上周，就在柯潔淚撒烏鎮的同一時刻，由機器之心主辦的2017全球機器智能峰會（GMIS）在京舉行。在這一巧合式的時間節點上，AlphaGo用三戰全勝為人機巔峰之戰畫上句點；另一邊廂，關於機器智能的無限未來正被熱烈討論著。
全媒派（qq_qmp）受邀全程聆聽GMIS峰會，思忖傳媒業智能結合的新「入口」，並專訪全球頂級人工智慧專家鄧力、Jürgen Schmidhuber、Stuart Russell及Gary Marcus，聊聊機器與人類的過去、現在和未來。
乾貨打撈：人工智慧前沿思考
人工智慧的研究歷史已有70餘年，語音識別是四大基礎研究方向之一，從實時語音翻譯，到智能人機對話，如何才能擁有一個能「聽懂」指令的機器助手，人類的實踐從未停止。
一場人機語音識別PK戰
GMIS峰會現場安排了兩位「機器速記+同傳」——訊飛聽見和搜狗同傳。從現場體驗來看，訊飛及搜狗在中文語音識別不相上下，不過在「英翻中」上，全媒派（qq_qmp）了解到本次訊飛和搜狗均採用的是人工聽錄+機器識別。
有意思的是，在柯潔vs AlphaGo人機大戰結束的第二天，GMIS舉辦了專場「人機速記大戰」，由搜狗「汪仔」對陣人類速記員，歷經普通話、方言、中英文混錄等5輪PK後，搜狗聽寫在準確率上最終「戰勝」人類。
距離真正的人機自由對話還有多遠
那麼，我們關心的問題是，為什麼讓機器「聽懂」，甚至「會聊天」如此重要？
在物聯設備爆炸性增長的態勢下，面對海量信息小屏化、甚至無屏化呈現，語音和語言就成為「端到端」複雜交互的最佳實現手段之一。從傳媒應用層面來看，目前應用的「聊天機器人」僅囿於文本對話，且能夠對話的信息十分有限。而語音識別技術則有可能讓機器真正實現編輯+檔案員的角色匹配。
騰訊 AI Lab 副主任、語音識別及深度學習領域的著名專家俞棟曾提到，語音識別可作為其他產品的前瞻處理工具，如從口語翻譯出發做語音信息檢索，「要查某個時間播的某條新聞，只要輸入內容，就能查到是什麼時間段。」
在GMIS主題演講中，俞棟指出語音識別技術雖已有長足發展，但距離人與機器的自由交流還有不小的差距。俞棟帶來語音識別四大前沿研究，包括更有效的序列到序列直接轉換模型、雞尾酒會問題、持續預測與適應的模型及前後端聯合優化。
「人在雞尾酒會這樣非常嘈雜的環境中能夠把注意力集中在某一個人的聲音上，屏蔽掉周圍的說話聲或噪音，非常好地聽懂其要關注的那個人的說話聲音。現在絕大部分的語音識別系統卻沒有這個能力。」
更進一步來看，如何解決「認知」問題則是智能對話交互的一大難題。上海交通大學教授、思必馳聯合創始人及首席科學家俞凱認為，「對話交互的最大難點在於認知，認知最大的問題是，到底這個問題是什麼，我們並不確切地知道。」
搜索的終極目的是深度問答
「汪仔」在「速記PK」中獲勝，其實也在意料之中，但在需要語境及語義聯想、轉化的處理上，機器明顯不具備深度解釋能力。搜狗CEO王小川認為，現階段的關鍵詞搜索已經非常智能，但實現機器對用戶提問的精確回答才是未來方向。
「搜索的未來是問答，一種很深度的問答」，王小川說。知道用戶在問什麼，其實也是認知學習需要解決掉的問題。 「我們認為，必須以問句方式來提問、以自然語言方式來提問，而不是關鍵詞，這是我們暢想到搜索未來要做的事情。今天我們人工智慧技術還不足夠得高。」
AI商業化應用有何必備要素
關於人工智慧如何「取代」人類的威脅論塵囂日上，但在討論威脅之前，如何構建商業AI應用框架才是更值得關心的問題。這關係到各行各業，尤其是在資訊分發、營銷、金融、醫療等領域，機器如何更好地掌握業務規律？
第四範式創始人戴文淵從5個維度來談AI商業大腦，包括大數據、外部反饋、算法、計算資源、需求，問題直指企業應用痛點：如何讓機器學習的過程變得更簡單？如何在降低成本的同時，擁有AI能力？
談及大數據，要破除一種迷思，數據不是「越大越好」，也並不是有數據就行。我們需要「有意義」的數據，比如過程中記錄反饋的數據。「通常我們會對客戶提供一個服務，這個服務可能收到正反饋，也可能收到負反饋，我們把這個過程收集下來」。
