GMIS 2017嘉宾：AI「标准教科书」作者Russell

来自 UC Berkeley 的 Stuart Russell 教授将亮相机器之心 5 月 27 日至 28 日在北京 898 创新空间举行的 2017 全球机器智能峰会（GMIS 2017）。作为人工智能领域的顶级学者，Russell 对人工智能的发展作出了巨大的贡献。

由机器之心主办的全球人工智能盛会——2017 全球机器智能峰会（GMIS 2017）——将于 5 月 27 日至 28 日在北京 898 创新空间举行。本次大会将邀请海内外众多嘉宾及机构，权威、系统地介绍机器智能相关技术的前沿研究，探讨如何将技术转化成产品和应用等问题。

这段时间，我们将对受邀参会的一些重量级嘉宾进行介绍，继前两天我们介绍了被誉为 LSTM 之父的 Jürgen Schmidhuber 之后，今天我们将为大家介绍人工智能领域的另一位大神级人物 Stuart Russell。

人工智能领域「标准教科书」作者

Stuart Jonathan Russell 出生在英格兰朴茨茅斯，并于 1982 年在牛津大学瓦德汉学院获得物理学一等荣誉学士学位，1986 年获得斯坦福大学计算机科学博士学位。在获得博士学位后，Russell 加入了加州大学伯克利分校，并成为了一名计算机科学教授；他所研究的人工智能领域主题范围非常广，包括机器学习、概率推理、知识表征、规划、实时决策、多目标追踪、计算机视觉、计算生理学、全球地震监测和哲学基础。此外，他也为联合国工作，为「禁止核试验条约」开发新型的全球地震监测系统。他当前的研究课题也包括自动武器的威胁以及人工智能的长期影响及其与人类的关系。

作为人工智能领域的重量级学者，Stuart Russell 对于快速发展的人工智能技术面临的机遇和挑战有着自己独到的见解。2015 年，他曾起草并率先在一份旨在呼吁学者多方面考虑人工智能研究的公开信上签字，信中指出：「我们建议扩大人工智能研究的范围，目的是确保日益强大的人工智能系统是稳定和对人类有益的。」这封公开信得到了来自全球 7000 多名学者与业界人士的支持，其中包括谷歌、Facebook、微软等科技巨头的核心人工智能研究者，以及全球顶尖的计算机科学家、物理学家和哲学家。

随后，他又在一次互联网金融峰会上表示：「人工智能的应用越来越火爆，相应也带来了一系列挑战，因为人工智能并不是万能的，它不能代替人类思维，当发生突发事件时，机器就没有人脑靠谱了。」

Stuart Russell 的 TED 演讲《人类和人工智能的未来》

荣誉

Stuart Russell 的研究获得了学界的广泛认同，他曾在 1995 年国际人工智能联合会议上获得 IJCAI Computers and Thought Award，这是国际人工智能为 35 岁以下研究人员提供的国际大奖。1997 年，他当选为美国人工智能协会会士（AAAI Fellow）。2003 年，他被选为美国计算机协会（ACM）的会士，并在 2005 年被授予了 ACM Karl V. Karlstrom 杰出教育家奖。2011 年他又被选为美国科学进步协会（American Association for the Advancement of Science—AAAS）的会士。

著作

作为 UC Berkeley 的著名教授，Russell 的著作和研究受到人们的普遍关注，他是人工智能领域「标准教科书」《人工智能：一种现代方法》的主要作者（谷歌研究主管 Peter Norvig 也是该书作者）之一。该书是一本指导性的人工智能书籍，基本覆盖了人工智能的主要方法与概念，并且其全面性以及结构性极其出色。另外，这本标准教科书被全世界 1300 多所大学选为教材。

