在人人都能对无人驾驶、语音识别、AI医疗等评头论足的今天，又有多少普通人真正了解“人工智能”是如何从不被看好到今天的火爆的？还有，我们要了解什么学科才能更好地理解AI？人工智能到底是会把人类带入乌托邦还是世界末日？人类会成为人工智能的奴隶吗？

这些高屋建瓴，又尤其需要理性思考的问题，当然需要人工智能领域先驱者提供视角与答案。

特伦斯·谢诺夫斯基 出版社供图

特伦斯·谢诺夫斯基（Terrence Sejnowski）在人工智能领域的地位举足轻重，作为神经网络和计算神经科学的先驱，他对这些议题拥有绝对的话语权。此次来到中国，仅仅两天的行程，就有十多家媒体蜂拥而至。国内的神经科学家、脑科学家、计算机科学家、心理学家、当然还有所有对AI感兴趣的各行各业人士都希望能和他聊上一聊。

他夺目的光环包括：世界十大人工智能科学家之一，美国仅 3 位在世的四院院士之一，他还同时兼任NIPS（全球人工智能顶级会议）主席，奥巴马政府“大脑”计划顾问委员会委员等等。

早在1986 年，他就与上周获得“图灵奖”的杰弗里·辛顿（Geoffrey Hinton）共同发明了玻尔兹曼机，开启了神经网络的快速发展。正是基于此项贡献，深度学习从边缘课题变成了人工智能仰赖的核心技术。也就是说，他和好友杰弗里·辛顿直接推动了人工智能的井喷式发展。

特伦斯除了是一名杰出的科学家和研究者，还是一名十分擅长传授知识和理念的教授，他本人一直于在线学习平台 Coursera开设一门名为《学会如何学习》的免费课程，通过系统讲解大脑认知的底层知识，让学习者可以改变思维模式，提高学习的能力和效率。截至目前，已吸引了超过 300 万听众，被认为是全球最受欢迎的互联网课程之一。

作为最了解人工智能历史、趋势，最早开启人工智能浪潮的人，一个长期致力于科普的教授与作家，七十四岁的特伦斯前不久前刚出版了这本《深度学习：智能时代的核心驱动力量》。用他自己的话说，“现在市面上有百余本关于人工智能的书。但他们都太情绪化了，要么鼓吹人工智能的优势将会帮助全人类，以后我们将生活在乌托邦，要么走向另一个极端——人工智能将带来世界末日。但我们要知道，现实是介于两者之间的。我想做的就是提供一个对未来可能性更实际的评估。此外，AI领域发展得如此之快，以至于人们甚至都不知道它的发展方向。所以，未来到底在哪里呢?”

这也是一本关于深度学习的科普读物，为圈外人了解深度学习在过去60年间的发展脉络与人工智能的螺旋上升，了解AI的过去、现在和未来提供了绝佳的材料。

3月31日上午，澎湃新闻就本书的内容，对深度学习以及算法的相关问题，对人工智能的伦理问题等对特伦斯·谢诺夫斯基专门进行了一次采访。特伦斯罕见地强调了他在科研领域从无名之辈到“中头彩”的传奇经历，他希望中国读者喜欢他讲述的这个不迷信权威的故事，他说：“我不信任权威。即使他们拥有所有的权力，也不意味着他们是对的。人要相信自己，你的直觉很重要。即使现在你没有权力，或许有一天你会的。”

“为什么人工智能的突破不是通过写程序，而是通过深度学习？”

澎湃新闻：

你撰写这本书的初衷是什么？你希望中国读者可以从这本书里学到什么？

特伦斯：

这本书其实是记叙性的，我讲了一个故事，提供了很多背景资料。很多读报纸的人会误以为所有的关于AI和深度学习的发展都是一夜之间发生的。这是因为在过去的三十年里，学术研究一直只在幕后进行，没人听说过，然后它却突然间上了报纸。所以我认为，需要有人出来向公众解释它是从哪里来的，以及科学是如何运作的。我认为一定要有人来讲这个故事。

