在AI領域，可以稱為教父的人不多，一眼我們看向“深度學習鼻祖”Hinton教授，另一眼一定會望向“機器學之父”喬丹喬教主。今天帶你領略一下機器學習領域的“飛人喬丹”——Michael I.Jordan。
作者&編輯 | 臧小滿
作者&編輯 | 言有三
1 30秒了解Michael I.Jordan
Jordan被譽為“機器學習之父”，機器學習領域最重要的奠基人之一，2016年Science評選的全世界最有影響力的計算機科學家，也是大家熟知的Yoshua Bengio，吳恩達老師(Andrew Ng)的老師，滿門英才開枝散葉。
1956年2月25日，出生在美國路易斯安那州，是全球知名的計算機科學和統計學學者。目前擔任加州大學伯克利分校（UCB）電機工程與計算機系和統計學系教授，機器學習實驗室AMP Lab的聯席主任。Jordan是美國國家科學院、美國國家工程院和美國藝術與科學院三院院士；AAAI，ACM，ASA，CSS，IEEE，IMS，ISBA和SIAM的研究員；2018年被北京大學授予“名譽教授”稱號；阿里巴巴“達摩院”螞蟻金服科學智囊團主席。
主要貢獻有：
1、指出了機器學習與統計學之間的聯系，讓學界認識到了貝葉斯網絡的重要性；
2、發明了Jordan網絡，是遞歸神經網絡的一種；
3、提出了evidencelower bound（ELBO），重建了變分貝葉斯的基礎框架。
圖書作者：Learning in graphical models[M]. Springer Science & Business Media, 1998.
2 代表性研究論文
1、變分方法與圖模型介紹：Jordan M I, Ghahramani Z, Jaakkola T S, et al. An introduction to variational methods for graphical models[J]. Machine learning, 1999, 37(2): 183-233.
2、譜聚類：Ng A Y, Jordan M I, Weiss Y. On spectral clustering: Analysis and an algorithm[C]//Advances in neural information processing systems. 2002: 849-856.
3、文檔主題生成模型：Blei D M, Ng A Y, Jordan M I. Latent dirichlet allocation[J]. Journal of machine Learning research, 2003, 3(Jan): 993-1022.
4、非參數貝葉斯模型：Teh Y W, Jordan M I, Beal M J, et al. Sharing clusters among related groups: Hierarchical Dirichlet processes[C]//Advances in neural information processing systems. 2005: 1385-1392.
5、圖模型，變分推理綜述：Wainwright M J, Jordan M I. Graphical models, exponential families, and variational inference[J]. Foundations and Trends? in Machine Learning, 2008, 1(1–2): 1-305.
所有的論文，在以下GitHub項目中可以獲取，或者給公眾號發送關鍵詞消息“Jordan”，即可獲得下載鏈接。
https://github.com/longpeng2008/Awesome_DNN_Researchers
3 代表性個人成就
2006年IEEE神經網絡先鋒獎
2008年SIAM活動組優化獎
2009年ACM/AAAI Allen Newell獎得主
2015年David E. Rumelhart獎
2016年IJCAI卓越研究獎
2016年《科學》“全世界最有影響力的計算機科學家”
4 AI之路，始于心理學