其次是反饋，這裡重點來看推薦領域，推薦系統迭代的最大的不同是什麼？戴文淵的觀點是：
「過去的推薦，是推薦相關內容，強調推薦結果的相關性，但機器不知道什麼是相關與不相關。現在，我們把相關性數位化了，不再強調一定要解決相關性，而是解決點擊率、閱讀的時長、轉發、收藏、投訴，這些能被數字度量，機器能理解，不斷去優化。」
通用人工智慧為何重要
所謂通用人工智慧（Artificial General Intelligence），強調具備與人類同等智慧、甚至超越人類智慧的人工智慧，能表現正常人來所具有的所有智能行為。
在目前的討論範疇中，有觀點認為世界上還不存在真正的「智能」，機器仍然受制於設計者的限制，無法理解「意義」。紐約大學心理學教授、Geometric Intelligence 創始人、暢銷書作者 Gary Marcus認為，通用人工智慧才是解決複雜問題的基礎，而目前仍有很長一段路要走。
譬如，人可以輕易做到「感知」圖像內容，進而做出描述，機器卻很難做到。而感知只是實現通用人工智慧的一小部分，人類智能裡面還有更多的元素，比如常識、推理、分析等。這些都有待人工智慧在深度學習、跨領域研究方向的推進。
接下來，全媒派（qq_qmp）兵分四路，獨家呈現對四位主題演講嘉賓的深度專訪。
專訪鄧力：無監督學習能否克服AI局限性？
鄧力，對衝基金公司Citadel首席人工智慧官，前微軟首席人工智慧科學家。深度學習、人工智慧、自然語言理解及語音識別領域權威，早在2009-2010就首次提出並解決將深層神經網絡應用至大規模語音識別。
什麼是無監督學習？
在深入解讀鄧力觀點之前，有必要對「無監督學習」概念做些科普。這一概念是深度學習的範式之一，相對於監督學習，無監督學習強調不需要人工輸入標籤，而只是告訴機器特徵數據，依靠機器「無監督」式多種新算法，而達到不需要人為標註的自我學習的目的。
在鄧力看來，無監督學習的一大優勢是降低訓練成本。在監督學習系統中，需要給出機器輸入輸出的數據的直接標註，然後才能讓它自己學習。這一範式雖然很成功，但「提供大量輸入輸出成對數據」的成本著實太高。而無監督學習恰恰可以從取之不盡的無標註的網際網路大數據應用，極大地降低了數據獲取的成本。當然，隨之而來的如何利用數據進行無監督學習，免掉輸入與輸出的匹配就是需要攻克的難點了。
「無監督學習比監督學習更有趣，但也更困難，」鄧力說，「我們人類是很有希望的，因為在未來有越來越多無監督學習的技術以後，人類就可以從無標註的大數據獲得更多的價值。」
為何語音識別成為應用切入點？
無論是GMIS峰會現場見證的訊飛、搜狗「機器速記員」，還是亞馬遜、谷歌等巨頭正在開展的智能語音助理應用，語音識別成為人工智慧走得最遠的實踐技術之一。
如何看待這一現象？為何語音識別成為各大公司投身AI的切入點？鄧力認為，這是因為語音處理技術發展得比較早也比較成熟，已經到全面落地階段。結合深度學習，硬/軟體相結合的語音對話系統研究已開展多年。從需求角度而言，語音識別應用的前景也更為廣闊。
談及AI創業，剛剛從微軟離職加盟Citadel的鄧力對入局者的建議是：「最好到人工智慧技術已成熟的垂直領域進行AI創業。」
目前深度學習及AI應用有何局限性？
在行業暢想人工智慧前景的同時，目前深度學習存在哪些局限性？
鄧力指出，首先，深度學習的解釋性目前做得還不夠。「深度學習的方法會給你非常好的推薦及預測結果，但是它的解釋性目前很差。比如自動駕駛，突然出一個事故，但你通常不清楚為什麼會出現事故（黑箱）。」怎樣把神經網絡很自然地解釋出來，並用它來指導實踐，當意外或不好的情況發生時，解釋性對於問題設計而言就非常重要了。
另一大局限在於標籤數據成本太高。現在幾乎所有的機器學習都需要大量的人工標籤的數據，而這些數據非常昂貴。如何在不需要標籤數據下進行深度學習，減少標籤量，應用無監督學習方法，是急需解決的應用難點之一。
