11月1日，智源人工智能研究院理事长张宏江博士与图灵奖获得者、康奈尔大学教授 John Hopcroft就“人工智能：战略、研究与教育”进行了一场对话。
计算机科学是当下的热门专业，也是一门年轻的学科，历史不过60多年。作为计算机科学的先驱人物，John Hopcroft见证了这门学科的建立、成长与繁荣。
1987年，康奈尔大学教授 Hopcroft与普林斯顿大学教授Robert Tarjan因为在“算法设计、分析以及数据结构方面根本性的贡献” 荣获了计算领域的最高奖图灵奖。
今年80岁的Hopcroft，不仅学术上成就卓越，在教书育人、服务社会方面也堪称楷模。早在数年前，他就来中国，出谋划策，身体力行，帮助中国提升教育的水平。2016年9月，他被授予“中国政府友谊奖”。
2019年11月1日，智源研究院理事长张宏江博士与Hopcroft就“人工智能：战略、研究与教育”进行了讨论。在40分钟的谈话中，Hopcroft分享了对人工智能、中国高等教育、人才培养等方面的深刻看法。
《知识分子》整理节选了两人的谈话，以及Hopcroft的个人小传，以飨读者。
01.大学真正的使命是产出下一代的人才
张宏江：你在1986年获得了图灵奖，在座的观众很多人那时候还没出生，请你谈下当时的情形？
John Hopcroft：那个年代，早期的计算机科学非常简单。那时，要决定一个算法是不是行，就把它在电脑里跑一遍，测一下解某个问题花费的时间，这时如果有另外做这个问题的研究者，提出另一个算法解这个问题，花的时间更少，但其实是不知道究竟为什么（花的时间少）。第二位研究者用的数据和第一位一样，但如果换做用某种随机的数据，实际上却算的更慢。
我觉得我们得用数学的方法来决定一个算法会更慢的原因。我提出最坏情形的渐近分析方法，然后我发展了一些技术，比如分而治之，来开发这种形式的最优算法。这么做了以后，就将之前算法的那种教授方式转变成了一门真正的科学。
张宏江：真好。你在普林斯顿教计算机科学时，实际上并没有这样一门课，你从哪找教学的资料？
John Hopcroft：我想我应该提一下，我获得（本科、硕士、博士）学位时，并没有计算机科学专业，我的学位是电子工程，我也是受聘于普林斯顿的电子工程系，但我倾向喜欢电子工程的计算机学科的那一面，我更喜欢数学一点。那时有少数几篇文章，我就是这些文章基础上开发了这门课，之后这门课被其他大学广泛地采用，成为了那个年代的理论课。
1967年我到刚成立的康奈尔大学计算机科学系，开始在与我志趣更贴合的系里发展我的职业，这也是更好的选择，我也就有这样的机会帮助建立一所世界领先的计算机科学系。
张宏江：对深度学习，你怎么看？
John Hopcroft：人工智能像是某种工具箱，里面有各种工具，而深度学习是这些工具中的重要的一种，至少在今天是这样。
不过，某种程度上，深度学习只是高维空间里的模式识别。比如，你训练了神经网络来进行图片分类，给一张特别像自行车，但却不能骑（没有自行车的功能）的照片，模型依然会认为是辆自行车。
实际上，我不认为这是种智能，因为在图片分类中，并不能从图中的物体里提取出功能，我想还得等多少年才能达到这一点。当我们真的理解了功能，我们才会进入到或许是接下来的信息革命。
张宏江：从算法的角度，你怎么看，是数据和参数的问题么？
John Hopcroft：或许我能谈一下我是如何看待做研究的。世界上有两种研究，一种是基础研究，一种是应用研究。我看到的人工智能目前的状态是应用研究：我们开发技术用到解决重要的问题中去，很成功，对推动国家的经济发展也很重要，但基础的研究有着根本上的不同。
