閆安比約定的時間早到了幾分鐘。見到我時，他笑著站起來跟我握手。他的冰咖啡已經(jīng)喝了一大半。
2017年3月一個工作日上午10點，香港IFC里這家咖啡店已然滿座。我們旁邊坐著膚色各異，講不帶口音英語的型男型女。他們穿著貼身西裝小背心，頭發(fā)用塑形膠整得棱角分明。
坐在我面前的閆安穿著休閑襯衫，放松自然，頭發(fā)也無立體造型。他氣質(zhì)樸實，卻跟周圍人群有種“和而不同”之感。
閆安在北京出生、長大。他是1996年國際數(shù)學(xué)奧林匹克競賽（IMO）金牌得主。閆安1997年保送北京大學(xué)數(shù)學(xué)系，2000年本科畢業(yè)，進入美國斯坦福大學(xué)，先后學(xué)習(xí)數(shù)學(xué)和金融。在斯坦福大學(xué)攻讀金融博士學(xué)位期間，閆安離校，前往高盛東京的Sales and Trading Desk工作。
“我對自己學(xué)的東西，特別是金融理論沒信心，想去行業(yè)內(nèi)看看到底在發(fā)生什么。”他這樣解釋當(dāng)初的動機。
閆安在高盛東京工作了一年。他很快發(fā)現(xiàn)自己對金融業(yè)興趣不大，但高盛倡導(dǎo)的“Long Term Greedy（長期貪婪）”理念引發(fā)他深思。
“我覺得（這說法）很有道理，但Greedy（貪婪）最終的目的是什么？我在高盛沒有找到。我覺得他們的目的是把自己變成一堆錢。但是把人變成一堆錢之后呢，要做什么？”
輾轉(zhuǎn)幾家國際金融機構(gòu)，從美國到東京到香港，閆安找到了答案——人工智能。
閆安認為，人工智能是未來社會的基礎(chǔ)設(shè)施，對于世界的重要性，將不亞于水、電、氣。就像每一個城市都有自己的醫(yī)院一樣，未來每一個城市都應(yīng)該有自己的DeepMind（英國的一家人工智能公司，2014年被谷歌收購）。
閆安想，如果自己能在人工智能的任何一個方向取得突破，比如數(shù)學(xué)定理證明、深度強化學(xué)習(xí)，都會創(chuàng)造無法估量的價值：“這是讓我非常興奮的目標(biāo)，就是我們可以集體走進一個更高級的社會?！?br>
就像一個彷徨許久的人終于在茫茫人海中發(fā)現(xiàn)真愛，閆安就這么找到了人工智能。
至于怎么推進人工智能的研究，閆安一開始并沒有清晰的線路。他一門心思要去做研究、讀論文。這個行業(yè)論文閱讀量巨大。行業(yè)三大會議之一，ICLR（International Conference of Learning Representation）一次發(fā)500篇論文。閆安一個人可能要花兩個月時間讀完。剛讀完，下一波論文又出來了。
2016年12月的一天，閆安靈光一動，萌發(fā)了開公司的念頭?！拔乙幌?，這件事這么好，我要去促進這件事啊?！?br>
當(dāng)月，公司在香港正式注冊，閆安成為唯一的股東和董事。他一邊做研究，一邊開公司賬戶，一邊琢磨公司融資、運作模式。
2017年2月，閆安在北大香港校友會的春節(jié)聚餐上分享了自己對于人工智能的思考。3月，閆安又前往香港英皇佐治五世學(xué)校跟中學(xué)生們做了一次講座。
普及AI領(lǐng)域的進展，在閆安看來，是自己“力所能及的主要公共服務(wù)”。
在另一條戰(zhàn)線上，閆安積極地跟香港高校聯(lián)系科研合作。如果順利，今年夏天，韓國首爾國立大學(xué)和香港科技大學(xué)的兩組學(xué)生將加入閆安的AI研究小組。這將部分緩解他的科研壓力。
“閆安雖然看上去很理想主義，其實落地能力很強?！遍Z安的朋友王遠航告訴我。
