专访Michael Jordan：AI的分布式决策与不确定性(4)

想要让电脑对真实世界进行高级抽象然后得出结论是非常、非常艰巨的任务。我并不认为我们能够在可见的未来里实现这一点。然而我并不认为计算能力是当前技术发展的瓶颈。事实上如今我们每个人手上的算力都非常可观：甚至当下的大部分生产侧的应用程序都能够运行在你的笔记本电脑上。即使一个商业模式依赖对大量数据的快速处理，大部分也能够通过云实现，只有自动驾驶等非常少部分的应用需要大量终端计算力。 [好文分享：www.11jj.com]

另一方面，对于学界来说，我也并不十分担心。学界的风向变化是非常快的，大家对新话题总是迅速燃起兴趣，又轻易感到厌倦。深度学习的一个好处是吸引了非常多学生进入计算机科学领域，这是好事：当他们进入这个领域，他们不会停步于这一个小范畴，而是会在更广泛的问题空间里进行探索。 [原创文章：www.11jj.com]

机器之心：您所关注的 II 问题有许多与经济学问题相似的设定，这类问题和现有机器学习算法有哪些差异？

Michael Jordan：现有的机器学习通常假设有一个玩家。而和经济学相关的算法，例如许多和拍卖、竞价的算法中都有许多个参与者。参与者会掌握部分其他参与者的信息，并且会进行策略性的思考，进行多回合的假设最终确定如何采取行动。

但是这两类算法之间并不会有本质的差异，因为人类世界的基本算法是简单且相通的，梯度下降的概念、矩阵算法的概念、概率模型的概念，都被应用于解决各领域问题。例如鞍点问题，也在经济学领域中存在：经济学家总是试图找到均衡（equilibrium），即市场中具有竞争关系的双方都无法获得更优的..。但是因为双方处于竞争关系，在均衡点二者的优化方向是不同的，换言之，这不是一个「规避鞍点」，而是一个「寻找鞍点」的故事。有专门的一类研究，就聚焦在「以寻找鞍点为目标的梯度下降」。

现在二者看似有很大的差异，是因为现在的机器学习算法，例如计算机视觉算法，还只是单纯的模式识别。而真正的计算机视觉算法应该是一个尝试学习其所处环境的实体。它能够移动、寻找资源以实现自己的目的。我们的视觉算法正在朝向这个方向发展，在过程中越来越接近经济相关的算法。

机器之心：机器学习在今后的发展路径上有哪些需要研究者和应用者特别注意的地方？

Michael Jordan：不确定性。机器学习本质上就是统计学与计算机科学概念的结合，而今值得担忧的是，在结合的过程中，有一些因素未被考虑到或是说未得到足够的重视，比如不确定性。