今年落户长滩的 NIPS（神经信息处理系统进展大会）做出了很多新的尝试——开设了五个比赛单元；增加除 Oral 和 Poster 之外的 Spotlight 环节；更多企业和初创公司进入到 NIPS 大会开设展台；以及，NIPS 首次邀请了记者参会。
美国时间周二，七位正襟危坐的学者，和来自美国各大主流报媒的记者，组成了 NIPS 有史以来的第一次记者发布会。
但是，这场记者发布会的氛围格外的……奇怪。
这种奇怪的感觉或许源于一种极其不自然的交流：一边是埋头呆在实验室里的机器学习研究员，另一边是急于挖掘人工智能大新闻的记者，他们的背景不同，想法不同，在这场记者发布会上交流的内容也不尽相同。
平心而论，学者们其实有很多话想要在记者面前倾诉。在大会主席 Isabelle Guyon 和 Ulrike von Luxburg 介绍完 NIPS 的基本信息后，发布会也邀请了五位参会的学者分别对自己论文进行解读。这些由大会精心挑选出来的论文，尽管不是获奖论文，但都通过机器学习的方法，解决了非常重要的问题。比如由 Matt Kusner 和 Joshua Loftus 提出的 Casual Model 能够解决机器学习模型中存在的偏见：为什么面部识别更容易识别白人而不是黑人，又或者自然语言系统出现针对女性的性别歧视言论。
然而，并没有多少记者对论文的内容和其影响提问；相反，记者们更愿意关心机器学习或者大众所理解的人工智能是否会对社会、经济、工作、移民等方面产生深远的影响。「深度学习会如何影响工作和经济？」「GPU 和深度学习到底能改变什么？」这些问题又超出了学者们的研究范围。
于是，字里行间，冲突、偏见、矛盾、交锋，都出现在这场 NIPS 记者发布会上。
AlphaGo 只是完成了目标
机器学习没有魔法，目前的机器学习也没有产生革命性的影响，这是大会主席 Isabelle Guyon 所坚守的观点。
这位来自法国 Paris-Saclay 大学、研究机器学习和生物学的教授，非常警惕如今的这波 AI 热潮：这是一场泡沫，而且迟早会破灭。
「目前所应用的大部分算法，20 年前都已经有了。只不过我们很幸运，赶上了算力达到了一定的标准，让很多需要大量数据的算法有了实现的可能。」
而另一位参加记者发布会的学者、获得今年 NIPS Tme of Award（时间检验奖）的加州大学伯克利分校教授 Benjamin Recht 则直接拿起了 AlphaGo 开涮，来说明人们对人工智能的过分高估。他提到了多年前的一个小插曲：在 2007 年的 ICML 大会上，当时还没有创立 DeepMind 的 David Silver 就曾说解决围棋电脑只需要 10 年时间，那时候，深度学习、强化学习都还没有进入大众的视野。
显然，Silver 的时间掐得很准。2016 年，来自 DeepMind 的 AlphaGo 一战成名，在首尔击败了曾经的世界第一围棋高手李世石。而第二年，AlaphGo 的进化体 Master 又击败了前世界第一柯洁（柯洁最近刚刚失去了世界第一的宝座）。但在 Recht 看来，DeepMind 只是完成了既定目标罢了。
「我依然记得当年深蓝击败国际象棋大师 Garry Kasparov，那很震撼。」Recht 回忆道。但画风一转，他说，「这么多年人工智能一直在游戏里击败人类，但似乎没有什么事情发生改变。」
学者们和媒体的冲突
Recht 不喜欢像 NIPS 这样的学术大会举办记者发布会。
发布会上，Recht 拿出了一篇来自纽约时报 1958 年的报道。这篇文章主要讲述了美国海军透露了目前电子计算机的胚胎，预计将能够对话、走路；他们能够复制自身，并且可以意识到自己的存在；他们将构建第一台能够读写的感知机，预计将在一年内完成，成本为十万美元。
50 年前，纽约时报就在报道人类能发明拥有高等智能的机器；如今，你依然在各大媒体上能够看到这些内容。人类不断地在研发高等智能，但是不断的失败。这当然有机器学习技术本身的局限性，但 Recht 认为媒体的夸大说辞也需要承担一部分责任。
与其说是媒体人背锅，不如说是这两个群体天生的信息不对称。
学者们不知道记者对于机器学习和人工智能的认识有多久，这成为了发布会上显而易见的「偏见」。在另一位大会主席 Ulrike von Luxburg 短短三分钟的演讲里，她提到了三次「机器学习不是人工智能，尽管他们在某种程度上很接近。」
