领域，Michael I.Jordan被认为是两位根目录人物之一(另一位是Geoffrey Hinton )。Michael I.Jordan是UC Berkeley著名的机器学习实验室AMP Lab的联席主任，是美国科学院、美国工程院、美国艺术与科学院三院院士。他门下英雄辈出，如深度学习领域的大牛蒙特利尔大学教授Yoshua Bengio、前百度首席科学家吴恩达、斯坦福大学教授Percy Liang等都是其。
本文内容选自Michael I.Jordan在、大学、浙江大学、上海海事大学、混沌大学等公开场合的以及澎湃新闻采访内容，亿欧编辑整理。
事实上，当你听过我的课程，就会发现，关于这个话题，有很多还停留在概念性、战略性的阶段。当然，也有一些投入实际应用的技术，但这背后的理论，还常基础和简单的。
人工智能与机器学习，其实还远远不是一门基础扎实的工程学科，它并不能为现在用数据分析问题提供强大且可拓展的解决方案。
因此，我们并不能将人工智能与机器学习的发展简单理解为一个神迹，如同高楼非一夜而起，它是必须要经历长时间的发展的。
大家首先要意识到，在这一领域，我们仍处于非常初级的阶段。很多事情我们还不了解，现今的我们并非处于一个人工智能的神奇大爆炸时代。
可以说，我们有可能要花上百年的时间，这个高楼大厦才能线、人工智能的商业模式，是要创造一个市场，而非一个算法
计算思维不是说知道如何编程和使用数据库，而是一种思想。关于思考一个问题的抽象概念、模块性、性能……一切你在计算机课堂上学到的东西，而不仅仅是编程。计算机背景的人应该很熟悉这些，不熟悉的可能是推断思维。那是已经有超过两百年历史的统计学里的东西，不是一个新的领域，不是拿到数据就开始进行操作，像做数据库的人那样。
首先要考虑数据从哪来，数据背后是什么，数据获取的过程中有什么问题，这就是推断，还不严格属于计算机科学的研究范畴。即便最后得到的东西都是所谓的算法，你也必须思考背后的统计采样和总体。所以其实我并不是太喜欢机器学习这个词，我认为并没有什么新东西，还是统计思维。但是因为计算机科学家不太懂统计推断的东西，所以他们取了一个新名字叫做机器学习。
很多机器学习的工作都没有考虑推断、采样以及总体，只是把机器学习模型应用到数据却没有得到正确的答案，因为没有考虑偏差、推断等内容。我认为把两者结合起来并且认真研究是真正的挑战。我我以前更多关注算法和系统，过去几年越来越像个理论家，逐渐更关注理论同时在某些方面也是关注系统。我在实验室里设计系统的过程中看到了理论性的问题，所以我去寻找计算机和统计的理论，它们有什么概念可以怎么结合起来。
所以我们发展了数据科学这个交叉学科，这并不容易。统计决策理论里失函数和风险，但它的基础理论中没有运行时间的概念，你可以去查看几十年来成千上万的统计决策相关的论文，你不会看到任何一篇提及了运行时间;同样地，在计算机这边你可以找到成千上万的论文讨论复杂度，各种复杂度理论，但是却找不到关于统计风险的文章。而利用统计风险理论可以控制基于数据的错误率。此外，对统计估计问题的深刻理解不仅仅包括学习算法、还包括学习下界，学习你可能做的最好的是什么，但是在计算机理论里却没有太多关于下界的。有倒是有，但是不多。
无人驾驶的空中出租车是有可能实现的，虽然眼下这些技术的使用体验还不甚良好，但是可以期许的是未来十年这些前沿技术应该可以为人们所用。
可以说，创造力和智能对于人工智能系统来说还很难实现，推理和抽象能力的实现也似乎遥不可及。例如在社交上，人们时常会创造出一个新的词汇，而其他人也能很容易理解这个词在这个语义背景下的意思，而不需要像计算机一样通过读几千个句子来理解。此外，对于AI系统来说，让它主动做一个长远的规划常困难的，而人类却经常会给自己主动设定一些雄心壮志的目标。
