Transcription
以下是与 Daphne Koller 的对话，她是斯坦福大学计算机科学教授，Coursera 的联合创始人（与 Andrew Eng 一起），以及 in silico 公司（一家在机器学习和生物医学交叉领域运营的公司）的创始人兼首席执行官。
我们正处于利用机器学习的数据驱动方法来大规模发现和开发新药物和疗法的激动人心的早期阶段。Daphne 和 in silico 公司正以此为先导，他们的突破可能会影响医学的所有领域，包括那些对当前冠状病毒大流行至关重要的领域。
本次对话录制于 COVID-19 疫情爆发之前。对于所有感受到这场危机带来的医疗、心理和经济负担的人们，我向你们送去爱，请坚强，我们在一起，我们会战胜这一切。
这是人工智能播客。如果您喜欢，请订阅，在 Apple Podcasts 上给我五星好评，在 Patreon 上支持我，或者在 Twitter 上与我联系，Alex Friedman（拼写为 Fri D ma N）。
像往常一样，我将在广告中插入几分钟的广告，但绝不会在中间插入会打断对话流程的广告。我希望这对您来说是可行的，并且不会影响收听体验。
本节目由 Cash App 呈现，这是 App Store 中排名第一的金融应用。下载后，使用代码 LUKECAST 即可获得 10 美元现金。Cash App 允许您向朋友发送资金，购买比特币，并以低至 1 美元的投资股票市场。
由于 Cash App 允许您通过点对点方式以数字方式发送和接收资金，因此所有数字交易的安全性至关重要。您提到 Cash App 符合 PCI 数据安全标准。我非常支持安全标准。PCI DSS 就是一个很好的例子，它汇集了一群竞争对手，并就交易安全需要有一个全球标准达成一致。现在，我们只需要为自动驾驶汽车和广告系统做同样的事情。
所以，如果您从 App Store 或 Google Play 下载 Cash App 并使用代码 LUKECAST，您将获得 10 美元现金。我们还将向 First 捐赠 10 美元，这是一个致力于在全球范围内推动机器人和 STEM 教育的组织。
现在，我将与 Daphne Koller 进行对话。
您联合创办了 Coursera，对全球人工智能教育产生了巨大影响。在 2016 年 8 月，您在发表了一篇博客文章，表示您将退出，并写道：“是时候我来应对另一个严峻的挑战了——机器学习及其在改善人类健康方面的应用。”
那么，我想问两个非常宏观的哲学问题：一、您认为我们有一天会找到治愈当今所有已知重大疾病的方法吗？二、您认为我们有一天会找到延长人类寿命的方法，甚至可能达到永生的程度吗？
“有一天”是一个非常漫长的时间，我不喜欢做“我们永远无法做到 X”这样的预测，因为我认为这是一种傲慢。似乎在人类存在的整个永恒中，我们都将能够解决一个问题。话虽如此，治愈疾病非常困难，因为通常在你发现疾病时，很多损害已经造成了。因此，假设我们能够在那个阶段治愈疾病，就意味着我们能够找到方法，基本上是再生人体整个部分，使其恢复到原始状态，这是一个非常具有挑战性的问题。我们治愈的疾病非常少，我们能够为越来越多的疾病提供治疗，但你可以真正定义为治愈的疾病数量实际上并不多。所以，我认为要能够合法地说我们已经治愈了哪怕是合理数量的疾病，更不用说所有疾病，还有很多工作要做。
在 0 到 100 的尺度上，我们对所有重大疾病基本机制的理解处于什么水平？您的看法是什么？从您进入健康领域的计算机科学角度来看，我们还有多远？
我认为这取决于具体的疾病。有些疾病，我会说我们可能还没有达到 100，因为生物学真的很复杂，而且总有我们发现的新事物，人们甚至不知道它们的存在。但是，我会说有些疾病我们可能处于 70 或 80 的水平，然后还有一些疾病，我会说绝大多数，我们真的接近于零。