最理想的AI技術是什麼？
在採訪即將結束時，全媒派（qq_qmp）詢問鄧力，心目中最理想的AI技術是什麼？「有一個統一的支撐性的技術平臺或系統」，鄧力說，各類垂直領域都可以集納於這個具備普適應用的技術系統內，而不用再各成一套。至於實現的時間，可能是五年至十年甚至更遠的將來。
專訪Jürgen Schmidhuber：人工智慧未來趨勢預測
Jürgen Schmidhuber 是長短期記憶（LSTM）之父、深度學習元老，更是遞歸神經網絡（RNN）技術發展中的關鍵人物之一，其在瑞士人工智慧實驗室 IDSIA 的研究成果影響了谷歌、微軟、IBM 等公司的人工智慧研究。
未來五年，機器學習將發展到什麼程度？
Jürgen Schmidhuber 認為，未來五年會機器學習會得到大量應用。一個可預見的方向是智慧型手機會變得更加智能。比如，當你穿過步行區時，它會隨時識別人臉，像個小夥伴一樣跟你說話，在各種情境裡為你提供幫助。它也許會說「嘿我發現那邊走在街上的那個人是約翰，我們要過去打個招呼嗎？」然後你說，「不，我欠他錢呢。我們找條路避開他吧。」那麼它就會為你提供規避路線。
不過更為重要的將是家庭護理方面的應用。Schmidhuber 指出，目前在檢測癌症、發現癌症細胞、觀察人體組織影像等方面，機器學習已經能與醫生匹敵了。很快，AI將在許多方面超越人類，很可能所有的醫療診斷都將發生變革，相信這些都會是未來幾年內將發生的事。
前沿研究：通用人工智慧仍是努力方向
自上世紀80年代起，Jürgen Schmidhuber就帶領團隊嘗試通用人工智慧（general AI）, 這種系統不僅會通過學習，在某一領域不斷提高，甚至還可以通過學習「學習算法」本身，學會如何提高、檢查學習算法，從而了解自身學習的方式，也就是元學習——學習如何學習。Schmidhuber認為未來10年，人類將在學習「如何學習」這一領域進步頗多，從而更接近實現真正意義上的通用人工智慧。
採訪中，Jürgen Schmidhuber提到了自己與另外四位科學家共同創立的公司NNAISENSE在人工智慧的實際應用方面取得的成績。2016年12月，他們與奧迪嘗試了一次概念演示，奧迪的模型車通過機器學習，學會在無指導的情況下停車，就像一個不會開車的孩子，學著通過不斷的嘗試來了解如何停車。
由於模型車的表面配有痛感傳感器，因此它並不想與障礙物發生碰撞，因為這樣會產生痛感，所以它會嘗試著躲避，計算出動作序列，用以避開痛苦。這就是車子逐漸學會停車的方式，就像嬰兒學步一樣。
最好的機器人仍遠不如人類
對於AlphaGo戰勝柯潔的消息，Jürgen Schmidhuber為AlphaGo的成績感到非常驕傲，因 DeepMind團隊深受他學生的影響，創始人之一曾是Schmidhuber實驗室的博士生。因此，最早在DeepMind進行機器學習和人工智慧研究並且擁有這些領域的博士學位的人，都出自他的實驗室。
不過他也強調，圍棋雖然複雜，但相比現實世界來說仍相對簡單。因為在這個19*19的棋盤上，選擇是有限的。而在現實中，人類無時不刻都在接受成千上萬的信息後作出決策。現實世界中需要的是遞歸神經網絡（RNN）的能力，擁有反饋連接的網絡，以便你能循著反饋連接記住你之前所看見的東西，理解你現處的境況。這也就是現實世界的複雜性所在，從這個角度來說，即使是最好的機器人也遠不如人類。
觀照傳媒業：不必對AI恐慌
Schmidhuber介紹說，大型搜尋引擎公司的做法如出一轍，他們查看你的搜索記錄，利用長短期記憶（LSTM）和其他技術來預測你接下來最可能點開的廣告。從你的瀏覽記錄來看，你往往對廣告並不感興趣，你感興趣的是你的朋友，某條新聞，某部電影等等。但是根據這些記錄，他們，也即人工智慧、學習網絡，能夠發覺你與另外一百萬人的相似點，儘管你甚至都不認識這些人。
