大的。人工智能不仅加速了药物发现，加速了医疗保健工作的进行，也加快了人类从一个地方到达另一个地方的速度。如果信守承诺，或者实现预期，其将带来巨大的福利。

　　应对政策变化至关重要。但我对其十分看好，认为其能带来完全物有所值的巨大好处。

　　【问】还有一些人相信，从这项技术获益的人中将产生第一批亿万富翁。他说，如果他能够重新来过，重新出生一次，他会选择学习哲学和人文艺术，因为这些都是机器无法做到的事情。对此，你有何看法?如果你现在正准备进入大学学习，而且正在为学科选择而发愁，希望选择一个从长远角度看能够有所建树的领域，你会选择什么呢?

　　【Soumith Chintala】我不会根据热门来进行选择。我自己在选择职业时以及人们选择自己的职业时，我认为，应该选择自己真正感兴趣的领域。现在，如果他们唯一的目标是找到一份工作，那么他们也许应该按照马克·库班所说的那样进行选择。

　　但我也认为，作为一名技术专家，无论他们是想成为一名科学家，还是单纯技术方面的专家，还是医生……我认为这些事情还是对社会有帮助的。我不知道怎么联系……

　　这个问题对我来说有点奇怪，因为这就像是在问我，“我怎样才能实现事业成功?”而我却从未想过这个问题。我刚想过我喜欢做什么，这才是最有趣的。所以我并没有好答案，因为我从来没有想过这个问题。

　　未来是什么

　　【问】你喜欢科幻小说吗?科幻世界里有什么东西是你认为代表着未来走向的吗?比如电影、书籍或电视节目等。你看着它然后想，“哦，是的，事情可能将会是这样。”

　　【Soumith Chintala】我喜欢阅读科幻小说。不一定有特定的哪本书或哪部电影能够描绘未来的样子。但我认为你可以从不同的电影发掘不同的角度，然后说，“嗯，这有可能发生”，但你不一定非要对它全盘接受。

　　例如，如果你看电影《她》：你有一个操作系统，她通过语音与你对话，她有自己的个性，并随着经历的增加而不断进化等等。这对我来说似乎很合理。你可能会有更加智能的语音助手，通过编程赋予它个性，并随着其经历的增加而不断进化。

　　现在，他们会去创建自己的操作系统吗?我不知道，但这听起来有点奇怪。在流行文化中，有很多看起来相当可信的类似例子。

　　【问】你是否了解OpenAI计划，对此你有何看法?

　　【Soumith Chintala】OpenAI似乎是一个很好的研究实验室平台，其从事基础的人工智能研究，并努力在本领域内取得进步。他们似乎有特定的使命，即成为非营利组织，无论他们做什么研究，都想尽量不与某家公司发生联系。我认为他们做的很好。

　　【问】对此的担忧是，如果我们建立了通用人工智能，且能够对其进行数字拷贝，它的价值是无限的。如果你仔细想想，从本质上说，所有的价值都是由人类的思想和创造力创造出来的，如果你不小心抓住了魔瓶中的恶魔，你就既可以有所成就也可能造成无法挽回的严重后果。这将类似于曼哈顿计划，它虽然是开源的，但核弹的最后一步还是掌握在个别人手中。我认为这即是一些人所表达的担忧。你怎么看?

　　【Soumith Chintala】我认为人工智能是无法独立开发的。我们必须以合作的方式在人工智能领域取得进展。我认为这种情况不会发生，也就是说不会有一群人秘密尝试开发人工智能，或者突然有一天，他们突然研制出了永恒强大、颠覆人类的通用人工智能。

　　我认为那种幻想将不会发生，而只会在你在小说和电影中经常出现。我认为它将以这种方式发生：研究人员将逐步推进研究，在某一时刻……这将是个循序渐进的过程。人工智能将变得越来越智能。并不是所谓的施用某些魔法，从而让其变得聪明得毫无人情味。我不认为这会发生。