桃李满天下

Russell 不仅是一位杰出的研究者和科学家，也是一位桃李满天下的老师，经他指导过的学生有许多成为了大学的教授、实验室的科学家或公司的创始人，其中包括：

• 刑波，卡内基梅隆大学计算机科学学院教授，Petuum 创始人

• Geoffrey Zweig，摩根大通公司机器学习全球负责人

• 吴翼，NIPS 2016 最佳论文《Value Iteration Networks》的作者之一，参见机器之心文章《独家 | 机器之心对话 NIPS 2016 最佳论文作者：如何打造新型强化学习观？（附演讲和论文）》

定义智能

今年 2 月初，Stuart Russell 在 Edge 发表了一个关于智能本质的专题演讲《定义智能（Defining Intelligence）》。Russell 在该演讲中结合自己的成长和研究经历谈论了自己对于智能的思考以及相关研究的情况。

他表示自己一直以来都在研究一种定义智能的方法。他说，「我反对那种认为该问题无法解决的声音，我认为一定可以找到一种方法来定义智能。这个有界最优解的思想（idea of bounded optimality）简单说来就是你有一台机器且这台机器是有限的——有限的处理速度和储存空间。这意味着该机器只能运行有限的程序。在这个有限程序的集合之中，有一个或一些类别的程序会比其它程序效果更好；而这些程序正是我们的目标。」

此外，他还认为我们不应该将人工智能看作是一个算法的集合，「一个算法是针对某一特定问题的高度工程化的加工品。我们有非常高度工程化的双玩家游戏算法，但它们不能处理三人玩家游戏或双玩家偶然性游戏（比如五子棋），你需要一个全新的算法。但是人类不同。你可以学习国际象棋和五子棋。你不需要工程师来给你一个新的算法。因此，它一定是产生自一些更普遍的、控制思考和计算来快速得到优良决策的过程。」

除了在智能定义方面的思考，理性的元推理（meta-reasoning）技术也是他在 80 年代末和 90 年代初所进行的重要研究。

于是在思考了很多有关理性和智能的问题之后，Stuart Russell 联合 Peter Norvig 写出了上面所提到的著作《人工智能：一种现代方法》。在 Edge 的这篇文章中，Russell 还谈到了自己对专家系统、深度学习的看法，感兴趣的读者可观看以下视频：

学术影响力

Stuart Russell 目前是加州大学伯克利分校计算机科学教授兼加州大学旧金山分校的神经外科副教授，在这一部分，我们来了解一下他在计算机科学领域的研究。

首先让我们看两张图：

这张图是 Semantic Scholar 平台统计的 Russel 的论文引用情况，据该平台估计，Russell 的引用量大概是 31015 到 40731 之间。

这张图是 Russell 在 Semantic Scholar 平台上的学术影响力评估，可以看到他有 775 的高影响力。下面机器之心将从 Russell 最具影响力的几篇论文和最新发表的几篇论文这两个方面梳理其学术成果。

首先需要关注的是刑波、吴恩达、Russel 等人在 2002 年发表了一篇具有很高影响力的论文，该论文由 NIPS 所接收，并对后来的机器学习研究产生了深远的影响。

在该论文中，作者们发现许多算法严格依赖为输入提供优良的度量标准。例如，数据通常是通过所谓「合理」的方式进行聚类。因此对于需要良好度量的应用，他们希望能提供更加系统的方式规范化主观认为「类似」的方式。在这一篇论文中，作者们提出了一个算法，即在给定 n 维点的相似样本对情况下，学习一个 n 维距离度量（distance metric）来表征这些样本之间的关系。他们的算法基于将度量学习作为凸优化问题，并能得出有效的局部最优解。作者们还经验性地证明度量学习能显著提高聚类算法的性能。

紧接着，吴恩达和Stuart Russell 在 2000 年发表的一篇逆向强化学习算法（Algorithms for Inverse Reinforcement Learning）也有很大的影响力，该论文由 ICML 收录。除了该篇论文，同样于 2000 年发表的动态贝叶斯网络 Rao-Blackwellised 粒子滤波器也有深远的影响，该论文由 UAI 收录。