這幾個月，閆安像他研究的學(xué)習(xí)系統(tǒng)一樣，一邊跟環(huán)境交互，一邊學(xué)習(xí)、提高。
他關(guān)于公司的想法在演變。今年3月初，我第一次跟閆安聊到商業(yè)模式時，他說自己并不是從原則上反對商業(yè)化。一個多星期后，我們再見面，他決定不再考慮商業(yè)模式，以非營利的方式來運作公司——“類似美國的 OpenAI”。
目前閆安主要精力集中在三條主線：一是人工智能安全性的研究；二是連續(xù)更新的Literature Review（由于文獻綜述工作量大，他覺得最好是有個科學(xué)家團隊組織起來，一人看一塊）；三是自動數(shù)學(xué)定理的證明。
“說不定六七年之后，計算機就會解決數(shù)學(xué)中未解決的問題——例如哥德巴赫猜想（哥德巴赫猜想用現(xiàn)代數(shù)學(xué)語言可以陳述為：任一大于2的偶數(shù)，都可表示成兩個素數(shù)之和） 。可能出來的證明是幾百頁誰也看不懂的邏輯符號?！彼f。
閆安在微信上拉了一個“AI資訊群”。幾十個人中，就有多位數(shù)理化信息學(xué)國際奧賽金牌得主。群里的小伙伴們紛紛稱閆安為“教主”。
一次，微信群討論招人的問題，有朋友問閆安：“在中國能發(fā)頂會（頂級會議）的人行情價就要六十萬起，你真的準備招嗎？”
“招，一百萬起。”閆安說，“100個這樣的人就能組半個DeepMind了，年費一個億，這是多好的deal？加上各種overhead（運營費用），年費兩億。”
這時，群里一位奧賽金牌朋友立即潑冷水：“建議教主多接觸一下現(xiàn)實生活?！?br>
也許在外人看來，閆安對人工智能的執(zhí)著似乎有點“堂吉訶德”的味道。然而他對怎樣前進，其實心中已經(jīng)有了清晰的路線圖。
閆安告訴我，人工智能一旦成為社會的基礎(chǔ)設(shè)施，我們會生活在一個非常不一樣的世界。那個時候再來看現(xiàn)在的我們，會像我們現(xiàn)在去看工業(yè)革命之前的世界。
他說：“跟這件事比起來，其它事就不那么重要了。”
對話
Q：你最早關(guān)注人工智能是什么時候？
A：2013年，我發(fā)現(xiàn)出現(xiàn)了很多人工智能的新聞，圖像識別領(lǐng)域出現(xiàn)了突破。2013年底，倫敦的一家公司DeepMind用計算機玩視頻游戲取得了一些進展，2014年初它被谷歌收購?？吹竭@些新聞后，我覺得這個領(lǐng)域很有意思，就去學(xué)一些相關(guān)的知識，像計算機，神經(jīng)科學(xué)。一邊學(xué)，一邊看新的論文。
Q：作為一名研究者，你發(fā)現(xiàn)這個領(lǐng)域和其它學(xué)科最大的不同是什么？
A：首先，這個領(lǐng)域的論文都比較公開。不像商學(xué)院、數(shù)學(xué)系，那些論文要發(fā)表之后很久，Review （被評審）之后過了一年才出來。這個領(lǐng)域的進展速度是我以前從沒有見過的。以前不管數(shù)學(xué)，還是金融，都是你要學(xué)很久才能到這個領(lǐng)域的前沿。然后你發(fā)現(xiàn)，到了前沿，大多數(shù)commonsensically（常識上）可以做的東西都被做的差不多了。只有一些很小的地方往前走一點，而要花很多時間才能真正理解別人在做什么。
而這個領(lǐng)域很不一樣，就好像哥倫布發(fā)現(xiàn)新大陸一樣，你發(fā)現(xiàn)有好多可以做的東西。原因是這個領(lǐng)域之前經(jīng)歷了一個長時間的寒冬。人們起先認為用神經(jīng)網(wǎng)絡(luò)的方式去做人工智能是行不通的。因為之前一直缺少證據(jù)。全世界只有一小撮人在做。因為人不夠，所以這個領(lǐng)域發(fā)展受到了很大的阻礙，比別的領(lǐng)域緩慢很多。但這一次重新來過之后，你就發(fā)現(xiàn)你要用幾年的時間，把過去20年時間落下的進程補回來。只要你有一定基礎(chǔ)，你就可以馬上去接觸到前沿的東西。