同样，记者所想要的答案也并非是这些学者能够回答。当来自经济学人的记者提出「你能说服我深度学习是否能真正改变社会和经济「的问题时，台上的学者面面相觑，Guyon 甚至尴尬地笑着说「你能再问一个更好的问题吗」。显然，他们的任务是研究机器学习在某一个特定问题上如何取得更好的效果，而不是来研究这些技术到底会对社会产生怎么样的经济影响。
这种信息不对称，造成了答非所问，造成了记者和学者之间的交锋。记者希望获得直接明了的答案，而往往用尽数十年来证明某个算法是否有效的学者们最忌讳给出简单的答案。
NIPS 似乎还没有做好迎接媒体进入大会的准备。
敞开大门的 NIPS，有利有弊
而在今年大会上，另一个令人关心的问题是：包括 Facebook、Amazon、Intel、Nvidia，以及来自中国的百度、腾讯、爱丽爸爸都入驻 NIPS 大会，不少非学术圈的人也来到了 NIPS，这极大地改变了 NIPS 设立的初衷。学者们对此是怎么看的？NIPS 委员会又该如何平衡商业化操作和学术会议的环境。
四年前在美国内华达 Lake Tahoe 举办的 NIPS 大会不过 2000 人，而今年已经涨到了 8000 多人。根据 NIPS 委员会的计算，按照这个趋势，到了 2035 年，参加 NIPS 大会的人会超过世界的总人口。不少学者都或多或少地「抱怨」，看 poster（论文海报）的大厅人山人海，入选 NIPS 的 679 篇论文哪里扫的过来。
Dynamic Routing Between Capsules 的论文海报前，人满为患。
对不少年轻的学者来说，这是一件好事。参加发布会的、来自纽约大学的助理教授 Joshua Loftus 就直言，他很喜欢工业界的人愿意关心他的工作，这让他的论文可以有更大的影响力。
「我们和那些真正部署应用的公司进行交流，让他们能够用我们的技术做出一些工具，解决工业的问题。」
同样，Gugyon 也很欣喜地看到工业界对如今生物学、认知科学和机器学习的热情。人工智能在历史上经历过两次大的起伏，而 Gugyon 经历过 80 年代人工智能的热潮和 90 年代无人问津的惨况，这让她特别珍惜工业界所带来的机会。
但 Recht 持保守意见。「我对这些公司的权力感到震惊，其中一些公司塑造或主导了辩论。我感到惊讶的是他们觉得他们只是想在某种意义上购买学术人才，以此减少学术界的影响，我认为这是非常目光短浅。同时，他们似乎不关心他们早期部署的机器学习技术会带来什么后果。我很担心这些在公共场合宣传的人工智能会转移机器学习领域的科学家们真正需要解决的问题。」
Recht 很在意机器学习的方法是不是真的能够解决问题而不是误导一些研究方向。今年，他的一篇论文《The Marginal Value of Adaptive Gradient Methods in Machine Learning》被 NIPS 收录，这篇论文研究了在训练深度神经网络中非常流行的自适应优化方法（adaptive optimization methods），在比较了几种最先进的深度学习模型中自适应方法的经验泛化能力。他发现，自适应方法找到的解决方案普遍比 SGD 更差（通常明显更差），即使这些解决方案具有更好的培训效果。
NIPS 大会正在做出改变，这个位于象牙塔的学术会议正在一步步打开它的大门，让更多非学术圈的人士接触最前沿的科研进展。这种转变势必带来一些曲折，比如这场记者发布会。学者们害怕这场 NIPS 大会也成为了媒体笔下的又一个通往通用人工智能的大会。
发布会结束后，机器之心记者有幸和一旁的来自 MIT Technology Review 的 Will Knight 聊了两句。「有趣的是这里的人似乎不知道人工智能究竟带来了怎么样的增长，而在中国，没有人觉得人工智能是个伪命题。」
常年在中国报道人工智能相关故事 Knight 见证了中国人工智能力量的发展，就在今年，他撰写了一篇 China's AI Awakening 中国人工智能的崛起 。相比特朗普政府在美国科技圈的无作为，甚至是对移民和签证的更加严苛，中国政府的大力支持让他非常惊讶和好奇。
「也许这（这场记者发布会）是一个非常独特的西方玩意儿。」Knight 开玩笑地说。