在本篇论文中，作者们先是介绍了粒子滤波器（Particle filters/PF）是用于动态贝叶斯网络（DBN）基于采样的推理/学习高效算法。然后他们展示了如何使用动态贝叶斯网络的结构提高粒子滤波的效率，即使用一种称之为 Rao-Blackwellisation 的技术。作者们的研究显示，Rao-Blackwellised 粒子滤波器（RBPF）能产生比标准 PF 更加精准的估计。

以上两篇是 Stuart Russell 参与发表影响比较深远，引用比较多的学术论文。而若要进一步了解 Russell 最近的研究动态，或者是最近发表过的论文，我们可以了解一下以下两篇论文。在这两篇论文中，Russell 扮演者导师的角色。

第一篇收录于 AAAI-2017 的论文，该论文讲述了一种用于时间模型中联合参数和状态估计的近似黑箱的在线算法。机器之心在 AAAI-2017 期间不仅对该论文做过详细报道，同时还对该论文的其他三位作者 Yusuf Erol、吴翼和李磊进行过专访（独家对话 AAAI-17 论文作者 Yusuf Erol、吴翼和李磊）。

在本论文中，作者们表示虽然在线联合参数和状态估计是时间模型的核心问题并十分重要，但大多数现有的方法不是局限于特定类型的模型，就是计算量十分巨大。因此他们提出了一种全新的近似黑箱算法（nearly-black-box algorithm），这是一种用于状态变量的粒子滤波（particle filtering）和用于参数变量的预设密度滤波（assumed density filtering）的混合。因为该算法在计算上具有高效性，并适用于带有任意转变动态（transition dynamics）的离散和连续参数空间，作者表明算法在几种不同的模型都生成了更加精准的结果。

同样，Russell 作为作者之一与第一作者Dylan Hadfield-Menell在去年的人工智能顶会 NIPS-2016 上发表了一篇协同反向强化学习（Cooperative Inverse Reinforcement Learning），该论文还有其他几篇强化学习论文（如 Q-Decomposition for Reinforcement Learning Agents 和 Algorithms for Inverse Reinforcement Learning 等）也在一定程度上表明了 Russell 比较关注于强化学习这一块。

在本论文中，作者们首先就阐明为了让自治系统（autonomous system）对人类有帮助，其需要在环境中令自身的价值与人类的价值相一致，从而自治系统的行为才能有助于人类价值的最大化。随后，作为协同反向强化学习（cooperative inverse reinforcement learning/CIRL），他们提出了值对齐问题（value alignment）的正式定义。他们的该研究表明，在 CIRL 博弈中能计算最优联合策略，并证明了孤立的最优性在 CIRL 中并不是最优的。

以上，机器之心简单地梳理了其研究论文，我们希望读者对 Russell 教授的研究能有一个大致的了解，并期望学术上硕果累累的 Russell 教授能在 GMIS 2017 大会上给我们带来不一样的思维盛宴。

参考文献

• Stuart Russell：人工智能就好比核武器

• 深度 | 伯克利教授 Stuart Russell：人工智能基础概念与 34 个误区

聚焦人工智能的未来，Russell 还想分享更多！

Stuart Russell 有着丰富的研究经验，对人工智能的未来也有着细致的思考。在机器之心 GMIS 2017 全球机器智能峰会上，这位人工智能领域「标准教科书」的作者将会为我们带来更多人工智能技术和研究方面的精彩分享，这也是与顶级大牛近距离接触的不可多得机会。

2017 全球机器智能峰会（GMIS 2017）是由机器之心主办的关注全球人工智能及相关领域的行业盛会，将于 5 月 27 日至 28 日在北京 898 创新空间举行。为了让更多人工智能爱好者参与进来，我们也已经开启了免费赠票活动。

大会官方地址：http://gmis.jiqizhixin.com/