由於你們之間的相似度，AI能利用這點更好的預測你感興趣的東西。這就是他們選擇向你展示某些廣告，而隱藏另一些廣告的原因。這就是大型搜尋引擎公司和社交網站能夠奪走傳統媒體的廣告業務的原因，因為前者的廣告是有針對性的，而後者做不到這一點。所以，目前對人工智慧的使用的確動搖了媒體界。
不少媒體從業者都擔心人工智慧有一天會搶走他們的工作，但Jürgen Schmidhuber認為不用過於悲觀。畢竟那些機器普及度更高的國家，比如德國、瑞士、日本失業率並不太高，因為不斷有新的工作被創造出來。20年前，誰能預測到如今的視頻博主、專業電子遊戲玩家、網紅這些職業呢？ Schmidhuber甚至大膽暢想，未來機器人將承擔所有無聊乏味的工作，而其他的則由人類負責。
專訪Gary Marcus：更好的AI等於更好的人類嗎？
Gary Marcus，一個現代意義上的斜槓中年：MIT的大腦與認知學博士，紐約大學心理學教授，Geometric Intelligence創始人，前Uber人工智慧實驗室負責人，語言學研究者，暢銷書作家。
與多數AI科學家相比，Gary Marcus的思維角度非常獨特。他認為要實現一個真正的AI，必須從認知科學中挖掘新的可能性。於是，他創立了Geometric Intelligence，開發出了一種可以使用更少的數據進行更快的機器學習的算法 XProp。2016年12月，這家公司被Uber收購，成為後者AI實驗室的核心智囊團。
「終極AI」應為通用人工智慧
在Gary Marcus看來，AlphaGo取勝並不代表AI已經在智能上優於人類。
「早在1997年的時候，AI（深藍）就打敗了西洋棋冠軍，但這隻意味著它在特定的遊戲上比人類強。AlphaGo在圍棋上贏過柯潔只是非常特定的領域。人類有的是通用智能，這意味著即便是一個青少年，也能學習去做複雜多樣的事情，但是機器並沒有這種能力，因此他們比人類更適合競賽，但是這並不意味著他們可以如同人類一樣靈活的處理海量的信息。而Alphago的勝利並不能改變這一點。」
Gary Marcus說，真正的人工智慧具體什麼樣子，他也不知道。但它一定是可以適配多種場景的通用人工智慧（Artificial General Intelligence）。
「我相信，沒有人真正知道一個終極AI的樣子。就像在電被發明之前，沒有人可以描摹它的樣子，後來人們知道它可以被用在汽車上，後來又知道它可以被用在電話上、智慧型手機上，甚至還支撐起了整個社交網絡，如今它已經被應用在無數的生活場景之中了。我相信AI也是這樣，肯定不止有一種形式的AI，就如同人類的智慧也不止一種形式，比如人們會創作音樂、演講、設計汽車等等，AI會不斷完成這些任務，以各種各樣的表現形式。」
深度學習應該是什麼？
和同行者們扮演的深度學習鼓手角色不同，Gary Marcus的演講和作品，總是充滿著冷靜的「反叛者」氣質，採訪中他說更願意稱自己是一個「保守主義者」，「我並不認為大多數鼓吹人工智慧和深度學習的人都對它有足夠的了解，恰恰是真正在這個領域內實際研究者會知道它的難度和現在所處的階段。」
「近幾年來，基於深度學習的AI採用的形式並不算先進——人工神經網絡。也即如大腦一樣，以分層的方式組織神經元，神經網絡通過數據填充不斷調整連接方式，進而進行學習。但這樣的網絡的缺陷在於需要海量的數據。」和數據填鴨式的深度學習不同，Gary Marcus呼籲的研究方法是：更加認真地對待認知科學，尤其是發展心理學和發展認知科學。
「機器學習與人類學習有很多的不同的地方。機器的學習是基於大量的數據，記憶許許多多的案例，然後在這些案例之間做選擇。但是人類的學習很不一樣，因為我們並不需要海量的數據，我們會有自己的規則和側重，並據此判斷一件事情該如何做。我們會綜合判斷，並不需要一個特定的精確的例子告訴我們怎麼辦。我們關心的是事情發生的原因，但是機器只是實時的記錄下所有發生的事情。」
替代or共生：更好的AI等於更好的人類嗎？
AI變得越來越聰明，那麼人類呢？