为什么要做基础研究？做基础研究单纯是因为研究者对所研究的问题感兴趣，就是这样简单。在美国，大学里是不做应用研究的，我们觉得这不是我们的使命，我们的使命是致力于基础研究。或许我该换个词，不用使命。大学真正的使命是产出下一代的人才。
当我们雇佣教员的时候，他们有40年的职业生涯，我们想雇佣在整个职业生涯中能保持活力的教员。我们喜欢的一点是，是有好奇心。我们雇佣某个人，我希望，不是看他们正做什么研究，而是看他是不是对此感兴趣，而且愿意在其整个职业生涯中保持活跃。
你或许说，美国这不是在盲目地资助大学的基础研究吗，没啥目标？听起来不像是一个好的投资，但实际上，这可能是美国做出的最好的投资。因为成千上万的研究者在不同的方向探索，很多人没产生什么影响，但有时有些人做了一些事就创造出了整个全新的产业，创造出几十亿的工作，几十亿的金钱。我觉得这个是非常好的投资，希望能坚持这一点。
02.对人工智能进行长期的投资
张宏江：深度学习还会有进展么？
John Hopcroft：这些年来，深度学习被证明是非常有效的，但棘手的是我们尚不能解释这背后的原因。如此一来，如果你是一名教员，那么教课时你便会遇到许多困难，因为你现在教给学生的是一门实验学科，迫切需要发展出能够解释深度学习的理论，为什么有用。
一个困难是，以模式识别为例，假如你有一个猫的系列或者一个狗的系列，你没有一个关于这个系列的数学定义，那或许就有研究者退一步，造出一个数学上定义清楚的类别，能帮助证明深度学习有关的定理。我之所以关心理论的发展，其中一个原因是可以让教课变的更加容易。
张宏江：你怎么看无监督学习？
John Hopcroft：要弄清如何做无监督学习，或者如何从一张图里面学习很重要。我可以讲一个之前和我的三岁女儿的故事，我有一本看图识字的书，我曾和她坐在沙发上一起看图然后认出是什么。有一次我和她走在街上，她指着说，爸爸，消防车！她实际上只看过一次消防车的图，就认出来了。
我一直想弄明白为什么，或许人学到了如何去学。她在看那一张图之前已经看了几百万张图，之后她从一张图中学会了如何去学。这意味着，关照多个学科是重要的，比如理解人脑是如何工作的，在过去的25年有很多的关于人脑的研究，也许知道人脑如何学习会帮助到机器如何学习。
张宏江：了解到人脑是如何工作后，可以将其转化成数学模型或者算法么？
John Hopcroft：我对大脑是如何工作的知道的很少，我读过一些研究，好像刚开始的时候脑中的神经元的距离是比较远的，然后有一个转换阶段，神经元靠的近了。另一件事是，在大脑的前5年，神经会产生新的连接，然后有一个转换期，再有新的神经连接也不会有太大用处。你可以借鉴这些，然后看是不是可以用来训练神经网络。
基础研究有一个特点，好几千人尝试各种的想法，但往往没什么价值，但有一两个人会有非常重要的回报。
张宏江：究竟是哪一两个人？
John Hopcroft：这个事先是不知道的。我可以稍微谈一下美国的资助。当我提交申请书时，资助机构并不要求我按照申请书所写的来进行研究，他们之所以进行资助，是想产生下一代的人才。如果我觉得另外的研究是重要的，他们是高兴的。这可以追溯到1960年代，当我完成研究项目时，我不会写汇报，而是大学会写汇报，说明钱是怎么花的。资助机构也不指定哪些方向会得到回报，他们评判是根据下一代的人才，他们开拓了哪些方向。
张宏江：我很好奇，如果你是资金管理者，会把钱投入人工智能的哪个方向上？
John Hopcroft：要决定方向的话，我觉得有两件事是值得考虑的。其中一件事是短期的，你想提高中国或者北京地区的国民生产总值，创造就业，这样下来你或许得帮助公司所做的事，比如人脸识别、图片识别、机器翻译，所有这些重要的事情。但你还得或许花点钱，用来产出下一代的人才，还应该着眼于长期。