阿尔茨海默病、精神分裂症和 2 型糖尿病更接近于零还是 80？
我认为阿尔茨海默病可能更接近于零而不是 80。有一些假说，但我认为这些假说尚未得到充分验证，以至于我们相信它们是真的。而且越来越多的人认为传统的假说可能无法真正解释正在发生的事情。
我还会说，阿尔茨海默病、精神分裂症甚至 2 型糖尿病都不是一种疾病，它们几乎肯定是一系列机制的集合，这些机制以临床上相似的方式表现出来。就像我们现在理解乳腺癌不是一种疾病一样，它是由多种细胞机制组成的，所有这些机制最终都转化为不受控制的增殖，但它不是一种疾病。对于那些其他疾病来说，情况几乎毫无疑问也是如此。这种理解必须先于对任何其他疾病具体机制的任何理解。
现在，在精神分裂症方面，我会说我们几乎肯定更接近于零而不是其他任何东西。2 型糖尿病有点混合。有一些明确的机制被牵涉其中，我认为这些机制已经得到了验证，它们与胰岛素抵抗等有关，但几乎肯定也有许多我们尚未理解的机制。
您也对长寿方面进行了一些思考和工作。您认为疾病和长寿是完全重叠、部分重叠还是完全不重叠的努力？
这些机制肯定有重叠。有一个众所周知的现象，即对于大多数非儿童疾病，患上该疾病的风险会随着年龄的增长呈指数级增长，从大约 40 岁开始每年都是如此。所以，显然这两者之间存在联系。
这并不是说它们是相同的。显然，衰老会发生，这与任何特定疾病都没有真正关联。而且也有一些疾病和疾病机制与衰老没有特别关系。所以，我认为重叠是我们目前的状态。
随着我们年龄的增长，疾病的发生率似乎与此相关，这有点令人遗憾。嗯，这两者都非常令人悲伤。
细胞衰老时会发生一些过程，我认为这些过程会促成疾病。其中一些与 DNA 损伤的积累有关，细胞分裂时修复机制并不完全纠正这些损伤。蛋白质错误折叠并可能聚集，这两者都会导致疾病和炎症。
已经发现了许多机制，它们是细胞层面的“磨损”，会促成疾病过程。我敢肯定，还有很多我们尚未理解的。
也许在哲学上稍微跑题一下，事物会变老，事物会死亡，这是新事物生长的一个非常强大的特征，你知道，这是一种学习，一种学习机制。所以，它既是悲剧又是美丽的。
那么，您在与疾病和衰老作斗争时，是否会考虑我们死亡的有用性？或者，如果您可以长生不老，您会选择长生不老吗？
再说一遍，永生是一个非常漫长的时间。我不知道这是否一定是我想要追求的东西。但我认为我们都在追求健康寿命的延长，我称之为健康活跃的时间的增加，感觉就像 20 岁时一样。我们离那还差得很远。人们的身心会随着时间的推移而衰退，这是一个非常悲伤的现象。
所以，我认为一个美好的愿望是，如果我们都能活到，你知道，圣经上的 120 岁，也许是完美的健康，高生活质量。我认为这将是我们社会可以实现的一个了不起的目标。
现在，120 岁、100 岁还是 150 岁是正确的年龄吗？我认为这还有待争论。但我认为延长健康寿命是一个非常有价值的目标。而且，无论如何，在宇宙的宏大时间尺度上，一切都相当短暂。
从您在机器学习方面取得的许多令人难以置信的成就来看，您认为数据和机器学习在理解和根除疾病的目标中扮演着什么角色？
到目前为止，我认为它还没有发挥多少重要作用，因为我们真正需要的能够实现强大的机器学习方法的数据集，这些数据集实际上并不存在。只有零星的、一些有趣的机器学习应用。我会说机器学习/数据科学，但近几年来情况开始发生变化。
所以，我们现在看到一些大型数据集的增加，但同样重要的是，能够大规模生产数据的技术也在增加。人们通常不会有意识地主动使用这些工具来生成机器学习数据。在某种程度上，这些技术已被用于数据生产以推动科学发现，而机器学习则作为一种副产品，第二阶段是“哦，现在我们有了一个数据集，让我们来做机器学习吧”，而不是更简单的分析方法。
但是，我们在 in silico 公司所做的恰恰相反，我们说，这里有生物工程师和细胞生物学家提出的令人难以置信的方法库，让我们看看是否可以以全新的方式将它们结合起来，目标是创建机器学习可以真正有成效地应用的数据集，以创建强大的预测模型，帮助我们解决人类健康方面的基本问题。