现在市面上有很多关于人工智能的书。我想大概有一百本这样针对大众的书，但这些书都只是为了制造噱头，要么是鼓吹着人工智能的优势将会帮助全人类，以后我们将生活在乌托邦。要么走向另一个极端——人工智能将带来世界末日。人类将被统治，成为人工智能的奴隶。但你要知道，现实是介于两者之间的。我想做的就是提供一个对未来可能性更实际的评估。还有另外一件事需要注意，就是这个领域发展得如此之快，以至于人们甚至都不知道它的发展方向。所以，未来到底在哪里呢?

我的书可以分为三个部分。第一部分是谈论过去，即我们从哪里来？第二部分是具体的算法，试着解释算法的原理。我尽我最大的努力去解释算法到底是什么（笑），以及我们在发展的过程中遇到了什么困难，又是如何克服的。

最后一部分是展望未来，我试图解释神经科学和人工智能之间的关系。

这本书要传达的信息就是，人工智能和大脑之间有一种趋同，它们实际上正在走向一起。人工智能越来越像人的大脑，并且受到脑科学的启发。当人工智能得到发展后，脑科学也可以受益。因为我们在机器学习中开发的这些工具和技术将可以用来解释大脑。所以，这两个领域之间有着很好的互动。

澎湃新闻：

希望中国读者读到的核心故事是什么，可以带回去什么启示？

特伦斯：

我希望中国读者能够从书中学到的是失败者的故事。我们是在1980年代开始这些研究的。那个时候学界被斯坦福，麻省理工和卡内基梅隆这样的大学所统治。他们从政府那里得到所有的经费和工作。他们有权威，也是专家。这些人得到了最好的工作，控制着他们的学生。他们还得到了所有的关注。简言之，他们是掌权的人，是权威人士。而这时候我们是谁呢？我们很年轻，是无名之辈。当时我和杰弗瑞（Geoffrey Hinton）在一个会议上遇见了，我们都觉得这些权威人士的方法是错误的。之所以错是因为不切实际，或者说，他们的方法实际上没有取得任何进展。

他们的确解决了一些问题，比如做些小玩具演示。但是他们没有解决任何高难度问题，比如视觉。视觉对人类来说很简单。你睁开眼睛，一抬头，就看到了东西，一个物体、一只手，又或者是文字。这件事就是发生了，人类把这视作理所当然，因为这一切都是在无意识中发生的。正因此，你不知道为什么你可以看见东西。尽管没人知道这是怎么一回事，但当时研究人工智能的人却觉得视觉是个简单的问题。因为相比之下，他们可以写一个可以玩游戏，并且解决理论和数学问题的程序。他们认为这是最难的，他们觉得数学比视觉复杂得多。但他们完全错了。

这本书讲述了我当时作为无名之辈的故事。在当时，我作为年轻的研究人员没有地位，也是刚开始工作。所有的权威人士都沿着一条路走。可我们认为他们错了。但我们是谁呢？我们只是有自己的想法而已，我们不能改变这个世界的运作方式。在那里我们根本没有任何权力。而我们拥有的，就是干劲、年轻的热情和对自己的信念。

我们相信我们有不同的方法来解决智能的问题。我们从解决大脑问题的方式中得到启发，因为这是唯一能证明你能解决问题的依据。我们意识到的旧方法的错误之处就在于，计算机和大脑的结构是不同的。大脑是大规模并行的结构。计算机只有一个处理器和内存，且它们互相联系。但这就是瓶颈所在：你得不到足够的信息。但大脑是在处理大量的信息，且必须同时进行。

举个例子，如果传统的计算机要扫描一幅图像，它一次只能扫描一个像素点，但你的视网膜有一百万个感光细胞同时工作，所以效率更高。一边是很多种不同类型的计算机，一边是大脑。人工智能的研究人员一直盯着计算机想要解决智能的问题。但大脑就在这里等着你研究，为什么他们要看那边呢？