談到這個問題時，Gary Marcus說：「事實上任何我們通過電腦做的事情，都是將其作為一個工具，不消說，我們更聰明。我們用手機記住電話號碼，擴大了記憶空間；我們利用計算器去提升我們的計算空間。如今，如果你是一個圍棋選手，你還可以用機器自我訓練，但是機器只是工具，人工智慧雖然比其他機器更高級，但是它仍然只是工具，用來提高我們自己的能力。」
Gary Marcus舉了媒體領域的例子：「現在，我們看到越來越多的新聞是由AI寫出來的，比如體育類關於比賽比分的預測等等，它可能並不像人類稿件那麼棒，但是對於一些有章可循的日常性新聞，AI都可以完成；除此之外AI還可以在事實核查方面發揮更多的作用，它可以自動識別假新聞，當然，目前還比較困難。」
「但我並不認為AI可以真正理解一部文學作品的內核，例如AI可以寫出仿版的莎士比亞，但是你通讀全文會發現那根本不可稱之為戲劇。我相信未來最好的記者仍然只是人類，至少二十年內不會有變化，或者永遠不會有變化。」
採訪的最後，在回答全媒派（qq_qmp）「和一個永遠不會輸的對手過招有意思嗎？」時，Gary Marcus說：「一個更好的對手會讓人類變得更強。」
專訪Stuart Russell：5-10年智能技術將現顛覆式提升
Stuart Russell是加州大學伯克利分校計算機科學專業教授，以及人工智慧統計中心的創始人；他還是AI標準教科書《人工智慧：一種現代化方法》的作者，在人工智慧研究領域享有盛譽。
AI有可能帶來威脅，但我們或許擔心錯了方向
2016年11月，Stuart Russell教授與耶魯大學政治學教授Allan Dafoe在《麻省理工科技評論》上共同發表了一篇題為《是的，我們的確擔憂人工智慧存在的風險》的文章，強調AI技術可能帶來的威脅不應被否認或忽視，全媒派（qq_qmp）本次的專訪就從定義「威脅」開始。
Russell首先作了一個澄清：「大家在新聞、電影裡一定都看到過AI的威脅，但這個方向是有誤導性的。機器人不可能一夜之間有了自己的意識、背叛甚至殺死人類，這不是問題所在。我們認為的威脅，是機器可以很好地完成給到的任務，但人類給出了錯誤的指令，或者說，不夠完備的指令。」
由此，Russell認為這是一個關乎「常識」的問題：機器能否更好地理解人類要什麼、不要什麼，將是技術演進中的重要環節。
他舉了一個簡單的例子：如果請朋友幫忙買杯咖啡，朋友不會花上1000塊，但是AI可不一定，性價比這種概念人類有，但AI並沒有這方面的意識。類似的情況還有可能發生在個人智能助理服務（Personal Digital Assistant）上，如果接收的指令不夠完善，它極有可能訂錯機票、回絕重要客戶的會議邀請、刪掉孩子學校發來的緊急信息等等。這個技術環節不疏通，帶來的後果可能就是「一個智能小助手犯下大錯——媒體競相報導——群眾恐慌——一整個產業被扼殺在搖籃裡」的悲劇。
伯克利或將推出個人智能助理產品
Russell教授負責加州大學伯克利分校CHCAI中心，全稱Center for Human Compatible Artificial Intelligence，即致力於人機兼容，讓機器更好地服務人類。Russell透露，伯克利團隊研發的第一款產品可能就是智能助手，他說：「目前智能助理產業還不成氣候，也是因為市面上的產品都太不智能了（too stupid），什麼都做不了，更別說做什麼壞事」。在他看來，變局很快就會出現。取決於自然語言處理技術的進步，樂觀來說5年、合理的話10年，我們應該可以預見個人AI助理真正變得「智能」。
Russell教授預計，目前，我們距離「人工智慧在很多重要領域超越人類」的那一天還需要5-10個突破（breakthrough），這並不是說那時候AI 就可以寫一手好詩、劇本拿下奧斯卡，但它或許可以把一家公司管理得更好，把一個產品設計得更巧妙。
機器如何塑造"價值觀"