今年4月24號即將召開一個行業(yè)頂級會議，ICLR（International Conference of Learning Representation)， 去年11月份截止收論文。官網(wǎng)顯示來自全世界的作者交了490篇論文，其中選出可以口頭去講的是15篇，占到約3%。這15篇里面，大部分都是谷歌、Facebook這種很大的實驗室出的。但還有一篇Single Author （單一作者）的文章，是個大三的學(xué)生寫的。
這是個很開放的領(lǐng)域。你不需要是一個積累了十幾年二十幾年的專家，在一個方向上突破一兩年，有一定積累，你就可以走到世界前沿。我可以作為一個不是內(nèi)行的人，很快了解到前沿，很快看到前景是什么。
Q：你怎樣理解人工智能的前景？
A：首先，前景并不是我去做一個應(yīng)用程序讓大家去download（下載），或者我去做一個網(wǎng)站，提供一個服務(wù)。
我們沿這個方向走下去，可以把人類智能做到機器里面去，就可以很快規(guī)?；?、放量。本質(zhì)上講我們面對的是一個潛在的、未來智能化的系統(tǒng)。像一個新的基礎(chǔ)設(shè)施一樣，把整個社會推到新的高度上。就好像我們現(xiàn)在這個社會很繁榮，很大程度上依賴于水電氣很方便供應(yīng)給大家，有一個城市，大家可以在里面很開心地生活。
你想，未來的基礎(chǔ)設(shè)施是什么？就是可以把人的智能實現(xiàn)出來。比如你想看電影，可能這個計算機跑幾個小時，一個新的電影出來了。不需要導(dǎo)演，演員去拍。你說你需要軟件，軟件也可以計算機自己來生成，你告訴它你需要什么，然后它生成這些程序。這是個運算的過程。再比如說像Google這個網(wǎng)站，它有20億行代碼，2萬5000名工程師（根據(jù)2015年9月的Wired數(shù)據(jù)），每天有很多個更新，代碼不斷擴張。這個事情對人的價值很大的，本質(zhì)上也是個計算的過程。在生活中把知識、常識轉(zhuǎn)換成代碼放進去。這件事本質(zhì)上也可以數(shù)字化。
當(dāng)我們有一個很好的基礎(chǔ)設(shè)施，可以自動地去生成這些東西的時候，那么我們生活的社會是一個非常不一樣的社會。那個時候看我們，就好像我們看工業(yè)革命之前一樣。
所以看到這個前景之后，其它事情，跟這個比較起來，都不是那么重要了。
Q：你的切入點在哪里？
A：我最早的想法是，我就好好學(xué)，爭取自己寫一些論文，走在前面。慢慢我發(fā)現(xiàn)，這件事是不切實際的。比如ICLR一次發(fā)500篇論文，一個人想去把它讀下來？你都沒有時間把它讀完。等你花兩個月時間把它讀完，下一波論文又出來了。
這個領(lǐng)域像ICLR這樣的會議有三個。另外兩個，一個叫ICML（International Conference of Machine Learning），一個叫NIPS （Neural Information Processing System）。其中NIPS是最重要的，其次是ICML，其次才是ICLR。然后呢，每一個會議都會有一個deadline（截止日期），分別是11月，2月和5月。每到這個deadline，就會有大批論文出來。