此外，AI技术的发展还存在着许多其他的，它远没有一个正处于成长期孩子那样强大的学习能力。孩子可以通过少量书本上的图片和信息了解世界，但是AI即使看过了无数张图片和信息，仍然很难对世界产生自己的“理解”。我并不觉得在可见的未来有什么超人类AI的存在。当然有些并不是AI研究领域的人会鼓吹以后会出现超人类的机器人。我并不认为这种情况会发生，也没有理由会发生。
当然你也有可能不认同这种观点，例如你会觉得计算机比人类的处理能力要强大得多。但人们目前对“智能”的了解十分有限，因此也无法预估实现真正的人工智能需要多强的运算能力。我们现在能看到的是计算机能够处理大量的数据，但它在做假设、推理等方面的能力还常有限的。计算机虽然能识别这些场景，但是它无法了解场景的作用和意义。人类目前花费大量的精力在帮助机器理解现实世界，但计算机是没有主动学习能力的。计算机和人类的差异巨大，更遑论认知等更高层面了。
无论是在美国，还是中国，AI都是被高估的。一方面 AlphaGo让很多开始了解 AI这个概念，也因此有很多炒作围绕 AlphaGo而展开。AlphaGo是在一个有限的领域中，通过精良的反复模拟而达成的一种成功的模式，但机器很难模拟整个世界，也因此一场AlphaGo的胜利很难说是 AI的全面超越。
很多领域中，计算机是可以打败人的，但它不是智能。大多没有真正地了解 AI是什么，也很难理解为什么 AI是很难实现的。另一方面，在 AI概念的驱动之下，很多公司都开始说「我们是做 AI的」，但实际的产品和功能并不好。又或者人们会对这些公司报以不切实际的期待，觉得他们会打造出来和人一样的产品。Jordan教授强调，对于整个行业来说，我们都需要冷静地理解 AI的能力和边界，并努力寻找新的方向，这个过程很漫长，也需要更好地管理预期。
实际上，在中国，有很多传统的行业，正在使用所谓的 AI进行能力提升。比如，教育行业利用语音识别和云端服务，实现随时随地一对一地口语训练服务，等等诸如此类。可以看到，这样的趋势在中国正在逐渐变成主流。我们不应该把 AI当做是一个了不起的、能够打败人类的技术，而是应该将它看做一种新的元素，能够让我们用它重塑整个世界。
其次，人工智能的安全问题。当前，人工智能的发展还面临着“黑匣子”的问题。即机器实际上并不清楚自己为何做出这个决定，也不知道给出的结果会带来什么样的问题。这样的情况在沟通和对话的智能系统中，出现问题并不。但在医疗和金融领域，一旦机器医生给出的结果出现问题，那带来的后果会不堪设想。在医疗和金融领域里，必须要提高正确、清晰、无误的结果。这也是未来需要解决的。
第三，数据共享。为了让更多的研究人员参与到人工智能的开发中，许多公司会选择开源自己的人工智能程序源代码。开源意味着每个人都可以对这个代码进行自己的修改、添加。但乔丹指出，尽管谷歌、百度等公司都对外开源，实际上只是放出了部分代码。公司间的竞争导致了这样的情况，但这也给大学提供了机会。乔丹认为，大学应该免费推出更多的开源软件，而且和公司相比，大学在研究领域必定是胜出的一方。
计算机视觉领域已经有很好的突破，但我比较看机对话、自然语言处理的突破，这些是正在改变或即将发生的改变，譬如谷歌的翻译系统最近有非常不错的，下一个领域的突破就是在家用机器人方面，小机器人在日常生活中与人的人机互动，这是多方面应用的人机交互，既有计算机视觉，还有人机对话，以及综合场景处理。家用机器人了解你日常生活的模式，并对此进行学习，然后进行下一步的服务，这是正在进行中的突破。
精准医疗，我非常看好，虽然前景并不非常明确，因为需要了解病人的历史数据，再对可能要到来的疾病进行诊断、预测和治疗。谷歌现在在各个领域都能帮助人，不是谷歌什么都知道，是谷歌可以搜索，或了解这些知识。人工智能的下一步就可以帮助人们做决断，帮人做出决定，这是更深层次的逻辑运算。
梦见抓鱼是什么意思本文由来源于325棋牌 325游戏中心唯一官方网站