唯一让计算机变得更智能的方法
今天，人工智能确实取得了相当的进步，比如用相机拍照时，相机可以通过人工智能识别人脸。又如在使用信用卡时，也会有人工智能来帮助识别该卡是否已经被盗。现在人们甚至可以通过手机上的语音识别系统来指挥手机操作。但尽管如此，人工智能距离人脑的智能水平还有相当的差距。
从20世纪以来，人工智能就不得不面对一个窘境：如果说互联网的发展总在超出人们的预期，那么人工智能呈现的局面却有些尴尬，人们的预期常常显得过于乐观。比如按照20世纪50年代的预期，20世纪60年代就应该有自然语言翻译了，但直到今天，实现顺畅的自然语言翻译也让人感觉遥遥无期。
另一位人工智能大师丹尼尔·希利斯（见本书丹尼尔·希利斯篇）就跟我聊到，早在20世纪70年代中期，会下棋的计算机就被开发出来，当时大家非常乐观，觉得在人工智能领域即将实现突破，但事实却不像人们想象的那样。对机器来说，如下棋这样人们看起来比较难的事情其实很简单，而如人脸识别这样看起来非常容易的事情却很费劲。实际上，人工智能比我们想象的要难很多。
吴恩达持同样的观点，半个世纪前，人们对人工智能发展的估计还是过于乐观了。计算机不同于人脑，比如在识别图片时，人所看见的是图片，但计算机看到的只能是数字，计算机的工作就是捕捉这些数字，然后再识别图片究竟是什么。这是一个非常复杂的数学问题。正确的算法应该是怎样的？这让人工智能专家束手无策。
今天，随着计算机技术和互联网的发展，数据的存储成本已经大幅度下降，计算机运算能力在不断提升，世界数字化的趋势不断加强，这就大大提高了数据的可用性。因此，我们能够给计算机提供更多的数据。吴恩达也认为，目前找到的唯一一个让计算机变得更加智能化的方法，就是把机器建造得足够大，开发出能够处理更多数据的计算机芯片。我们要为计算机提供更多的数据，因为能够处理越来越多的数据是使人工智能技术更加完善的最可靠的办法。
早在20世纪90年代，就出现了一种训练神经网络的算法，来训练计算机软件模拟人脑的技能。一晃20多年过去了，吴恩达他们惊奇地发现，因为拥有更多的数据和更强的计算能力，这套软件在今天运行的效果要比在20年前好得多，做出了很多在20年前无法想象的事情。
事实上，吴恩达所取得的突破，正和互联网以及神经网络大环境取得的发展密不可分。吴恩达也认为，正是因为信息存储费用的不断下降，计算能力的不断增强，以及当今世界的数字化进程不断发展，因此才能产生更多数据。我们迈进了大数据时代，而大数据反过来又推动了更多智能设备的出现，如今的智能软件可以帮助我们处理数据，获取知识。
深度学习
理解吴恩达对人工智能发展方向的判断，也就不难理解为什么他会加入谷歌发起的“谷歌大脑”的项目了——因为谷歌拥有大量的计算机。吴恩达在谷歌建立起了有10亿个节点的神经网络，随后他们进行了一个成功而有趣的实验，让这个有10亿参数的神经网络通过“观看”大量视频，自主“学会”了识别猫脸的技能，而此前，没有任何人为此预先编写过任何程序。
尽管识别猫脸是一个三岁小孩就能做到的事情，但机器能做到这点确实是一个惊人的成果，吴恩达的实验也是该被深度学习的一个实例。顺带可以提及的是，在互联网上，猫所受到的关注远多于狗，关于猫的视频、图片往往能获得更高的点击量和评论数，形成独特的“猫文化”。
所谓深度学习，是指对人脑神经细胞的模仿。人的大脑里有大量彼此联系的神经细胞，这些神经细胞可以彼此传递神经刺激。但运算的过程并非一步到位，而是从一个层次到另一个层次，一层一层地计算复杂的事物。计算机模仿这一过程，也就形成了深度学习，深度学习算法的实质其实就是一种人工神经网络。
深度学习算法最擅长的事情就是吸收大量的数据，如猫脸识别的实验一样，并没有人事先通过编程的方式告诉计算机什么是猫脸，但计算机却可以通过海量的视频和数据分析自己掌握猫脸的特征。