所以這個領(lǐng)域，是每年前進三步。像剛剛結(jié)束的這個ICML的deadline，我有很多論文要看。光是DeepMind，這個月就發(fā)了至少7篇論文。進展非?？斓脑?，你要往前線做研究。雖然前線很近，你如果知道哪個方向，可能一兩年就可以到那個方向——但你怎么知道哪個方向，因為你有這么多的方向在同時前進。
Q：所以你感覺需要一個團隊？
A：所以比較好的方法，是有個科學(xué)家團隊組織起來，每個人看一塊，通過互相的交流，對整個發(fā)展有一個全貌，再去實現(xiàn)這些論文上的具體的做法。因為很多論文不包括源代碼。寫好之后，有一個Expertise（專業(yè)權(quán)威），既知道之前發(fā)生什么，又有自己的工程能力，這時候可以再往前突破，可以很有效率，走的方向也是對這個領(lǐng)域的前進產(chǎn)生效果。
像DeepMind，Google Brain這樣有一個團隊，是有很大的優(yōu)勢的。所以如果我們要為這個領(lǐng)域做一些貢獻的話，至少也要有一個相當(dāng)規(guī)模的團隊。
Q：你具體的線路圖是怎么樣的？
A：我現(xiàn)在具體做的事有這么幾條線：
因為一個人沒有很多時間寫代碼，我先做一些人工智能安全性的研究。社會上很多人很重視：把人的智能做到計算機里面，會不會出現(xiàn)終結(jié)者、天網(wǎng)這樣的事？我想說，東西出來之后，相當(dāng)于是一個很有智慧的基礎(chǔ)設(shè)施。比如說我們生活的環(huán)境，地球，作為一個系統(tǒng)，它是很有智慧的。我們在這個地球上誕生。但我們不會覺得它是個危險的環(huán)境。一個好的人工智能，它是一個推著我們前進的相當(dāng)自然的東西。不能把它想成一個有了超級能力的人，他會跟我們?nèi)屬Y源，或者奴役我們。不是這樣。
如果自己能寫一些東西出來，能把人工智能的公關(guān)問題解決，讓大家覺得這是一個很好的東西。
還有一條線：我想寫一個連續(xù)更新的literature review（文獻綜述）?，F(xiàn)在文獻更新速度太快。你一個人做不到能夠走到前線。我也在盡量找有興趣的人一起做。大家一起做review。有人去看memory，有人去看continual learning，有人看應(yīng)用、圖像、影音，大家能拼成一個完整的圖。
具體的項目，我也在考慮去做自動數(shù)學(xué)定理的證明。這塊一個好處呢，就是，你看AlphaGo。如果你看圍棋的領(lǐng)域進展，你看計算機圍棋的水平，從一段，二段，三段，突然就10段。是一個爆發(fā)的過程。它是怎么爆發(fā)的。本來下圍棋的系統(tǒng)是很成形的。就是你看到一個棋盤，猜下一步怎么走，把所有線路模擬出來，看哪一個最好，怎么下。這個事情不practical（實際），因為圍棋變化太多，你真的用計算機窮舉的話，計算能力不夠。所以AlphaGo做了件什么事呢，它把這個窮舉這個過程，用神經(jīng)網(wǎng)絡(luò)來代替。
我不是去窮舉所有的做法，我是用神經(jīng)網(wǎng)絡(luò)去猜。200種做法，我只看20種做法，就知道怎么走。他們是把人工智能新的做法，放到一個已經(jīng)成形的系統(tǒng)中去。我覺得類似的事情很可能在未來幾年內(nèi)也發(fā)生在自動定理證明這個領(lǐng)域。
因為數(shù)學(xué)證明也是我們知道要證明什么，也知道有哪些假設(shè)，然后像下棋那些用樹形搜索的方式。窮舉下一步要證的，本身也是沒有效率的。如果把人工智能的方法做進去，感覺會有新的提高。說不定六七年之后，計算機就會解決數(shù)學(xué)中未解決的問題（例如哥德巴赫猜想）。可能出來的證明是幾百頁誰也看不懂的邏輯符號。這樣的話既是一個很好的實用項目，又是一個很好的理論項目。