有一句谚语是这么说的，如果你丢了钥匙，不要因为哪里有光就去哪里找。有光的地方并不意味着钥匙在那里，对吧？你看到有人在灯柱下搜索。但是丢钥匙的人是我，他们在那寻找并不意味着你能找到自己的钥匙。事实上，你把钥匙丢在这条巷子里了。因此，如果你不往小巷里找，你就找不到你的钥匙。这就是我想说的，人必须看到别的地方。

澎湃新闻：

你觉得我们今天已经完全了解视觉是如何运作了的吗？

特伦斯

：我认为我们还没有。我们永远无法知道一切，这个目标太高了。但实际上，我们运用深度学习和神经元的知识，了解了很多猴子视觉皮层神经元的知识。这两个方面的知识正在汇聚。我想很快我们会有一个视觉理论，一个关于视觉背后的机理的数学解释。

澎湃新闻：

那些当时垄断人工智能领域的人，他们是计算机科学家吗？

特伦斯：

对，他们大部分是工程师。计算机科学也在发展，这门学科是和计算机一起诞生的。计算机直到五六十年代才开始出现。所以人工智能诞生的时间和计算机差不多。计算机科学在诞生后的几十年里并没有真正形成一门学科。

回到那个为什么当时的权威人士错了的问题，这涉及到我们的直觉到底从何而来?

我们的直觉来自于这样一个事实：唯一存在的能证明你能解决这些问题的证据，比如视觉问题，就是大自然已经解决了这个问题。因为除此之外就没有人了，没有程序可以做到这一点。他们想写一个关于视觉的程序，但是没人知道怎么做。他们尝试了许多方法，结果都是一场空，就像你说的，是一个非常难的问题。它是如此的困难，以至于人类用了数百万年，甚至几亿年的时间来进化，来完善我们的视力，直到达到今天如此智能的程度。

澎湃新闻：

关于刚才谈到的视觉的机理，是接下来十几年就可以完成的吗？

特伦斯：

我想我们已经差不多完成了，现在已经很接近了。数学家们正在研究这个问题。几周前我参加了美国国家科学院的一个会议，是关于深度学习的。然后一些数学家说，这是一个函数。这就是数学家擅长的研究问题的方法，所以我想他们应该能算出来。他们现在正用非常强大的数学工具和技术来解决这个高维空间的曲面几何问题。如果你有数十亿这样连接强度的数据，比如你的模型中有十亿个这样的参数，那你就是在这些参数间，寻找一个适合现实世界函数的解。而大脑实际上有更多这样的结构，它有大约一百万亿个突触。这是个天文数字。

但是我们认为，通过分析能够对识别物体和图像的深度学习网络的运作原理，我们也可以将这些原理应用到大脑，因为大脑结构和这些网络的相似性。和大脑相比，网络很简单，但我认为它们有相同的功能和原理，或者类似的数学描述，只是大脑要复杂得多。

另一个问题是，研究人工智能的人，他们最开始的目标是研究人类的智力。基本上，他们想要写一个和人脑一样智能的程序。这种“一般性智力”意味着你可以解决各种各样的问题。但人很灵活，可以适应新的环境。这对人类来说是很特别的，也是我们比任何其他物种都做得更好的地方。

澎湃新闻：

而且我们大脑的能耗很低，对吧？我看到过一个数据，如果计算机要达到人脑那样同样的功能，我们需要几百台超级计算机，才能达到同样的功能。

特伦斯：

是的，生物用了数亿年不只是提出问题的解决方案，而且优化了电力成本。所以你大脑的用电量和21个灯泡的用电量差不多。而这个用电量对计算机而言是很小的。可是人脑的计算能力却超过最大的超级计算机。最大的超级计算机可以覆盖我们这个大楼的地板，就像大型中国超级计算机，对吧？它们消耗着成千上百万瓦的电力。所以数字计算机需要消耗的电量比大自然的要多得多。这是惊人的，这就是我们的直觉。

