区块链和人工智能的奠基者，怎么看当前的狂热与泡沫？丨新芽链讯

       区块链正如何改变数字世界、地缘政治？它的利用失当能带来何种灾难？“去中心化”真的值得追求吗？

       硬件、算法和数据企业都声称“推动了AI的20年进步”，事实真的如此吗？为什么有人说“机器学习只是炼金术”？真正的“机器智能”为何迟迟不来？

       人们为何总对“自动驾驶”心存忌惮？L5真的能达到吗？激光雷达方案是否正领先机器视觉，一路绝尘？

       在一周前，《麻省理工科技评论》与DeepTech深科技共同举办的“EmTech”峰会上，无数只出现于教科书、维基百科中的人物聚到了一起。他们有人23年前，建立起“机器视觉+交通方案”的雏形。有人团结了200+世界巨头，研究区块链的真正应用。有人则在无人驾驶领域摸爬滚打多年，熟知道路上每一个坑洼和颠簸。

       新芽NewSeed整理了他们发言中最惊人的真知灼见。这些曾为区块链、人工智能砌下第一块砖的人，会如何看待今天的前沿技术呢？

区块链：前所未有的新机遇，也可能酿成前所未有的灾难

演讲者为Brian Behlendorf，担任Hyperledger的执行董事。Hyperledger由Linux基金会发起，旨在推动区块链数字技术、交易验证的开源项目。世界主要企业，如IBM、英特尔、埃哲森、戴姆勒、摩根大通、百度金融等都是其成员。

Brian Behlendorf，图片由EmTech主办方提供

区块链的本质是什么？

我经常会被问到：区块链是什么？它包含了两个概念：分布式账本和智能合约。

分布式账本是一个独特的数据库。它像一个记录本，可以永远记住固定的序列，内容不会被篡改。

智能合约是交易双方互相联系的工具。比如，我和各位打赌，明天北京会下雨，然后用智能合约来记录它。如果没下雨，智能合约会自动把钱交给赢了的人。

凭借区块链，我们正把“血钻”清出市场

在区块链上，我们可以追踪产品的一切。钻石行业曾联手建立一个项目，来阻止冲突地区的血钻进入市场。从钻石被挖出来，它就会被记入区块链，无论如何交易、运输，每个环节都会被记录。

如果我拿到一批钻石，发现区块链里没有它的记录，就知道它来源不明，有可能是冲突地区的血钻了。

有人说，我们能不能用云技术来实现？当然可以。但区块链的本质是打造出信任机制，让交易双方可以互信。

土地所有权是另一个典型应用。世界上的很多政府，在土地所有权上，公信力是很低的。官员会篡改数据库，修改土地的历史，而且很难被发现。

现在，像印度和美国的伊利诺伊州，就把房产数据放在分布式总帐上。我们能追溯土地交易的每个过程，知道所有人、抵押贷款人是谁，何时交易。这种记录还能防止破坏。

人类新的“数字身份”，野心勃勃又危机四伏

很多人对区块链感到兴奋，认为它能创造出一种数字身份。在美国，身份管理一直是个难题。我们希望能为每个人记录他们的证书、认证、身份证和护照。同样，印度也在展开此类应用。

一般来说，我们的整个服务可以分为公有的和私有的、许可的和非许可的。其中公有和私有是指谁能读取区块链，许可和非许可是指谁能写区块链。

比特币和以太坊都是公开非许可的，民意调查是非公开非许可的，土地私有权应用是公开许可的，个人医疗记录则是非公开许可的。像个人的健康数据，可以在数据链上共享，但不能完全公开，因为它们是非常敏感的。我们需要一些标记，保证只有医生和我们自己才能读取。

必须有领导者，达成“最小化的中心化”

区块链已经应用十分广泛，但它还有很多安全问题。所有的软件都是有漏洞的，无论在手机、电脑上。更多的危险还会潜伏在区块链当中。黑客能用垃圾数据来冲垮我们的系统。此外，由于区块链具有不可逆性，一旦漏洞发现，可能会导致永久不可逆的数据泄露。

