最近，五位哈佛的在读博士生集体来到著名社区reddit，展开一场围绕人工智能和认知科学的AMA（Ask Me Anything）。
简单介绍一下这几位博士生：Rockwell Anyoha来自分子生物学系；Dana Boebinger、Kevin Sitek来自哈佛-麻省理工语音和听力项目；Adam Riesselman、William Yuan来自医学院，他们使用机器学习等展开相关研究。
这次总时长两个小时的在线交流，得到了reddit网友的热情参与，量子位从中节选了一些精彩的问答进行了编译摘录。如下。
提问：我们需要担心人工智能和自动化发展速度过快么？
回答：我们应该为生活在充满AI和自动化的世界做好准备。许多工作在不久的将来会变得过时。既然我们知道这天一定会到来，整个社会就应该制定有效的政策。
伊隆·马斯克的“AI末世论”遭到很多人反对，特别是AI从业者。正如吴恩达所说：“我认为工作岗位流失是一个巨大的问题，但我希望大家可以专注于解决这个问题，而不是关心那些科幻小说一样的东西”。
提问：AI会在哪个领域（医疗、金融等）率先立足，为什么？
回答：AI已经在医学图像处理领域得到了长足的进步。例如，在通过图片识别皮肤癌这件事上，人工智能机器已经达到了人类医生的水平。
金融和银行部门也会更快的实现自动化。通常股票的购买是一个复杂的决策过程，最终这些交易将由各种数据决定，算法正在取代人的决策。
但我们仍然不知道人工智能会如何影响我们的经济和工作，只有时间会说明一切。
提问：机器学习是当前的热门话题。AI的下一个大事件会是什么？
回答：从纯机器学习的角度来说，无监督学习会是下一个大事。研究人员现在给机器“喂”数据的方式被称为监督学习，这些数据不但知道类型（例如图片），而且还打了标签（例如图中是一只猫）。监督学习领域，有很多伟大的成功。
如何让机器自学成才？这就是无监督学习要干的事情。一个婴儿出生后，父母不必教授每一件事情，婴儿会自己学习。当然无监督学习是一个棘手的事情，AI研究者正在为此而努力。比方Yann LeCun最近就一直在讲无监督学习。
提问：你们可能低估了无监督学习，在这个AI问题上已经研究了几十年，但没有任何进展。这不是一个新的研究焦点。
回答：感谢回复。我们这里想说的是无监督学习的具体算法框架。生成模型被用来解决这个问题，因为它可以某种方式探测数据中潜在的变量，而且可以生成新的数据。
以前曾经使用Wake-Sleep算法解决这个问题，但是并没有获得太大的成功。然后是限制玻尔兹曼机以及深度信念网络。但是这些技术在应用到现实世界时，都遇到了极大的挑战。
最近，变分自编码器和生成对抗网络等模型已经取得突破。使用这些模型可以快速、简单的对非结构化数据执行复杂的任务，包括创建人物素描、生成句子以及自动为图片着色等。
没错，人们在这个领域已经努力很久了。而通过上述新技术，我想我们正在接近一个新的领域——让机器自己了解我们的世界。
提问：你们觉得政府应该为AI制定什么具体的法律法规么？
回答：有个阿西莫夫机器人三定律。
第一定律：机器人不得伤害人类个体，或者目睹人类个体将遭受危险而袖手不管。
第二定律：机器人必须服从人给予它的命令，当该命令与第一定律冲突时例外。
第三定律：机器人在不违反第一、第二定律的情况下要尽可能保护自己的生存。
认真的说，应该有一些法律规范人工智能的应用，也许还需要一些机构进行代码评估，已确定人工智能是否会被用于不道德的领域。我脑子里想到那个无人车需要面对的“电车难题”：是否应该为了拯救10个人牺牲掉另外的1个人。
在这方面我们不是专家。
提问：最近Facebook的工程师关掉了机器学习的翻译程序，据说是因为这些AI创造了自己的语言。你们怎么看待这件事？（查看相关报道点击这里）
回答：我觉得这没有什么可怕的。
机器学习中的一个大问题，就是生成与人类相似的反应或者反馈。一个解决之道是让机器生成人类的句子，然后你告诉机器它干得好不好。这个方式非常困难，因为耗时费力。即便是能够自学的算法，也需要上百万的语料才有可能正确工作。另一条道路是让一台机器生成语句，另一台来判断是否符合人类的语言。
Facebook的工作是想制造一台能够谈判协商的机器，但结果显示他们的方式不会奏效，所以关闭了这项研究。
提问：我对AI和机器学习感兴趣已经两年了。希望未来能有机会从事AI安全相关的工作。能给我一些建议么？我应该做什么活着学点什么？多谢！
回答：Google的人写过一篇非常有趣的文章，来说明AI安全问题。他们给出了五个要点：
1、避免有害副作用：机器人如何才能在追求效率的同时避免造成连带损伤？
2、避免激励机制漏洞：如何才能防止机器人投机取巧？
3、弹性监督：如何让机器人能自主验证目标，正确完成任务，而不需要让用户花极高的时间成本与机器人反复核实？
4、安全探索：如何避免机器人在探索陌生环境、学习新技能时对人类造成损害？
5、切换环境后的可靠性：我们如何能保证机器人在切换环境后，能将已经习得的技能无缝迁移到新环境中，避免造成不必要的麻烦？
另外，建议你更多的熟悉算法，知道机器如何工作。
提问：未来想要从事AI，现在最佳路线是什么？我现在就读于社区大学，正在攻读一个计算机科学的学士学位。
回答：坦白讲，我认为想要搞好机器学习，需要有很强的数据背景。机器学习的本质上是统计学，只不过披上了花哨的算法外衣。这个领域迅速演变，就像狂野的西部，所以也有人形容机器学习是：牛仔统计学。但我认为机器学习被夸大了，基本的统计学就能解决很多问题。
我觉得你也应该在其他自己喜欢的领域继续研究。如果你不理解手上数据的意思，你也不可能进行很好的建模。我们这些人都会研究一个具体的问题，在他们感兴趣的领域，应用机器学习的方法。当然，你也可以选择搞纯粹的机器学习研究。
总之，数学和你感兴趣的领域，都很重要。
更多问答内容，可以访问这个网址：
https://www.reddit.com/r/IAmA/comments/6qbw5f/we_are_phd_students_from_harvard_university_here/
△ 参与答问的William Yuan
最后，他们还给出一些建议：
编程入门可以借助这个网站CodeAcademy
地址：https://www.codecademy.com/
进阶学习需要Python编程语言
地址：https://www.edx.org/course/introduction-computer-science-mitx-6-00-1x-10
以及计算机科学入门课程（CS50）
地址：https://www.edx.org/course/introduction-computer-science-harvardx-cs50x
概率入门课程（Stat110）
地址：https://projects.iq.harvard.edu/stat110/about
机器学习入门课程
地址：https://www.coursera.org/learn/machine-learning
不知道如何着手使用数据进行预测？以及想跟别人比试比试机器学习水平？可以试试参加Kaggle竞赛。
地址：https://www.kaggle.com/
推荐一本最棒的机器学习教科书：《Machine Learning: A Probabilistic Perspective》
地址：https://www.cs.ubc.ca/~murphyk/MLbook/
Sklearn：真正伟大的机器学习算法，开箱即用
地址：http://scikit-learn.org/stable/
TensorFlow：先进的机器学习工具包，可以用来构建自己的算法
地址：https://www.tensorflow.org/tutorials/
教程：https://github.com/aymericdamien/TensorFlow-Examples
【完】