另一方面，这个问题确实反映了我们的处境。我们认为我们已经解决了难题——计算机和现实世界的连接。换句话说，“能够看见”是拥有一般智力的先决条件。在人工智能中，这被称为“接地”（grounding）。

澎湃新闻：

这又是什么意思呢？

特伦斯：

研究人工智能的人和语言学家会说，单词“杯子”（cup），它是一个单词，但它代表了什么意思？它代表了所有可能存在的杯子，包括大杯子和小杯子，不管是纸做的还是玻璃做的，这些都是杯子。这很好，但问题是，如果你想写一个指向“杯子”图像的程序。因为杯子可以有很多不同的形式，上百万种不同的形状和大小，所以一个可以识别所有可能的杯子的程序是写不出来的。

这就是问题所在，“写”程序是不可能的。这就意味着“杯子”的概念是没有根据的。你不可能把这个符号和世界上所有我们称之为杯子的东西联系起来。这就是“接地”（grounding）。但现在我们可以这样做了。我们有一个非常强大的深度学习网络，它可以针对成千上万种不同的杯子进行训练。

澎湃新闻

：你提到过GANS（生成对抗性网络）是十分高效的，它会自己产生一辆新的车的影像。

特伦斯：

这是另一个很好的例子，是另一种网络。这不是我刚才说的那种“输入—输出”的模式，你给我一个图片，它就能识别出是一辆车。GANS的神奇之处在于，你给了它100万张杯子的图片，它就能够创建新的杯子的图像。

我举一个例子。我可以训练一只猴子识别出杯子的图案，实际上你也可以训练一只鸽子做到这件事。换句话说，你通过多次训练鸽子，把这件事变成反射。信息输入，反应输出，这是一个反射，对吧？它是由事件驱动的。这叫做感官运动，感官输入，感官输出。你可以训练人这样做。然而，人们也可以只是坐在那里，就产生想法，他们不需要任何输入。晚上，你躺在床上，天很黑，你开始想事情。你是怎么开始想到这些东西的呢？这是你的大脑内部生成的。它是活跃的，是内在的。比如说，你可能突然想起来你忘记关掉浴室的灯了，所以你起床去洗手间。而这个印象不是来自浴室，而是来自你的脑袋。

深度学习网络比传统编程究竟好在哪？

澎湃新闻：

人工智能是一个跨学科的领域，你是神经学家，这个领域里还有计算机科学家，也有认知科学家，他们是怎么分别对这个领域做出贡献的呢？

特伦斯：

是的，这是一个非常好的问题。事实上，我原来的专业是物理，后来我转到神经科学。杰弗瑞（Geoffrey Hinton）起先学的是心理学，然后才转到人工智能的行业。我想这可能就是为什么我们能拥有和主流不同的观点。那些研究人工智能的人，他们都是从和其他人一样的角度看问题。掌权者编写教科书，他们同时也教书。进入这个领域学习的学生读了他们写的课本，就相信了他们的理论。但是我们是从别的学科进入这个领域的。我没有读过那些课本，我也不必相信那些东西。所以令人惊叹的就是，即使他们有这么大的控制力，现在完全被翻转了。随着时间的推移，我们的算法规模迅速发展。人工智能的关键就是想出一个更好的算法，让你的计算能力越来越强。

而传统的算法是组合性的。当问题变复杂，可能性爆炸式增长，这种算法很难发展。它们只能解决“Toy problems”，而不能解决现实世界中的问题。所以一旦他们想把它应用到现实世界，它就会爆炸，根本无法应用。顺便说一句，80年代时我们并不知道这个规模到底会有多大，因为那时候网络规模很小。计算机运行速度很慢，所以这些程序不会太复杂，只有几百个单位。但是现在计算机的速度比那时快了一百万倍，网络是原来的一百万倍大，我们的算法扩展得非常漂亮。层数越多，包含的单位数就越多。拥有的参数越多，运行效果就越好。大概五年前，我们的算法达到了一个临界点。我们突然能够解决现实世界中有关视觉、语言和翻译的问题。现在，这个结构被应用到成千上万个不同的问题上，比如商业领域的很多问题。只要你有足够的数据，你就可以用它们来训练网络。随着参数增多，需要的数据也变多。

澎湃新闻：

谈到算法，神经网络的算法和传统程序的算法到底有什么不同呢?