所以，真正关注数据，将数据作为首要焦点和首要目标，并利用生物学和化学的机制来创建能够让机器学习受益最多的数据集。
我不会那样说，因为那意味着数据是最终目标，数据是手段。对我们来说，最终目标是帮助应对人类健康方面的挑战，而我们选择的方法是应用机器学习来构建预测模型。在我看来，机器学习，尤其是更强大的模型，只有在提供足够规模和质量的数据时才能真正成功应用。
那么，如何创建这些数据集，以推动生成预测模型的能力，进而帮助改善人类健康呢？
那么，在我们深入研究细节之前，甚至可以退一步问一下，您对人类健康的兴趣是什么时候在哪里产生的？有没有什么时刻、事件，如果我冒昧地问，您自己生活中的悲剧，催生了您的热情，还是更广泛地帮助人类的愿望？
我会说两者都有。我的健康兴趣可以追溯到 2000 年代初，当时我和我的许多机器学习同行正在使用一些坦率地说并不那么鼓舞人心的数据集。我们一些老一辈人仍然记得“20 个新闻组”数据集，那里面只有来自 20 个新闻组的文本，一个现在甚至不存在的概念。问题是，你能否根据一个特定的词袋来自哪个新闻组进行分类。这并不那么有趣。当时生物学方面的数据集更有趣，无论是从技术上还是从愿景上来说。它们仍然很小，但比 20 个新闻组要好。
所以我开始，我认为只是想做一些更有社会意义和技术上更有趣的事情。然后，随着时间的推移，我越来越对生物学和人类健康方面本身产生了兴趣，甚至有时会做一些没有显著机器学习成分的生物学论文。
我认为我对药物发现的兴趣部分源于 12 年前我父亲不幸去世的一次事件。他患有一种累及肺部的自身免疫性疾病。医生基本上说，我们只能做一件事，那就是给他服用泼尼松。我记得医生甚至来问我，我们能不能做一次肺活检，找出他患的是哪种自身免疫性疾病。我说，那会有帮助吗？那会改变治疗方法吗？不，只有泼尼松，那是我们唯一能给他的。
我的一些朋友是风湿病专家，他们说 FDA 今天绝不会批准泼尼松，因为副作用与益处的比例可能不够大。今天，我们正处于这样一个状态，可能有四五种，甚至更多——这取决于哪种自身免疫性疾病——但有多种药物可以帮助患有自身免疫性疾病的人，其中许多药物在 12 年前就已经存在了。
我认为我们在药物发现方面正处于一个黄金时代，能够创造出比以往任何时候都更安全、更有效的药物。缺乏的是对生物学和机制的足够理解，以便知道将这个引擎瞄准何处。我认为这就是机器学习可以提供帮助的地方。
所以，您在 2018 年创立了 in silico 公司，现在是该公司的领导者，正如您所提到的，重点是药物发现和利用机器学习进行药物发现。
您提到我们“非常感兴趣于创造我们可能称之为‘培养皿中的疾病’模型”。“培养皿中的疾病”模型是指那些疾病复杂、我们还没有一个好的模型系统，或者多年来使用的典型动物模型（包括在小鼠身上进行测试）并不非常有效的地方。
您能描述一下什么是动物模型，什么是“培养皿中的疾病”模型吗？
动物模型是指我们有效地创造了疾病的模型，正如其名。这通常是一只小鼠，我们引入了一些外部干扰，导致了疾病，然后我们治愈了这种疾病。希望通过这样做，我们就能治愈人类类似的疾病。
问题是，我们产生疾病的方式和动物产生疾病的方式，与疾病在人类中实际发生的方式毫无关系。这可能被认为是表型的复制，临床结果的复制，但机制却大相径庭。因此，治愈动物身上的疾病（在大多数情况下，这不会自然发生，小鼠不会患阿尔茨海默病，它们不会患糖尿病，它们不会患动脉粥样硬化，它们不会患自闭症或精神分裂症）并不能转化为人类身上的情况。这就是大多数药物失败的原因，仅仅是因为我们在小鼠身上发现的结果并没有转化为人类。
“培养皿中的疾病”模型是一种相当新的方法，它得益于五到十年前才出现的技术。例如，我们能够从我们任何人身上提取细胞，将其皮肤细胞逆转为所谓的“干细胞状态”，这是一种“多能细胞”，然后可以分化成不同类型的细胞。