我们已经经历过这样的事情了。一旦出问题，我们没有任何智能合约、架构，能迫使节点删除数据。

因此，当区块链承载了个人数据，我们就需要第三方监督，即所谓社群合约。比如美国的健康信息隐私与流通法案，欧盟的通用数据保护条例等。这些监管条例不仅在防止数据泄露，而且能在必要的时候收回数据。它可以是国家的法律，或人为的规定。但无论是什么，我们一定要对智能合约和区块链有一定的治理。领导力是非常重要的。

考虑到这点，我们理想的区块链是“最小化的中心化”，既能保证自动化，又能把人的因素考虑进去。

最后还有一个建议。如果你在发展区块链技术，一定要尤其注意那些添加的新节点。它们很可能为垄断者所利用。

人工智能：深度学习更像“炼金术”，真正突破要诉诸“人脑”

演讲者为Tomaso Poggio，担任MIT计算机科学与人工智能实验室教授。他是这个世界最早从事人工智能研究的人之一，学生分布在DeepMind（做出AlphaGo）、Moblieye等当今AI顶尖企业。

Tomaso Poggio，图片由EmTech主办方提供

深度学习：这个时代的炼金术

在这个时代，深度学习有点像炼金术。它要成为真正的化学，还需要很多工作。

23年前，我和Hassabis希望整合计算机视觉和深度学习，创造出一个学习系统，自动辨别行人。当时我们识别出了行人、信号灯，但每秒有10个错误。这是1995年，我们已经非常满意了。

但今天，Mobileye每30英里只出现1个错误，是当年的百万分之一。这种巨大的进步，动因在哪里呢？

首先是机器学习的算法，第一是深度学习，第二是强化学习。它们都来自于认知科学和神经科学。

深度学习的架构，是60年代研究猴子的视觉系统时被发明出来的。创造它，是为了更好研究猴子在学习时大脑的神经结构。然后Fukushima提出了首个量化模型，20年前现代版的HMAX被提出。这些架构都一脉相承——一样的层级架构。从下到上，神经的等级越来越高，每个高级神经元只和下个等级的神经元相连接。

2012年，我们又开发出AlexNet，它是目前性能最好的一个架构。基于神经科学，我们的工程学研究能不断地发展。这是很重要的，因为我们还没实现真正的人工智能。

神经科学：人工智能真正的曙光

深度学习能帮我们解决10%的难题。剩下的90%呢？答案可能在神经科学、认知科学的研究里。

我们必须研究人的思维和大脑。这也是MIT大脑、心智和机器中心CBMM正在研究的问题。我们希望能在理解认知方面有进步，能了解整个智能的架构，和背后的科学原理。大脑中智能的产生，是科学现在要解决的元问题。

为了有所突破，CBMM有以下三条路径：1、计算机科学+机器学习。2、神经科学。3、认知科学。

我们要回答的则是三个基本问题：

1、逼近理论：深层网络在什么情况下，会比浅层网络更有效？

2、最优化：应该如何设计经验风险函数？

3、学习理论：为什么深度学习不会产生过度拟合？

这三个问题，是机器学习的奠基石。它们的答案很复杂，要解决它，我们需要与开始就思考深度学习的局限性，以及一些技术理论。

不理解大脑，就不能真正理解“机器的智能”

越来越人将意识到，下一个重大进展将来自我们对人类智慧、大脑的理解。DeepMind就认可这样的理念（他们老大也是做神经科学的）。

我们正在CBM里面开发一个架构，是超越深度学习的，尝试去描述我们的视觉智慧怎么运作。

现在，能将神经科学的成果成功运用的公司并不多。我们应该集中资源去做基础研究。当一个新生儿理解事物时，他会为它贴上标签，“这是小马、那是汽车。”他只要很少的样本就能归纳一个事物。这才是典型的生物学的运作方式，显然跟当前机器的做法完全不同。

我们的大脑充满了智慧，值得我们做更多研究。当我们谈到机器时，并不能过多去跟人类大脑比较，即便它速度更快。在过去50年，计算机取得了很大的进展。但谈到智慧本身，机器肯定还要从人类这里学习。

