翻译|尽管每个人心中都存在着一些想法的碰撞。
有趣的事情更多来自科学家和人工智能研究人员。
Tech Insider 采访了 13 名人工智能研究人员、机器人专家和计算机科学家，谈论了他们职业生涯中的“顿悟时刻”。
以下内容： 1. Matthew Taylor：我对人工智能击败人类的次数感到惊讶。
“确实，计算机可以比人类更好地完成许多任务，而且现在它们可以做的事情越来越多，可以击败我们。
虽然人类还能做的事情仍然存在，但计算机确实正在做越来越多的事情。
“人工智能有一个“危险边缘”，那就是如果计算机跨越了这个极限，危险程度将非同寻常。
具体来说，这些限制包括双陆棋、扑克等游戏。
现在，计算机可以在围棋中击败人类。
“围棋曾经是许多人认为计算机永远无法胜出的领域。
”华盛顿州立大学科学家。
） 2. Yann LeCun：最简单的想法往往是最好的实施方式，“正如 Geoffrey Hinton 告诉我的那样：如果你做的一切都是明智的，那么它实际上会起作用。
”事后实施最简单的想法是非常明显的。
出来。
但让研究界接受这个想法并不容易。
” （Yann LeCun，Facebook 人工智能研究总监。
） 3. Hector Geffner：我对世界的运作方式感到敬畏。
“我成长的时代，相对论和量子力学风靡一时。
随着时间的推移，我了解到‘简单’的理论实际上对我们的生活和身份有更直接的影响。
” “尤其是达尔文的进化论和图灵的计算论，这些简单而辉煌的理论却有着更为深远的影响。
” （Hector Geffner，庞培法布拉大学人工智能研究员。
） 4. Oren Etzioni：人脑让我感到惊讶。
“当我得知人脑中有数千亿个神经元和连接时，我感到震惊，并意识到智力是一个非常复杂且具有挑战性的事情。
” （Oren Etzioni，艾伦人工智能研究所首席执行官。
） 5.Stuart Russell：不敢相信“一堆肉”（指大脑）能做这么多。
“我们对人工智能和大脑工作原理了解得越多，我们对大脑就越感到惊讶。
“许多人相信，到一年左右的时间，机器将比人脑更强大——就每秒可以执行的操作数量而言。
但事实上我们不能这么说，因为我们不太了解大脑是如何组织的以及它是如何工作的。
“但这确实让人感觉不可思议。
”（Stuart Russel，加州大学伯克利分校计算机科学家。
） 6. Lynne Parker：我们并不完全了解大脑是如何工作的，但这确实令人惊讶。
“事实上，人类大脑的功能是如此惊人，它如此强大且适应性强。
“你花费大量精力构建人工智能系统的业务，实际上只是人脑的一部分。
” ” （林恩·帕克，美国国家科学基金会信息部和智能系统部主任。
） 7. 托比·沃尔什：看到人类学习的初始状态真是令人惊奇。
“我认为最令人兴奋的事实是，在宇宙中，人脑是由数千亿个神经元以及神经元之间的连接组成的。
这是我们迄今为止遇到的最复杂的世界。
“我不久前成为一名父亲，看到女儿如何同时学习两种语言后，我突然明白了人类最初的学习状态是什么样的。
”（Toby Walsh，澳大利亚国家信息和通信技术部教授。
） 8. Pieter Abbee：根据儿童的学习获得建造机器人的灵感。
“我一直有一个想法，就是观看孩子们成长的视频，想知道年幼的孩子们是如何改变的。
但这一切看起来都是那么自然。
“这是一个很好的例子。
”在一项实验中，一个孩子认为将三块相同的饼干中的两块给研究人员，一块给自己是不公平的。
“但是当实验者将孩子的饼干分成两部分时，孩子感觉到了是公平的——因为双方现在都有两块饼干。
”“这些类型的发现有助于理解灵感如何进入人类大脑以及什么样的学习是足够的。
”“（加州大学计算机科学家 Pieter Abbeel，伯克利。
） 9. Joanna Bryson：这个关于视觉的发现让我致力于人工智能的研究。
“当我发现有一种叫做扫视运动的神经元系统，它可以决定我的眼睛如何移动时，我的世界观发生了动摇。
“如果你的眼睛滚动，或者你移动你的身体，你的眼睛就会按照某种方式移动“我在美国中西部的一个小镇长大，有一定的宗教背景，当我发现大脑像机器一样工作时，我的整个世界观都动摇了。
“如果你大脑的某个部分不受你的大脑控制，你如何定义责任和行动选择？” “我仍然记得教授解释这一点时我正在教室里。
就在那时，我对人工智能和自然智能产生了兴趣。
（普林斯顿大学研究员 Joanna Bryson。
） 10. Sabine Hauert：大规模的协作努力创造出惊人的智慧。
Kilobots 是简单的协作机器人。
“作为一名团队工程师，我对纯粹的数字着迷——事实上，你拥有的细菌比数十亿个细胞还多。
“对我来说，这些巨大的数字特别令人着迷。
有了它们，你就能实现身体和身体内大脑的自组织——这就是智慧的来源。
“经历了很多简单的事情后，它有助于做出理性的选择。
” ”（Sabine Hauert，布里斯托大学机器人专家。
） 11. Geoffrey Hinton：数据是处理智能的最佳方式。
“有了足够的数据、足够的计算和一定的程序，就有机会改变模拟神经元之间大型连接的强度，以创建能够处理困难任务的复杂系统。
“在我职业生涯的大部分时间里，大多数人都认为人工智能和认知科学是愚蠢的想法，但事实证明恰恰相反。
”（Geoffrey Hinton，谷歌研究员、多伦多大学计算机科学家。
） 12. Murray Shanahan：黑客极大地提高了人工智能的性能。
“这有点奇怪，但令人惊奇——当我看到图形处理单元如何主宰高性能计算时。
“每个人的电脑都有专用的图形处理器和驱动程序来改善游戏体验，不得不说它们发展得太快了。
“后来发现这些处理器不仅可以用来处理图形，还可以用来执行其他操作。
它们可以很好地处理需要大量并行处理的事情。
“我想模拟大量的神经元，用处理器来处理图形，为人们提供良好的游戏体验，并做一些基础科学研究。
”我想这里会有一些意想不到的发展。
”（皇家学院计算机科学家Murray Shanahan。
） 13.巴特·塞尔曼：当今人工智能的规模已经完全超越了20世纪80年代的规模。
“1980年代，我选择了神经网络研究。
作为硕士论文的一部分。
我选择了 20 个神经元单位进行研究。
现在做研究，至少需要几万台。
“因此，当我看到神经网络的规模并看到它们进行深度学习并做一些有趣的工作时，我真的没想到，给我留下了深刻的印象。
“这是大数据、云计算、扩展算法的结合——十年前我们认为这些东西离我们还很遥远。
”（巴特·塞尔曼：康奈尔大学计算机科学家。