因此，从这种多能细胞中，可以产生具有您基因组但具有我们细胞类型的神经元、心肌细胞或肝细胞。因此，如果存在一种疾病的遗传负担，并且这种疾病会表现在该特定细胞类型中，那么您可以通过观察这些细胞来看到它，说“哦，这可能就是病变细胞的样子，与健康细胞相比”，并理解如何以及然后探索什么样的干预措施可以将不健康的细胞恢复为健康的细胞。
当然，治愈细胞并不等同于治愈人，所以仍然存在潜在的可转化性差距。但至少对于由人类遗传学驱动的疾病，并且人类遗传学是驱动细胞表型的因素，我们有理由希望，如果我们能够逆转那些疾病开始的细胞，并且疾病是由遗传学驱动的，并且我们可以将该细胞恢复到健康状态，也许这也有助于更广泛的临床表型。这就是我们真正希望做的。
我读到过关于 Yamanaka 因子的事情。是的，我认为那种逆转回干细胞的过程，看起来像魔法。是的，说实话，在那之前，我认为很少有人会预测到这是可能的。这太神奇了。
您能详细说明一下吗？它真的可能吗？像，它是如何工作的？这种逆转过程是多么困难？多么嘈杂？
这确实令人难以置信和神奇。在发现之初，它更加微妙和特殊，但现在它几乎已经工业化了。有称为合同研究组织（CRO）的供应商，他们可以从人类身上采集样本，并将其逆转为干细胞状态，而且成功率非常高。
现在，有些人会提出一些很好的问题：这真的是干细胞吗？它是否会记住人类除了基因组之外的一些变化？是的，它仍然是皮肤细胞，或者说是暴露于不同环境因素等。所以，我认为目前的共识是，这些并不总是完美的，有时会保留一些记忆。但总的来说，它们相当不错。
也许您可以纠正我，但机器学习的一个有用之处在于数据的大小和规模。这些逆转到干细胞以及“培养皿中的疾病”模型是否容易大规模进行？这是一个巨大的挑战，还是不是？
到目前为止，逆转过程还不能达到数万或数十万的规模。我认为世界上干细胞或 iPS 细胞的总数，在我最后一次查看时，大约在五千到一万之间。现在，这可能不包括某些学术中心存在的，它们加起来可能会多一些，但这就是那个范围。所以，目前还不能从一百万人那里生成 iPS 细胞。
但是，也许你不需要。因为它可以被以不同的方式扰动。有些人做了一些非常有趣的研究，例如，从一个健康的个体那里提取细胞，然后使用 CRISPR 基因编辑等其他奇迹般的技术，引入一个已知的致病突变。这样，你就可以比较健康细胞和不健康细胞（带有突变的细胞），进行一对一的比较，而其他所有因素都保持不变。这样，你就可以真正开始具体了解突变在细胞层面上的作用。
所以，iPS 细胞是一个很好的起点，显然多样性越多越好，因为你也想捕捉种族背景以及它如何影响事物。但是，也许你不需要每个患有每种疾病的患者的细胞，因为我们还有其他工具可以使用。
人们之间有多大的差异？我提到了种族背景，就 iPS 细胞而言。我们都是，似乎这些神奇的细胞可以做到任何事情。在不同人群、不同个体之间，是否存在很大的差异？
首先，存在由基因差异驱动的差异。所以，源自我的基因型的干细胞将不同于源自你的基因型的干细胞。此外，由于某种原因，有些人比其他人更能分化干细胞，我们并不完全理解为什么。所以，确实存在一些差异。
但根本的区别，也是我们真正关心的，并且是积极的，是基因组不同，因此我们承担的疾病负担与你承担的疾病负担不同。
什么是疾病负担？
疾病负担就是，如果你认为，虽然它不是一个明确的数学术语，尽管有数学公式，但如果你认为有些人比其他人更容易患上某种疾病，因为他们在基因组中有更多的致病变异，也许更少的保护性变异。人们使用所谓的“多基因风险评分”来量化这一点，它查看一个人基因组中的所有变异，并将它们加起来，看看它们对特定疾病的风险有多大。然后，他们将人们置于疾病风险的谱系上。