1956年，第二代晶體管計算機誕生的同年，小Jordan呱呱墜地，冥冥中注定會和計算機有著不解之緣。童年時期，Jordan生活在美國路易斯安那州，一個綜合著美、法、非洲文化的地域，被這個擁有別樣人文風情的地方深深吸引著，從小他就是一個好奇寶寶，喜歡各種馬可·波羅編寫的文藝復興時期探險家的故事。大學期間選擇了當地著名的路易斯安那州立大學（LSU），攻讀心理學。在LSU，Jordan如海綿一樣吸收著哲學家伯特蘭·羅素和科特·哥德爾的思想，畢業后決心繼續進修數學心理學。
Jordan回憶說當時他想從事心理學，但這是一個需要數據分析的實驗領域，所以需要學習統計學，去探索與驗證人類思維的關系模型。1980年，在亞利桑那州立大學畢業時他取得了數學（統計學）碩士學位。
一次度假，Jordan接觸到了“認知科學”這個新興領域，一門將數學應用于人類思維方式的學科，這與Jordan的思想完全契合，受到了教員們的啟發，這次會面不久后，Jordan只身來到圣地亞哥，投奔加州大學圣地亞哥分校心理學和認知科學大佬——David e . Rumelhart攻讀認知科學。1985年，Jordan獲認知科學博士學位。在此期間，他發展了一種認知模型，稱為Jordan網絡，是遞歸神經網絡的一種。
兩年的博士后時光，Jordan在馬薩諸塞大學與安德魯·巴托(Andrew Barto)同任人AI領域研究員。1988年-1998年十年間，他任教于麻省理工（MIT）大腦與認知科學系，并建立一個研究小組，主要研究人類運動控制及機器學習和推理。1997年，加州大學伯克利分校的統計學家彼得·比克爾(Peter Bickel)向Jordan投出橄欖枝，邀請他加入加州大學統計系和計算機科學系，從此Jordan在berkeley坐鎮一方。
不得不佩服，Jordan的讀書與教書時期橫掃美國各大名校，此處需要有掌聲。
5 幫派之大，旗下英雄輩出
上面提到Jordan是美國國家科學院、美國國家工程院和美國藝術與科學院三院院士，也是機器學習領域唯一獲此成就的科學家。簡單普及一下，在美國，國家級院士代表著最高水平的機構，含金量相當的高，僅次于諾貝爾獎的最高學術榮譽之一。
看過天龍八部的朋友都知道喬峰幫主，將降龍二十八掌與少林心法兩者結合，令掌法的威力大大增加，又將二十八掌改良十八掌，真正變成武學中的精髓。
Jordan身兼統計學和計算機科學兩個系的教授，能夠做到將統計學和機器學習完美融合，招攬全世界最優秀的計算機人才，組合最先進的平臺和資源，將貝葉斯網絡發展到高級階段evidence lower bound（ELBO），同時專注于研究概率圖模型（Graphical model）、譜方法、分布式計算系統中內核機及其應用問題、自然語言處理、信號處理和統計遺傳學等問題，幾乎涵蓋了大部分機器學習中的內容。大家熟知的深度學習同樣站在傳統機器學習這個巨人的肩膀上，以Jordan為代表的統計機器學習積累了寶貴而豐富的理論和實踐經驗。
Jordan既武藝高強又教學有方，桃李滿天下，且在AI界都是有頭有臉的人物，上篇文章分享的深度學習大牛Yoshua Bengio，貝葉斯學習權威者Zoubin Ghahramani，曾任百度AI首席科學家吳恩達Andrew Ng，斯坦福大學教授Percy Liang、卡內基梅隆大學計算機科學院教授Eric Xing都是其得意弟子。最近如日中天的對抗生成網絡Gan的提出者Lan Goodfellow是Bengio學生，Jordan毋庸置疑是祖師爺！
Jordan兢兢業業三十年為AI當代研究奠定了基礎，做到了機器學習學術樹的一個根節點，開花散葉，盛產大牛 ！
6 醒醒，AI革命尚未到來
我想，很多朋友都瀏覽過Jordan的一篇長文博客《人工智能：革命尚未到來》，也了解過他的演講，今天小編結合著Jordan的文章、在清華大學、混沌大學等高校演講及專訪內容總結出幾個Jordan突出觀點給大家。
6.1、什么才能被稱為AI？
“AI” = IA + II
IA：智能增強（Intelligence Augmentation）
II：智能基礎設施（Intelligent Infrastructure）
搜索引擎就是IA的代表，一個機器學習系統，不停地獲取數據并隨時間進行改善以做出更好的決策，輸入我有所不知的問題可以給到我很好的答案；你見過的圖片風格轉換，輸入一張圖片，轉換成另一張很酷的圖片，看起來像梵高的畫一樣，但它真正做的是增強了人們的創造力。在IA領域，計算和數據被用來增強人類智力和創造力。