自动驾驶：车载雷达压倒机器视觉？L5何时会来？

　路线之争：车载雷达VS机器视觉，谁才是未来？

　姚颂（深鉴科技CEO）：这两者并不矛盾，只要你能实现应用，算法层面我并不那么care。

但从技术层面，我是站激光雷达这条路的。自动驾驶要被人接受，事故率只低2到3倍是不行的，可能要低1到2个数量级，才会被接受。这种精度目前靠机器视觉很难。

做到L4级别，我觉得机器视觉比激光雷达，可能会落后2到3年之多。雷达是做L4以上更适合的方式。

Louay Eldada（Quanergy CEO）：其实特斯拉一直在用雷达和芯片叠加的方法，而且解决方案非常的好。但现实问题是，随着观测精度、分别率的提高，机器视觉的处理时间会越来越长，需要一个很长的时间加工反馈。而雷达比较直观，能直接扫描出整个精准的3D图形，反馈时间短，也更有效率。

如果要问最佳的传感器是哪个，我想就是雷达了。但我们还是需要机器视觉的，因为我们要看路标。雷达能处理一些非常特殊的路况、工况。像一个特别浓的雾，对机器视觉要运作就很困难，但对雷达来说，监测难度并没有变化。

我想，最终我们会需要一个打包的方案，把不同传感器和技术集成起来。

　如何向用户证明，自动驾驶比人类更安全？

吴甘沙（驭势科技创始人）：数学上很难。兰登公司做过研究，要100亿公里的数据才够证明。但谷歌也只有640万公里的数据。

那要怎么说服用户呢？从心理学角度，有三个方案：

1、在受控环境里去实验。人类只要发现机器犯过一次错，就再也不会原谅它了；但人自己犯错，却相信下次能改正，会做得更好。所以一开始，不能丢到大马路上随便跑。实验必须是受控的，比如做夜间小巴，或夜间车的调度。

2、人类有一个“熟悉定律”，对自己熟悉的事物更容易接受。我们要搞很多体验活动，让人们熟悉它。

3、让人保留少量控制权。谷歌就在无人车的后座，放了help和pull over两个按钮，能随时让车靠边停下。

倪凯（禾多科技创始人）：我想补充一点。当我们是小孩的时候，是怎么去学自行车、滑冰的？一开始后面都有人扶着，到某一天，大人忽然放手，你都不知道它放手了。现在的L3.5也是一样：，明明做到L4了，但对外说是L3。这样，无论从技术角度，还是用户心理接受，都比较负责。

姚颂（深鉴科技CEO）：确实，这是自动驾驶技术一个“降维”的思路。奥迪就是这样做的。比如他们要推L3的一个系统，但一开始会发布说是L2，也就是要人监管的。这样多少会建立起自信心。可能有一天，我软件并没有很大的升级，但宣布是L3，大家也会接受了。

很多人尝试L4一步到位，这靠谱吗？

倪凯（禾多科技创始人）：现在如果做L3，它的工业技术、数据积累、现金流和业务模式都是成熟的。但L4要实现，大家公认至少是5年后，悲观一点的认为要7到10年。

在这么长的时间跨度里，很可能出现颠覆性的技术，导致你现在的工作都白做了。你想一下我们7到10年前，没人在讨论机器学习，也不会在车上、GPU上做运算。以后，不管是Mobileye还是传统公司，做L4、L5都会需要强大的并行计算能力，把平台开放出来。

吴甘沙（驭势科技创始人）：我觉得这其实是商业路线之争。传统车厂的业务模式就是卖私家车，对成本敏感，并且有很大用户基数，去试错成本太高，必须要一步一步L2、L3、L4这么走过来。新兴的互联网厂商，他们的基因是运营，打的是增量市场，而且用户少，能很激进地图突破，所以更倾向一步到位。

在技术上，传统车厂和互联网车厂其实是趋同的。从L3以后，主流车型都会配备激光雷达、高精地图，这些以往都是互联网公司用的东西。

我觉得路线融合后，下一个关键点其实是“更强的人工智能”。它以后必须有举一反三的能力：这个环境没去过，比如一个新的停车场，它也要能够找到出口。这需要机器学习、理解的能力，这些基于激光雷达、高精地图都是不存在现成方案的。但没有它，就不可能真正解决无人驾驶的问题。