对于一些疾病，我们已经有足够的能力真正理解导致疾病风险增加的许多微小变异之间的联系，在最高十分位和最低十分位的人群之间，风险确实存在相当大的差异。有时这些差异是，你知道，高出 10 或 12 倍。所以，我们的基因确实对疾病风险有很大贡献，即使它不是全部解释。
从机器学习的角度来看，那里有信号。基因组中确实有信号，而且我们相信，观察源自不同基因组的细胞会产生更多的信号。因为原则上，你可以说所有的信号都在基因组层面。所以，我们不需要看细胞。但我们对生物学的理解目前非常有限。因此，看到细胞层面实际发生的情况，比直接看基因组，更接近于人类的临床结果。所以，我们可以从中学习到比仅看基因组多得多。
所以，为了有一个概念，这很容易做到，但在这个“培养皿中的疾病”模型中有用的数据是什么样的？比如，原始数据信息来源是什么？而且，从我的外部视角来看，生物学和细胞是柔软的东西，我认为它们是……您如何将计算机与那个连接起来？感觉机制，我想？
这是过去十年发生的另一场革命，我们定量测量细胞的能力也大大提高了。当我开始做生物学研究时，在 90 年代末和 2000 年代初，那是我们开始以真正量化方式测量生物学的第一阶段，使用微阵列等技术，在一次实验中测量样本中每个基因的活性水平，称为表达水平。
这种能力使我们能够理解，例如，癌症等疾病存在分子亚型。直到那时，人们才说“哦，你患有乳腺癌”，但当我们查看分子数据时，很明显乳腺癌有不同的亚型，在基因活性水平上，它们彼此之间看起来完全不同。这就是这个过程的开始。
现在，我们能够通过所谓的“单细胞 RNA 测序”来测量单个细胞的基因活性。它基本上对基因组中每个基因的 RNA（即活性水平）进行测序，并且可以在单细胞水平上进行。这是一种非常强大的测量细胞的方法。你真的在计算转录本的数量。哦，真的，把那个柔软的东西变成数字。
另一个在过去几年中出现的海量数据来源是显微镜，特别是超分辨率显微镜，您可以使用数字重建来观察亚细胞结构，有时甚至可以看到低于光衍射极限的东西，通过复杂的重建。这再次提供了大量亚细胞层面的信息。
现在，越来越多的方法，由那里的杰出科学家们开发，可以从单个细胞中获取新型信息。这就是将那些柔软的东西转化为数字数据，转化为漂亮的数据集的方式。
那么，这些数据集，通过机器学习工具，是否可以帮助您理解某种疾病的发病机制？如果可能的话，从高层次上描述一下，这如何有助于药物发现，以帮助预防或逆转这种机制？
我认为这些数据可以通过不同的方式使用。有些人用它来进行科学发现，说“哦，我们看到了细胞层面的这种表型，所以让我们回溯一下，思考哪些基因可能参与了导致这种情况的通路。”这是一种非常分析性的方法，通过我们对已知生物学的理解来回溯。
有些人以一种稍微更“向前”的方式使用它。如果说那是向后，这就是向前。也就是说，“好吧，如果我能扰动这个基因，它是否会表现出与疾病患者相似的表型？那么，也许这个基因实际上是导致疾病的原因。”这是另一种方式。
然后是我们所做的，基本上是收集大量数据，并使用机器学习来揭示从中出现的模式。例如，哪些亚型在人类临床结果上可能相似，但在分子数据上却截然不同？然后，如果我们能识别出这样的亚型，是否有干预措施，如果我将其应用于来自该疾病亚型的细胞，并应用该干预措施，它可能是药物，也可能是 CRISPR 基因编辑。它是否会将疾病状态逆转为更像正常、快乐、健康的细胞？
所以，希望如果你看到这一点，你会对该干预措施也将对人类产生有意义的临床益处抱有一定的希望。当然，之后还有很多事情要做来验证这一点。但这是一种非常不同且不太依赖假设的方法，可以发现新的潜在干预措施，并可能产生其他人尚未关注的东西。
我不知道，我只是想分析一下我目前讨论的感受。谈论这个真是太令人兴奋了。所以，如果我基本上是一个将问题转化为机器学习问题的人，并且这可以产生如此大的实际影响，那真是令人兴奋。因为我大部分时间都在处理数据集，我猜它们更接近于新闻组。
所以，这是一种……谈论这个感觉很好。事实上，我几乎不想谈论机器学习，我想谈论数据集的基本原理，这是一个令人兴奋的地方。