II又是什么？世界正通過網絡被連接起來，盡管很多公司正在建設物流預測、欺詐系統、推薦系統，這些都很棒，但這些都是機器學習，不是我所謂的 AI，真正的AI將比我們現在看到的更為激動人心。想象一個“社會規模的醫療系統”，建立了醫生以及位于患者體內外設備之間的數據流和數據分析流程，從而幫助人類進行診斷和提供護理。當然這期間會遇見隱私、責任、安全等等挑戰，但需要意識到的是模仿人類的AI并不是AI的唯一通道，我很需要與云端相互作用，建立一個由計算、數據和物理實體組成的網絡，使人類所處的環境更加友好、有趣和安全，類似物聯網。
6.2、有生之年，“超級AI”不會實現
被問到AI這個概念是否被濫用，Jordan表示，“現在沒有'人工智能'，計算機并不了解世界，不像我11歲兒子時常會說出一些對周圍世界真正深刻的理解。計算機只是獲取一些模式和范本并將其映射到其他模式上。能夠真正地深入理解這個世界的人工智能，這輩子是不可能的了，即使在未來的100年也很難說。但是，這并不重要。”
就現在已創造出的圖像識別、語音識別、自然語言翻譯的能力來說：
計算機視覺可以在可視場景中標記對象，但尚未可能做到對視覺場景的常識理解——只能識別人臉，不能理解場景，并判斷會議室出口在哪，小心臺階不能掉下去；語音識別可實現多語種語音到文本和文本到語音的轉換，但尚未可能做到對聽覺場景的常識理解——人可理解一個很復雜的句子來預測下一步行動，但計算機做不到；自然語言可實現最低限度的翻譯和問答處理，但尚未可能做到對語義理解、對話——“中國不在河邊的第二大城市是哪一個？”電腦數據并不能很好回復你。
未來十年，尚未可能部分將實現基本形式，“超級人類AI”很難看到，也不相信AI會比人更聰明。原因有三：
1、人類時刻都在以新的方式思考并表達，具有創造性；
2、人類善于做新的抽象推理，AI系統需反復用海量的數據才能得出一個答案；
3、人非常擅長計劃和規劃。
6.3、除了生物智能，還有一種東西也要智能
答案是市場。傳統的推薦，都是針對個人，而現實中，則需要結合客戶和商戶兩端的需求。正是因市場具有稀缺性，所以AI作為團隊進行合作博弈非常重要。比如APP上，不僅向客戶推薦某一家餐廳，還要讓餐廳看到今晚自己可以供應多少食材？今天接了一場婚宴后，還剩下多少個散客的位置？甚至，可以了解周邊競爭對手，是否滿座？如果滿座了，我可以打折吸引更多的人流到的餐廳。
“畢竟世上已有這么多人了，為什么還要AI像人呢。”所以，目前的挑戰是，創造基于數據和算法的新型市場，讓現代技術的系統能夠像經濟學里的市場一樣運行起來，運輸、教育、商業、醫學等等，都是崛起的力量。
6.4、AI人才需要這些技能
優秀的人學術界、商業界都能夠兩者兼得。
如果你擅長理論，喜歡研究理論，同時你的思維方式很適合做理論，那就放手去做一段時間。但每個人都應該做“一定量的理論學習”+“一定量的實踐操作”，或兩者相結合。這樣視野和認知會更寬闊，你會看到整個東西聯系在一起是什么樣子的。
讀博的目的就是培養常識和知識修養。首先，計算機科學很重要，其次，統計學也要學好，學一點經濟學，學一點其他相關領域的算法，包括和復雜性、不確定性有關的算法等等。重要的是，先打好相關基礎，剩下的一輩子慢慢學。
7 Jordan經典語錄
以下是 Jordan經典語錄：
“我們并非處于人工智能的大爆炸時代。”
“不要相信可以自主學習AI，不要相信你讀到的任何關于這種論斷的話。人們只是在說一些符合他們期望的話。”
”人工智能的商業模式，是要創造一個市場，而非一個算法。”
“AlphaGo只是大眾的一場夢，很多領域中，計算機是可以打敗人的，但它不是智能，我們不應該把AI當做是一個了不起的、能夠打敗人類的技術，而是應該將它看做一種新的元素，能夠讓我們用它重塑整個世界。”
每個行業都有一個邁克爾·喬丹，與深度學習鼻祖Geoffrey Hinton一起，譽為人工智能領域兩位“根目錄級”人物，不僅個人厲害，徒子徒孫們在AI江湖上都是響當當的！這樣的光環只有喬丹值得擁有！
AI大咖，你心里想誰，我來寫誰？
知識星球推薦
有三AI知識星球由言有三維護，內設AI知識匯總，AI書籍，網絡結構，看圖猜技術，項目開發，Github推薦，AI1000問，數據集八大學習板塊。
轉載文章請后臺聯系
侵權必究