Value一詞，在Russell教授當天的演講中被反覆提及。此處的value其實是人工智慧領域的專有名詞，指AI會對每一個狀態設定一個價值函數，並且以達到value儘量大的狀態為目標，進行優化和學習。在他看來，在讓AI根據value優化策略的同時，還應該使它學習到的策略符合人類的價值觀。
假設這樣一個場景：需要一輛無人車把你送到機場，目前雖簡單直接，但在現實中，我們常常還面臨兩種變量——不確定性和取捨。不確定性是指，有好幾條路線可以到達，其中一條發了車禍、嚴重擁堵；取捨是指，你在走出家門的一刻心臟病突發，這時候去醫院顯然比去機場更重要。
所以，一個好的「價值觀」能讓機器能在眾多變量中做出最合情合理的選擇。Russell承認，這即便對於人類來說都很困難，我們在生活中也時常面臨兩難境地，需要綜合比較以科學決策。
有難點，或也意味著有機遇。專訪中，他特別提到了兩個行業——個人智能助理（Personal Digital Assistant）和自動駕駛技術（Self-driving Car）。個人助理前文已經有所提及，Russell期望的是，這個目前來說消費門檻還頗高的服務，將來能變成99美分、隨身攜帶、人人可以負擔得起的普及業務。而無人車，在Russell教授看來，會極大地有利於城市環境和生活水平的提高，「自動駕駛將會使出行變得比現在的共享時代更加便宜，直到完全免費」。
誰是「價值制定者」？
在AI產業化發展中，也出現了讓Russell教授擔憂的苗頭，比如不實信息的傳播。他警示，「千百年來，人們的防備心都很弱，傾向於認為自己接收的信息就是真的。然而我們已經越來越多地看到，泛濫的假新聞正在幹擾人們的認識、乃至行為。」Russell呼籲，打擊不實信息需要多方聯手、構築生態：政府對於故意編造假新聞的行為要進行處罰，科技巨頭應該進行防禦性AI的研發，除此此外，還有第三種參與的可能性——「價值制定公司」。
制定價值？聽起來似乎是個很新的概念。沒錯，目前這樣的公司還不存在。Russell作了個類比，正如現在有些小公司專門為各大公司提供某一項技術外包服務，「價值制定公司」也是類似的原理。它將是一個第三方公司，專門致力於設定、優化價值函數，各大公司可以使用這項服務；而真正到了每個用戶手中，這個「標準設定價值」又會再一次個性化，以滿足每一個人需求的差異。
AI人才培養：高校、企業角色融合
近年來，科技公司出現回歸研究熱潮：從產品、銷售回歸技術，強調基礎應用研究的重要性，各網際網路巨頭更是砸重金組建自己的人工智慧實驗室（AI Lab）。如何看待企業與高校間的分工與合作？Russell教授表示，這是一個非常值得關注的點。他肯定了一直以來，基礎研究的進步、技術的核心概念都孵化自校園；但近幾件，大公司正在不斷從高校研究院裡聘請最好的人才，Google最典型，Facebook、Microsoft也不示弱，中國的BAT也更是如此，「一個轉折點已經來臨，最好的新技術正在源源不斷地從大公司孵化出來」。
傳媒AI應用：防禦性AI+VR創作
對於傳媒技術將如何與AI發展結合，Russell教授從新聞及娛樂兩大業務方向做出提議。
新聞的真實性是他首要關注的議題，Russell希望社交媒體巨頭們可以研發一款防禦性AI，實時監測、追蹤假新聞，標記出有疑點的信息，並且做出處理。
其次，影視娛樂行業仍然有巨大的潛力等待被挖掘，若能與人工智慧結合，將會出現更加飽滿、更加多樣化的藝術表達形式。他以虛擬實境技術（VR）舉例，目前，VR被大量運用於遊戲，在影視方面還停留在拍攝和觀看方式的運用，可以說是一種巨大的浪費。Russell暢想，未來，藝術家們從劇本寫作、舞美設計、音樂創作的早期階段就引入VR的概念，讓科技從源頭上融入藝術。
專訪最後，Stuart Russell教授再次申明：機器終究是工具，是為了更好地服務人類。
====================
本文系騰訊新聞旗下媒體研究平臺全媒派原創稿件。授權轉載請聯繫全媒派小助手（微信號：qmp_001）。
歡迎關注微信公眾帳號「全媒派」（ID：qq_qmp)，閱讀更多精選文章。