张宏江：现在几乎每个主要国家都有自己的AI战略，你认为近些年两届美国政府在人工智能发展上做对了什么？
John Hopcroft：或许我应该说一下，在我开始职业生涯时，政府甚至不相信计算机科学是重要的。政府寻求一些物理学家的意见，他们倾向于认为计算机科学是在训练程序。
现在看来，一个新的领域要发展是很难的。老的领域不想让出他们所拥有的资源，但美国在这方面做的很好，在美国国家科学基金里面提高了计算机科学的资助金额，美国高等研究计划署也进行了很重要的资助。
但至于你说的AI战略，从美国的版本来看，都是些很明显的东西，如果你问非科学家该怎么办，就是对人工智能进行长期的投资。我读过后，没有从中发现什么有洞见的的策略。
张宏江：美国会在人工智能上一直领先么？
John Hopcroft：我也不确定美国是否能够在人工智能上保持领先，因为我觉得投资还不够。我真的觉得我们在进入一个信息革命的时代，社会的性质将随之改变。
我想说，学生往往都会用脚投票，学生意识到将来是信息技术的时代。我相信今天的大多数美国大学，有10%的专业是与计算机科学相关的，但经费并没有按照这一趋势进行分配。
张宏江：你怎么看待中美人工智能的发展？
John Hopcroft：在这方面，中国其实有很多优势。以手机为例，当移动网络刚刚出现的时候，美国几乎所有家庭都已经安装了有线宽带，所以我们并没能足够重视它，中国则投入大量资源对这一产业进行发展，因此比美国在很多方面领先，比如中国人用手机做几乎是所有的事情，美国还没有达到这样的水平。我想在一些地方，中国没有美国那样完善的设施，发展的速率要快很多。
张宏江：自动驾驶面临一些安全的问题，但也有人担心工作被代替，你怎么看？
John Hopcroft：要在城市的街道上驾驶是非常难的，有行人，有自行车，有汽车。但美国有洲际高速路，车就在车道里开，不会来回变道，自动驾驶的话就要容易些。我想象的，司机把车开到高速路口，然后车辆自动驾驶，出高速时再由司机来接管。这个问题就要简单的多。
张宏江：我也同意，自动驾驶卡车要容易，但为什么没怎么做？
John Hopcroft：我不知道答案，或许是因为相对于在城市载客，可能没有多少“钱”景。
在自动驾驶上，车路协同是一个好的发展方向，或许可以让道路将信号传递给车辆，再由车辆传递给彼此，把路封起来，不要让动物穿行等等来实施。可我们似乎没有朝着这个方向发展，而是试图去解决一个非常非常难的一般性的问题（让车辆自主自动驾驶）。中国可以很容易地由政府设置一条“自动驾驶专用车道”来进行试验，但在美国就几乎不可能。
张宏江：现在我们看到尤其是在中国，很多大学都设立了人工智能学院，你的意见是？
John Hopcroft：我不太清楚为什么要创立这么多的人工智能学院，但也可能是政府限制计算机科学相关的专业，但太多学生想学这个，所以大学就建立人工智能、软件工程等专业来解决这些问题。
在我看来，我们正进入一个新的信息时代，大学会想建立一个信息科学这样的系，像之前的工科、科学、艺术一样。因为这个领域的专业太大了，需要5、6 个系，或许信息科学学院可以把这些都囊括进来。这将是一个很大的工科，我想很多学校做的是对的事情。
张宏江：但人工智能也有起起伏伏，如果这次人工智能的冬天来了，那这些学校再裁减人工智能的专业么？
John Hopcroft：当情况变的时候，事情也会随时有变化。
以我曾学习研究的电气工程为例，它曾经是一门关于发电和能源传输的学问，但在近几十年的发展中将无线电和计算机也融入其中，电气工程之所以如此成功，是因为它们不断的变化，人工智能也需要如此去做，如果人工智能做的还和我们今天一样，那可能会有问题。