實用上就是你在一個很好的方向上為社會做出了貢獻。你也可以推動更多數(shù)學(xué)家轉(zhuǎn)型做別的。他們都很聰明，可以去推動別的方向發(fā)展。理論上，你也可以進一步提升人工智能本身的能力。因為數(shù)學(xué)證明還是比圍棋難得多的一個領(lǐng)域。
Q：AI的哪個方向最讓你興奮？
A：AI這個領(lǐng)域很大。對外行來講，細分一下，就是Deep Learning（深度學(xué)習(xí)）。再細分一點，叫Deep Reinforcement Learning（深度強化學(xué)習(xí)）。它跟Unsupervised Learning有很大的交叉。再往下面細分，就是構(gòu)造一個好的學(xué)習(xí)的架構(gòu)。這個架構(gòu)的設(shè)計，會用到很多來自神經(jīng)科學(xué)、或者認知科學(xué)等其他領(lǐng)域的啟發(fā)。把人的智能構(gòu)造，放到學(xué)習(xí)架構(gòu)里去，把這個學(xué)習(xí)架構(gòu)放到相對復(fù)雜的系統(tǒng)，去提高學(xué)習(xí)架構(gòu)的智能。
這個系統(tǒng)可以像圍棋，也可以像游戲，也可以是很多游戲串起來。原則上講就是在不同系統(tǒng)中提高學(xué)習(xí)架構(gòu)的智能。這個是比較有前途的方向，也是我希望最終能發(fā)布研究成果的方向之一。
Q：現(xiàn)在有不少做量化交易的團隊稱用了人工智能技術(shù)進行交易，不知道你是否了解AI在這方面的應(yīng)用？
A：很多人說用人工智能，但是人工智能是個很廣闊的領(lǐng)域，我很難判斷他們是否實質(zhì)上在使用近兩三年的新成果。
Q: 你怎樣思考公司的商業(yè)模式？
A：所謂“商業(yè)模式”的主要目的，就是作為企業(yè)，有錢進來。先融資，請工程師，做個系統(tǒng)，賣給別人。這些人獲取了商品服務(wù)把錢給我。但如果我可以直接賣一些股權(quán)，把錢收回來，我可以節(jié)省這個流程。
你作為一個研發(fā)的機構(gòu)，做了很好的項目，比如你解決了哥德巴赫猜想，其實你只需要賣一點點股權(quán)，就可以進來很多錢。不用再去走這個流程，賣東西再進來錢。這個對你的精力也是一種分散。
這件事情的價值是在最后，我們可以去建成一個好的、智能的基礎(chǔ)設(shè)施的時候。價值是巨大的。你可以自動生成Google、Facebook的東西。如果20年能建成，你給它一個估值吧。Bill Gates曾經(jīng)說誰要能突破Machine Learing，這個價值至少是10個Microsoft。你的精力應(yīng)該放在增加實現(xiàn)這件事情的概率上，時間不應(yīng)該去做商業(yè)上的應(yīng)用，除非這個應(yīng)用很好做。但沒必要找個團隊，去跟客戶溝通。我并不是從原則上反對商業(yè)化，如果商業(yè)化能促進這件事發(fā)展，我們也會做。
（我第二次跟閆安聊天時，閆安告訴我：如果你現(xiàn)在問我同樣的問題，我會回答公司不再考慮商業(yè)模式，而是以非營利的方式來運作，類似美國的 OpenAI ）。
Q：你現(xiàn)在在尋找合伙人嗎？
A：合伙人、員工、投資者，都可以找。還是要看大家的興趣。
我沒有特別花精力找投資者。投資者一進來就是給錢，拿股權(quán)。一年見不到幾次。我不希望這樣的交互。我希望持股的人跟我有很多的時間一起做事情。理想情況是找到一起做事情的合伙人。有時間學(xué)習(xí)又沒財務(wù)壓力的人，不太好找。退而求其次，就是一邊發(fā)工資，一邊融資。