特伦斯：

区别就在于“学习”。虽然他们都被称作“算法”，但却是两种解决问题的方法。传统的人工智能研究人员编写代码，尝试触及每一种可能性。比如你想识别杯子，你必须为每一种可能出现的杯子编写一行代码。这是一个庞大的项目，需要写作很长时间。因为编程需要耗费很多人力，所以这非常昂贵。与之相反的算法是“学习算法”，它会说，“不不不，我们不要写代码。只要给我很多例子就行。”所以每次它的数据库增加一个样本，它就会变好，变得越来越擅长解决问题。它会比较新的输入和之前输入之间的相似性。这个过程被称为“泛化”（Generalization）。

所以如果你曾给这个系统输入了一千个样本，这时你再输入一个，即使这个和你之前训练它的不同，这被称为“判例案件”（Test case）。如果它也识别出了这个样本，那就意味着在某种程度上，它理解了“杯子”的概念。就比如你有一千个杯子。现在如果给你展示一个从未见过的新杯子，你就知道这是一个杯子——这就是人类所做的，我们非常善于学习。我们擅长从一些例子中归纳，也能看到它们之间的关系。这是因为我们有一种神奇的吸收新信息的能力，并将其融入到我们过去的经历中。

这两种算法还有一个非常重要的区别，且这一点很重要：即使传统算法成功地写了一个视觉程序，这也不能帮助他们写一个语音识别程序。换句话说，针对每一个问题写出的程序都是单独的。再换句话说，想解决新的问题？你必须从头开始。一个视觉程序不能语音识别，一个语音识别程序不能做视觉。所以如果你有100个问题要解决，基本上你必须要写100个不同的程序。这种劳动密集型是难以置信的。但是，如果你有一个学习算法，你不需要写一个新的程序。你只是在用同样的程序接受不同的数据，你只需要收集数据。所以这是非常高效的方式。

澎湃新闻：

例如自动驾驶汽车对深度学习的应用？

特伦斯：

是，这也是一个很好的例子。大约十年前有个比赛，谁的汽车能够驶过加州北部犹他州边境一百二十英里的路程，就可以获得两百万美元的奖金。那里有很多蜿蜒的道路，有很多你不得不穿过的非常困难的地形，还有岩石和大圆石。获胜的那辆车是由斯坦福大学的Sebastian thrun建造的，当时他和我来自同一个社区——神经信息处理中心，所以他相信“学习”的力量。而卡内基梅隆大学的人，他们设计了一个重型卡车。这辆装满计算机的大卡车非常笨重地前行。塞巴斯蒂安，我的书里有他的照片，他的小车一路畅行。他是怎么做到的呢？虽然他不知道机理是什么，他是这样训练它的车的：他开着车在那个区域到处转，到各种各样不同的道路上。汽车上有传感器，所以能接收很多感官输入信息，或者叫视觉雷达，它能够检测到物体在哪里以及它们有多远。在他开车的时候，他进行一系列的比如转动方向盘、踩刹车等操作。这些他收集的数据都被用来训练这个网络。这虽然不是一个“深度学习网络”，但是属于“机器学习”，是一种“学习算法”。

那辆车后来自己开到了伊拉克。因为它知道之前面对各种岩石的路况时，驾驶员是如何操作的。所以从以前的驾驶经验中，它学会了如何在类似的情况下驾驶汽车。所以这里的学习指的是，如何理解环境的特点，以及面对障碍时人类对环境做出的反应，最终保持在路上行驶。