我就是相信，我们正在进入一个信息是很关键的社会，工业革命解放了我们的身体，我们现在所做的是自动化智能，我不认为这个进程会停下来。
03.研究发表量多正在伤害科学
张宏江：除了图灵奖，你还有一个重要的荣誉就是“中国政府友谊奖”。你也曾经在教育方面给我们的总理提出过建议，在中国的高等教育上倾注了大量的时间和精力，为什么这么做？
John Hopcroft：一直以来，我都想做一些能够让世界更好，让尽可能多人受益的工作。在我来中国之前，我在15个不同国家（哥伦比亚、巴西、墨西哥、印度等）都曾进行过教育工作，帮助过几个教员和学生，但从未有过机会能够影响到他们的教育系统。
中国教育部邀请我到中国，就跟之前这些国家有很基本的不同，政府希望对本科教学教育进行提升，我也就有机会会产生影响。
其他国家的政府集中在其他事情上，努力提高教育不是他们最关心的，我觉得以前这些国家的优势是能源和材料资源，但这些别的国家也有，顶尖国家有的是人才，这才是推动国家进步的动力。
中国，我想是知道这点的，如果你和中国政府谈，他们会说，我们必须提高本科生的教育，提升人才，这样公司才能不断扩张，持续的盈利。这是中国的机会，这就是为什么我要做这个。
张宏江：你对高等教育有什么建议？
John Hopcroft：我应该提一下，20年前，孩子必须有个学位才能得到一份工作，上大学的人数以每年100万的数量增长，中国要持续发展，必须有能力容纳更多的学生，相当于每年要新建50所大学。
在有能力收纳这些学生之后，还要提高学生的质量。
我觉得，其中的一个障碍是，在中国，一个校长的任期只有五年左右，因为他们是政府公务员，任期结束后会转到另外一个工作。为了证明他们的成绩，他要盯着大学国际排名这个指标。
然而，这些排名考量指标是基于研究，发表文章的数量，而和大学的宗旨，也就是造就下一代的人才几乎没有什么关系。因此，我认为中国可以做的最重要的事情是改变对于高校校长的评价维度。
我交谈过的校长都是世界水准的人，有知识，有才能，如果把本科生教育作为评价他们工作好坏的指标就好了。
另一件有意思的事情是，我觉得中国顶尖学校的一年级学生质量比美国的大学好，如果清华、北大和上海交大等能提升本科教育，那就可以超过斯坦福、伯克利和MIT这些机构。
张宏江：你对教育有非常大的热情，为什么？
John Hopcroft：我非常享受教育和科研，或许我可以给新刚开始职业生涯的年轻人一些建议。如果你想在职业上成功，你一定要做你喜欢的；如果你是教学生，不要仅仅教他们教室里学的，还有其他的技能。狭隘的技术教育可以带给他们第一份的工作，但你应该给予他们更宽广的教育，历史学，社会学等，促使他们成功并享受人生。
张宏江：作为年轻的教员，如何在发表文章和教育之间得到平衡？
John Hopcroft：如果一个本科生找到我，说希望能够做些研究，我会劝告他，科研可能不是你现阶段最应该花时间的事情，除非你想要借此进入一个博士项目。因为如果你要进入一个好的博士项目，或许你得有发表。
1964年，普林斯顿大学在我没发过一篇论文的情况下雇佣了我，今天我怕是连研究生都进不去。因为他们关注的是我是否在整个职业生涯长期保持活跃，而非我已经做了的研究。
张宏江：在计算机领域，我们很多人都是先成为IEEE Fellow，之后继续做的好，成为ACM Fellow，可你却是先获得图灵奖，然后才有其他的荣誉和头衔，你有什么更好的建议给年轻人？
John Hopcroft：完成要求你的最低论文发表量，然后把精力尽可能投入到那些基本的研究上去。如果你做出了基本的发现，那你就会得到应有的承认。
事实上，我认为今天世界上如此之高的研究发表量正在伤害科学的发展，如果你学一门新的学科，有太多的文章要读，无形中增加了人们筛选、检索的时间。
（未完待续）
