金榕
阿里巴巴集团副总裁 达摩院机器智能实验室负责人
终身教授、海归科学家，这些标签齐聚在金榕身上，也并不影响他被同事称为“随和的最不像科学家的科学家”。
他曾是美国密歇根州立大学终身教授，曾任 NIPS、SIGIR 等顶级国际学术会议的主席。2014 年 7 月，42 岁的金榕决定加入阿里巴巴，开启人生的新阶段。自此，他成为了达摩院机器智能实验室负责人。
Q1:你会如何向一位中小学生简单描述你正在研究的 方向和课题?
金榕:稍微通俗一点说，机器智能就是让机器能够像人 一样，听得懂你说什么、看得懂你做什么、读得懂你的意思。 不过，这个概念不是十分严谨准确。
Q2 :为什么您会选择机器智能这一研究方向?
金榕:博士期间，我在美国卡内基梅隆大学读的多媒体图 像处理，当时旁边有一个实验室专门做机器人，这些机器 人在楼道里每天晃来晃去，让我印象十分深刻。后来他们 搬去了谷歌，我依然对此事念念不忘，就打算改行，学习如何训练 AI。这件事情对我来说十分有意思，能让技术更 加场景化一些。
Q3:对于公众来说，机器智能领域的研究意义和价值 是什么?
金榕:我觉得机器智能技术的应用，有很大的可能性，会 反哺和变革基础科学领域的研究;基础研究的进步，有很 大的可能性，会给整个社会带来颠覆式的变化。
我认为今天的整个社会经济发展，最初都来源于自然科学 的突破。我觉得 AI 未来会有许多非常令人兴奋的功能和可 能性，同时也会帮助社会向前发展。因此，我的研究对社会、 公众来说是应该是十分有意义的。
Q4:目前人工智能相关研究的挑战和难点是什么?
金榕:我个人认为今天 AI 技术最大的难点，就是没有一个 人理解它为什么可以工作，技术是否真的成熟。
今天 AI 的基础理论还处于初级阶段，我们今天在 AI 的实 践领域面对的技术挑战，也还没有根本性的解决方法。
Q5:你为什么当初选择了阿里巴巴达摩院?它为什么 会吸引你加入其中?
金榕:我选择阿里巴巴有很多偶然因素。最早我在阿里巴 巴做顾问，前期的沟通非常愉快，我认为阿里巴巴这个氛 围会让我有 Happy Life，如今变成正式员工，我也可以做 自己特别喜欢的事情。
对于从事科学技术研究的人群来说，阿里巴巴最大的吸引 力就是通过一个技术平台，为社会产生一个巨大的服务效 应，而且，阿里巴巴更加强调技术落地，用技术解决非常 实际的问题，这是非常“科技范儿”的。我觉得这是所有 科学家都特别向往的事情。
我经常举一个例子，当初拍立淘功能使用的视觉技术、搜 索技术、匹配技术等，都是由我们团队开发的。如今每天 有 3000 万用户在使用它，我还挺高兴的。
Q6:最近有人在讨论科学家逃离企业的事，你怎么看 这个问题?
金榕:估计今天 AI 科学家是不可能逃离企业的。因为人工 智能前沿技术需要大量的资金，一般学校是做不起来的。 我认为企业不一定能够带来科学的核心价值，比如核心理 论的突破，但可以给科研续写一些生命。
我认为，相比学术圈而言，首先企业是需要非常务实的。 如果有问题反馈过来，不管利用什么方式，我们需要快速 有效的解决掉，这是服务用户的要求。其次就是企业整体 反应速度是十分迅速的。由于产品需要快速的迭代，技术也要不断发生变化。最后，我认为技术要变成能够对社会 有价值的东西，中间还有很多步骤，包括工程化问题、产 品适配问题、成本可控的问题等。这些在学术圈中不太会 被注意到。
回到 AI 技术上来说，如今科学家要让 AI 落地，影响人们 的日常生活，我们需要把 AI 技术产品化，这就需要解决很多现实的挑战，这些现实的挑战是在学术研究领域无法解 决，甚至是不被“认知”的，比如稳定性问题、延时问题。 这些都需要企业在实践中解决，学术圈解决不了这些事。
Q7:过去几年，AI 领域发生最了不起的研究进步是 什么?
金榕:我认为，相比 2014 年之前，如今深度学习算法的 应用效果越来越好。而且，相比几年之前，AI 技术的工具 化能力越来越强，已经进入无代码时代，一个中学生也能 使用人工智能框架来做简单的开发设计。
Q8:如果年轻人想要进行智能机器相关研究，你比较 推荐哪家研究机构?
金榕:谷歌大脑(Google Brain)团队。
Q9:如果各种条件都具备，你会推荐自己的孩子未来选择机器智能的方向发展吗?
金榕:不会。我认为 AI 是需要工匠精神的，它在某种意义 上是要有一定的工作年限才可以达到一定水平，这是一个 很长期的工作。我甚至不期待初踏入这个领域的少年能够 有能力解决机器智能的终极问题。
Q10:最近大家对于人脸识别、语音识别技术的隐私问 题十分关注，你怎么看 AI 技术的隐私信息困境?
金榕:我觉得原来计算机视觉数据真的是可以提高技术的 研发效率，能够获得更广泛的应用。今天数据对于 AI 技术 来说是非常关键的元素，因为今天几乎所有 AI 技术的发展 都是数据驱动的。当然，也有很多方法可以实现隐私保护， 比如“差别隐私”(Differential Privacy)和“联邦学习” (Federated Learning)。但这些技术还处于初期阶段， 目前还不确定能否根本性的解决数据隐私的问题。
同时，我也不赞成关掉所有数据，否则 AI 技术就会停滞。 我认为这两者很难平衡。
如今人工智能技术依然在探索过程中，数据仍然具有极高的价值。