澎湃新闻：

真的很神奇。

特伦斯：

对我而言，这是一个转折点，因为这表明我们的方法在现实世界中的应用是可行的。他赢了200万美元，而这个领域也中了头彩，意味着这种算法会越来越好。事实也确实如此。十年就这样过去了。2012年，在一次会议上，日本的科学家发表了一篇论文，证明

深度学习网络做得比传统编程要好得多。因为对传统编程而言，针对每一个新对象，他都要编写一个新程序来识别它。

澎湃新闻：

你认为自己很幸运吗？因为你一直坚信这种“学习算法”？

特伦斯：

我说我中了头彩，但是，我同时也冒了险。我在事业上冒了很大的风险，我曾经并不知道结果会怎样。但是我有一个强烈的信念，那就是直觉。我的直觉是基于比计算机更广泛的知识。我有来自物理的知识，我也有生物的知识。所以我想把这些不同领域的知识结合起来。杰弗瑞的过人之处就在于他拥有令人赞叹的知识。

而这里有一个关键，物理学非常擅长建立世界模型。但是物理学没有问的一件事是，这个世界在计算什么？你不会问这个问题对吧？因为世界没有功能，世界存在本身也没有目的。物理学的研究也没有目的。你会问物理学研究的目的是什么吗？重力的作用是什么吗？换句话说，重力不是一个计算过程，只是一组自然遵循的方程。这就像是对世界正在发生的事情的描述。但是我发现我正在研究的这些大脑模型中缺少了什么，因为我以前是一个物理学家。所以我想让我们做一个大脑模型吧，也许这会帮我们理解它。

但即使你有最好的模型，它也不会告诉你运作原理是什么。为什么它会这样运作呢？研究它的原理是一个计算问题。它的目标是什么？它想要做什么？这其实是计算机科学需要解决的问题。计算机科学实际上是一门研究如何通过计算来达到目标的学科，算法会带你找到答案。

而这就是我缺失的部分。你知道，我是个优秀的物理学家，我也学到了很多关于大脑的知识。但是，神经科学或物理学中没有人会问关于“功能”的问题。但在生物学领域，人们会问这个问题。他们谈论行为和生存。很明显功能肯定存在，比如为了生存。然而，当你谈论神经元的功能时，这是一个谜。我的意思是，没有人知道为什么生物体把神经元放在那里，它是怎么在那里的，为什么会有这么多的神经元？我们试图理解一些非常复杂的东西，一个没有人理解的机器。

澎湃新闻：

但你们可以模仿这个结构，然后给它数据，它们就会自己学习。

特伦斯：

是的。所以我想说，我希望中国读者能够从我的书中明白不要相信权威。我不信任权威。即使他们拥有所有的权力，也不意味着他们是对的。人要相信自己，你的直觉很重要。即使现在你没有权力，或许有一天你会的。

澎湃新闻

：我想知道深度学习发展的更高阶段是什么？现在计算机还是需要大量的数据才能识别出杯子，但是我们的大脑只需要一两个样本，就可以认出其他杯子。

特伦斯：

这是个好问题，所以我们的方向在哪里？现在还缺少什么？我们的每个网络都解决了一个问题。比如我们已经有一个视觉网络，一个语音网络，还有一个语言网络。我们还有一个运动系统网络。

我们真正需要做的是想出一种全局的方法，来组织协调所有这些网络。

因为我们的大脑皮层有很多特殊的区域，负责一些特殊的事情，但无论如何它必须是一个操作系统。不同的部分在协作，信息在系统的不同部分之间流动。这就是涉及到“意识”的问题。换句话说，这些特殊的系统之上肯定还存在一个层级。每一个独立的领域有独立的网络。大脑中有无意识的部分吗？你并不会意识到你的视觉，你也没有语言意识。但不知何故，我就是可以看到你，可以听到你，可以触摸到你。当把你放到一个背景中，我就可以我能认出你脸上的表情。这些在我大脑的不同部位发生着，是一个协调的过程。