我同意你的看法。这就是让我每天早上起床的原因。这也是吸引 in silico 公司许多人的原因。因为我认为，我们所有的机器学习人才都非常出色，他们可以去网上卖广告，或者做电子商务，甚至做自动驾驶汽车。但是，我认为他们来到我们这里是因为他们想做一些更有抱负、真正能造福人类的事情。
通过这些方法，您希望能够帮助哪些疾病？我们提到了阿尔茨海默病、精神分裂症、2 型糖尿病。您能否描述一下这种方法可以帮助的各种疾病？
我们不知道。我尽量非常谨慎地做出承诺，关于“我们将治愈 X”之类的事情。人们会做出这样的承诺。我认为我首先要交付，然后才承诺，而不是反过来。
疾病的某些特征使其更有可能被这种方法所帮助。例如，具有非常强的遗传基础的疾病更有可能在干细胞衍生的模型中表现出来。我们希望细胞模型相对可重复和稳健，以便能够获得足够多的细胞，并且不会出现高度变异和嘈杂的情况。
我们希望疾病相对局限于一种或少数几种细胞类型，这些细胞类型可以在体外培养皿中创建。而如果它是一种非常广泛和全身性的疾病，并且涉及到身体非常遥远部位的多种细胞，那么将其全部放入培养皿中是非常具有挑战性的。
所以，我们希望专注于最有可能成功的疾病，并希望，我认为，那里有非常聪明的生物工程师，他们一直在开发越来越好的系统。所以，今天可能无法解决的疾病，三年后可能就可以解决。
例如，五年前，这些干细胞衍生的模型并不真正存在。人们在癌细胞上做了大部分工作，而癌细胞是人类生物学的大多数非常糟糕的模型，因为它们首先是癌细胞，而且当你将它们传代并在培养皿中增殖时，由于基因组的不稳定性，它们变得更不像人类生物学了。
现在，我们有了这些干细胞衍生的模型。我们有能力相当稳健地——尽管规模还没有达到理想水平，但接近于——衍生出所谓的“类器官”，这些是微小的多细胞器官或器官系统。所以，有脑类器官、肝脏类器官和肾脏类器官。是的，脑类器官可能是我见过的最酷的东西。
然后，我认为我们开始看到将这些类器官连接起来。这样你就可以开始——有一些非常酷的论文开始这样做——你就可以开始说，“好吧，我们能做多器官系统的事情吗？”有很多挑战，绝非易事。但我敢肯定，人们会想出办法的。在三到五年内，将会有我们今天无法制造的疾病模型。
是的，以三年后可能实现的规模来看，这次对话似乎几乎过时了。那将是太酷了。
您与 Andrew Ng 共同创办了 Coursera，并参与了整个 MOOC 革命。稍微换个话题，您能讲讲 MOOCs、Coursera 的起源故事，以及您在 AI 这个非常重要的话题上向大量受众授课的总体情况吗？
我认为 MOOCs 的起源故事源于斯坦福大学在 2000 年代末期的一系列努力。斯坦福大学的许多人，包括我自己，都对利用在线技术来提高教学质量和扩大规模的机会感到非常兴奋。
例如，Andrew 领导了“工程无处不在”项目，该项目试图将十门斯坦福课程在线发布，只是作为视频讲座。我领导了斯坦福大学的一项努力，将一些课程真正地创造出一种非常不同的教学模式，将它们分解成更小的单元，并嵌入一些交互式内容等等。这得到了大学领导的大力支持，因为他们认为这可能是提高斯坦福大学教学质量的一种方式，通过转向现在所谓的“翻转课堂”模式。
因此，这些努力最终开始相互交织，并在斯坦福大学社区中产生了巨大的兴奋和活力，关于在线教学的潜力。这导致了 2011 年秋季第一批斯坦福大学的 MOOCs 的推出。顺便说一句，MOOCs，可能不可能不知道，但我猜是“大规模开放在线课程”，在线课程。所以，他们没有想出这个缩写。我不是特别喜欢这个缩写，但它就是这样。
所以，无论如何，我们在 2011 年秋季推出了这些课程，在几周内，没有任何真正的宣传活动，只是《纽约时报》的一篇文章病毒式传播，每门课程都有十万名学生或更多。我记得 Andrew 和我之间的对话是：“哇，这里真的有需求。”我认为我们都觉得，虽然我们是成就斐然的学者，我们可以回去，你知道，回到我们的生活，写更多的论文，但如果我们那样做，这件事就不会发生。而且这件事似乎太重要了，不应该不发生。