吴恩达曾经也研究过无人驾驶的直升机、打扫房间的机器人等，但随后他发现核心问题不在于怎么建造机器人，而在于怎么来编写一套软件，来教会机器人观察周围事物，使其聪明到可以识别不同的物体。这就是他把研究的重点从机器人转到深度学习的原因。
有教无类，因材施教
2012年，吴恩达和达芙妮·科勒（Daphne Koller）联合创办了大型公开在线课程网站Coursera，即通过网络，为全球各地的学生提供高水平在线课程。这仍然沿袭了吴恩达关注的学习、大数据等主题。
Coursera网向斯坦福大学等名校提供技术和解决方案，来支持这些名校做开放课程。这些课程被上传到Coursera网上，然后通过Coursera网传播给全球各地的学生。学生们可以在Coursera网上申请一个账户，然后再注册相关课程。
课程开始后，学生需要每周听几个小时的讲座，也需要做作业，然后作业会得到评分和反馈。在课程结束后，如果学生完成了所有的作业，并且作业得分符合标准，就会得到一个合格证书。这样学生就可以把证书放进自己的简历中去，来帮助自己找到更好的职业或教育机会。证书会收取小额的费用，如果学生确实财力有限，则可以填写一份财政资助申请表，然后获得免费发放的证书。
目前，Coursera网已经发展为全球最大的大规模互联网开放式课程平台，拥有100多个合作伙伴、500多门课程、550万名学生。和很多在线教育课程（参看本书萨尔曼·可汗篇）一样，Coursera网翻转了课堂。学生们可以通过网络自主学习，而和教授及同学在一起的宝贵时间则被用以进行有针对性的讨论。
教师的资源得到最大化的利用，过去一个教授在课堂上面对的学生不过几十人，而今天则可以通达全球数以万计的学生。在Coursera网上，一名大学教授只需要三个月就可以教比从前整个执教生涯里教的还多的学生。
学生们可以自由灵活地听课，有弹性地掌握学习进度，然后可以在线答题并获得系统自动评分，也可以互相评分。而且系统评分是非常有耐心的，可以为学生进行至少10次的评分，直到学生做好为止。事实证明，这非常有效。
当然，重视大数据的吴恩达不会忽视将数据应用于在线教育。Coursera网拥有大量的课程和学生，还可以通过系统追踪学生们在网站上的所有活动，无论是鼠标的点击还是答案的选项，或者在什么时候阅读了什么样的内容，这成为丰厚的数据来源。通过大规模的数据收集分析，可以更好地了解人们学习的习惯，进一步开发出更好的课程来。
大数据甚至在群发的邮件上都发挥了很好的作用。一封内容千篇一律的邮件是难以得到学生关注的，但如果能根据数据分析的结果，给学生提供与他们学习进程相关的个性化内容，告诉他们在哪些方面已经做得很好，还有哪些任务需要赶快去完成，这样就能非常好地鼓励学生学习下去。对于一堂动辄拥有成千上万学生的课程来说，这非常重要。
因此，当我问吴恩达他最喜欢的一句名言是什么时，他用中文回答我：有教无类，因材施教。这个理念来自中国的孔子，在吴恩达看来，今天的Coursera网就是在努力实现“有教无类，因材施教”的愿景。
“有教无类，因材施教”也从某个侧面折射了互联网时代规模性和个性统一的特征。工业时代有力地推动了规模性，但却牺牲了个性化。而互联网时代，几十亿人连接到网络里来，形成一个大的社会网络，产生规模性，但与此同时，我们每个人又不会失去自己的个性，从而实现了“我为人人，人人为我”。这是互联网创造的非同寻常的价值，是工业时代做不到的。
网络化的学习
侦探推理小说里，总少不了这样的场面：一个看起来很不起眼的线索，比如脚印、烟灰、划痕；一个让人费解的难题，比如凶手有不在场的证据、密室作案……当大侦探或推理高手们收集到尽可能多的线索，而且不停地找出这些看似零散的线索彼此之间的联系，或者说，把这些看似孤立的线索点连接起来形成网络时，那些看着不起眼的线索或者费解的难题立刻就明了起来。用名侦探柯南的口头禅表示就是——“我明白了，原来如此”。在郭富城出演的电影《B+侦探》和《C+侦探》里，就有他把所有线索写到黑板上，寻找联系，进行推理的过程。