AI当然会产生意识，也绝对会带来新的伦理问题

澎湃新闻：

你书中谈到AI最后会产生意识，那么它会有情绪吗？

特伦斯：

一定会的。只是现在还没有。其实我们知道大脑中有一部分负责情绪，只是我们还没有把它们放到网络中。但我们将会这么做的，这也是绝对必要的。我的意思是，如果你想要AI能够和你互动，并且拥有相同的社会水平，它也必须有情感。这些都是已知的了，“拥有情绪”只是时间问题。而且这一切已经在发生了，有人正在研究这个问题，意识也是一样，一切都是自发的。

澎湃新闻：

那他们和人类建立的纽带会改变现在社会结构，并带来很多伦理问题吧！

特伦斯：

绝对会，所以我们应该做好准备。我们不应该等到它发生，而是提前做好准备。所有的技术发展皆是如此。无论它们什么时候来到这个世界上，你都可以用它们来做好事，也可以用来做坏事。

澎湃新闻：

但它们可能会成为最强的物种，那时候它们还会和人类协商吗？

特伦斯：

是我们创造了它们，我们才是老板。如果我们让他们失控了，那么这是我们的问题。如果我们让这样的情况发生，我们就是愚蠢的了。

澎湃新闻

：但有时候人类就是会犯蠢啊。

特伦斯：

不是所有人都这样，也不是一直都这样。我有信心，作为一个物种，人类有足够的智慧平稳地避免最坏的结果。自从工业时代以来，我们所拥有的技术有时被用于战争，也会被用于建设文明，还用来建设工厂。技术发展总会遇到问题，你要做的就是控制它。通过制定法律，来控制人们滥用技术获利。这样的困境总是会发生的。但所有的技术都是如此，人工智能也不例外。所以我想说，现在开始担心并且考虑停下还为时过早。我不认为仅仅因为将来路上可能会遇到问题，你就停止前进。比如无人驾驶汽车杀人的问题等，这都是我们可以解决的问题。因为这就是科技发展的规律。

澎湃新闻：

我可以称你为人工智能乐观派吗？

特伦斯：

我是现实主义者。我的现实主义是建立在科技发展历史的基础上的。我想说的是在生物学中，也是一样的道理。我们可以操纵基因，所以我们拥有控制自然的力量。这种力量非常强大，这甚至比人工智能更强大。

澎湃新闻：

你能否简单介绍一下美国、中国和日本的人工智能发展情况？你在书中谈到，觉得中国人工智能的发展是很大可能超过其他国家的。

特伦斯：

我认为这是“苹果”和“桔子”的关系。我的意思就是你其实是在比较两种不同的东西。换句话说，中国和美国的发展完全不同，就像在两条不同的轨道上的火车。在美国，人工智能是一种自下而上的研究。基本上所有的研究都是在公司的资助下进行的，而不是政府。政府花的钱很少。资金全都来自大型互联网公司，比如脸书（Facebook），国际商业机器公司（ IBM）和微软。他们的研究由市场驱动的，这关于怎么用人们想要的方式把产品投入市场。比如苹果手机想要语音识别和人脸识别的功能。人们想要这些功能。

但是在中国，这是自上而下的发展，是一种完全不同的方式。每一种方法都有一定的优势。

澎湃新闻：

可是我们也有许多来自企业的资本投入。

特伦斯：

是的，但是这里的问题不是钱从哪里来，而是目标是什么。谁决定了人工智能的目标？我的意思是，公司可能可以控制资金，但是政府可能说，我就想让你做人脸识别，这是权威的问题。但在美国，每个人都是为了自己，每个人都努力研发出产品在市场中盈利。我的意思是，这两种模式都在以不同的方式进化，我们无法预测它们会在什么时候结束。很有可能是一个非常不同的结局，但现在我们还不知道。

(实习生张宇对本文亦有贡献)