孤立的知识点价值是比较低的，只有在整个知识网络中将知识点之间的联系直观地呈现出来，才更加有助于我们深刻地理解其价值。这种思考方式不仅可以用于侦破推理，更可以用于学习。近年来在这个方向上也涌现了很多学习方法上的创新成果，比如思维导图就可以被视为一种新的学习方法。这种方法将一个学习对象的架构呈现出来，理想状态可以让学生更清楚每一个概念、每一个命题在整个知识大图景里的位置和彼此间的联系，从而帮助学生更加清晰地掌握知识和彼此的关联。
其实，人类的思维、意识和智能本身就是神经网络的涌现现象，因此，将知识网络化，将单个知识点和其他知识点联系起来，并对其进行结构化的理解，再加上大数据的助力，会对学习教育有深远的促进。
史蒂夫·布朗：
人人都是未来学家
越来越多的公司会设置未来学家这个职位，在互联网时代，未来的重要性前所未有地凸显出来。在500年前，一把斧子可以从祖爷爷、爷爷用到孙辈、重孙辈，但在今天，手机要不了几个月就会更新换代。摩尔定律描述了科技爆炸式的增长，这让未来呈现多样的可能性，但人们期待的并非技术本身，而是技术以人为本，让这个世界更美好。在世界日新月异的年代，每个人都应该是未来学家，因为每个人都生活在未来。
20世纪80年代初，中国刚刚改革开放不久，一本叫做《第三次浪潮》的书在中国翻译出版。这本书启迪了一代人建立对未来的梦想，许多人也是首次通过其作者阿尔文·托夫勒才了解了未来学家。记得在1988年时，我也参加过未来学会。
对未来的畅想并不是未来学家的专利，许多科幻类题材的文艺作品尤其善于此道。不过，在英特尔未来学家史蒂夫·布朗（Steve Brown）看来，好莱坞乃至整个电影行业对未来的描摹有很强的娱乐性，太过于耗费笔墨去描绘未来应该被我们避开的一面，这也许是种警示，但绝不是未来的全部。
在英特尔，未来学家需要对遥远未来发生的事情保持热情，要深刻理解产业的运作特点，关心计算机和科技对人类的贡献。从根本上来说，未来学家所做一切的中心主题就是人。要能理解人们想在未来做什么，人们会遇到什么问题，人们有什么愿望，而后才是思考技术如何才能更好地帮助人过上更好的生活、更加幸福、更高产，解决他们遇到的问题。
技术对人类的影响是显而易见的。在工业革命之前，人类的平均寿命才30岁出头，而现在，很多国家人的预期寿命都达到了70岁甚至80岁。但与之相对的是，技术的更新速度越来越快，更新周期却越来越短。我们的远祖一辈子都难以体会到技术变革带来的影响，而现在，我们却要如坐过山车一般，不停地一次又一次地体会高节奏技术变革带来的刺激和影响。
因此，未来学家确实需要对技术保持高度的敏感性。在史蒂夫·布朗大概只有10岁的时候，他第一次见到了计算机，非常简单的计算机——发光的绿色屏幕，程序设计也不复杂。年少的史蒂夫·布朗坐在暗处，对着绿色的屏幕开始编程。据他回忆，他当时的感觉就像是在创造生命。在那个时候，史蒂夫·布朗就告诉自己，这就是自己未来的职业，他爱上了计算机，并意识到计算机未来会有多重要。
史蒂夫·布朗打趣地对我说，他刚来英特尔时还是满头华发，一晃28年过去了，头发都掉了个精光。看来做一个未来学家并不容易，需要积累深厚的功力。
在英特尔的28年里，史蒂夫·布朗当过工程师、做过产品规划、也待过行业市场部门，经历可谓非常丰富，这为他成为未来学家打下了扎实的基础。
为什么需要未来学家？
为什么需要未来学家？
这首先源于业务的需求。英特尔生产硅片和其他小部件，这些部件上的晶体管和零件数量要以惊人的数十亿计，所以硅片复杂得难以设计，从最初有设计的想法，到进行设计、开始生产，直到第一批硅片出厂，要花费7年的时间。所以英特尔需要未来学家去思考7年后的事情。
还有的技术则需要5年、10年甚至15年才能被开发出来，因此在英特尔，未来学家需要想象人类在5年、7年、10年甚至15年以后需要什么样的产品，这样才能规划接下来的研发和生产，以确保英特尔能在未来为人类生产出很棒的产品。