所以，我们花了很多时间争论，我们是想作为斯坦福大学的项目来做，建立在我们已经开始的基础上？我们是想作为一家营利性公司来做？我们是想作为一家非营利性组织来做？我们最终决定像 Coursera 一样去做。所以，你知道，我们从 2012 年初开始真正作为一家公司运营。
您是如何做到的？这真的让您感到惊讶吗？您当时以及现在如何理解这种对全球教育的需求？
您提到您觉得，虽然受欢迎程度表明存在对学习全球化的渴望。我认为存在对学习的渴望。全球化是其中的一部分，但我认为这仅仅是对学习的渴望。世界在过去 50 年里发生了变化。过去，你大学毕业，找到一份工作。总的来说，你在大学里学到的技能基本上能让你度过余生。是的，你学到了一些东西，但那并没有发生巨大的变化。
今天，我们生活在一个这样的世界里，你需要的许多工作的技能在你上大学时甚至都不存在。而且，你上大学时存在的许多工作，今天甚至都不存在了，或者正在消亡。部分原因是人工智能，但也不仅仅是。我们需要找到一种方法，让人们能够获得他们今天所需的技能。我认为这才是驱动这种渴望的真正原因。
所以，我认为，如果我们甚至退一步，你 all，开始思考新的教学方法，或者，你知道，新的组织和呈现材料的方式，以帮助教育过程，那就更好了。
明白了。那么，您从这个实验不同想法的过程中，学到了什么关于有效教育的知识？
我们学到了很多东西。其中一些我认为可以转化为校园教学，并且已经有效地转化了。其中一些我认为更具体地适用于在线学习者，以及更像是作为日常生活一部分的学习者。
例如，我们很快就学到，短小精悍更好。那些在职场工作的人，无法完成一个 15 周的学期课程，他们就是无法将它融入他们的生活。
短小精悍？您能描述一下短小精悍的程度吗？整个……每一个方面的……
短小的讲座，短小的课程。我们开始时，你知道，最早的在线教育努力实际上是 MIT 的开放课程计划，那是在录制课堂讲座，一个半小时左右。那并没有真正奏效。你知道，有些人受益了，当然，但对于一个有工作、有三个孩子需要跑腿的人来说，这并不是一个真正令人愉悦的体验。他们无法将 15 周的时间融入他们的生活，而且一个半小时真的很难。
所以，我们很快就学到了，我们开始时是短视频模块，随着时间的推移，我们让它们更短，因为我们意识到 15 分钟仍然太长了，如果你想在排队等候孩子看医生的时候把它看完，那么 5 到 7 分钟会更好。
我们学到 15 周的课程是行不通的，你真的需要将它分解成更短的单元，这样就有了一个自然的完成点，让人们有一种他们真的快要完成有意义的事情的感觉。他们总是可以回来参加第二部分和第三部分。
我们还学到，压缩内容效果非常好，因为如果有些人觉得这个节奏很好，他们总是可以倒回去再看一遍。所以，人们能够以自己的节奏学习。因此，这种灵活性，简短性和灵活性，都是我们发现非常重要的。
我们学到，在内容过程中进行互动很重要，你给人们的反馈越快，他们参与的可能性就越大。因此，引入了这些——这实际上是我一开始的直觉，然后通过数据得到了验证——在讲座中引入一些快速的微型测验，确实有助于自我评分和自动评分的评估，因为它们能给人们反馈。
所以，所有这些都很有价值。然后我们还学到了其他两件事。哦，我们做了一些非常有趣的实验，例如关于性别偏见，以及女性榜样作为讲师如何改变 STEM 课程中男性和女性的比例。你可以在线通过 A/B 测试做到这一点，这在校园里很难做到。
那太令人兴奋了。所以，短小精悍，压缩内容……这实际上可能适用于所有……你知道，好的编辑总是会压缩内容，让它更短。所以，这给创作者，讲师，以及教育内容的创作者带来了很大的负担。也许 MIT 或斯坦福的大多数讲座都可以缩短五倍，如果准备工作足够的话。
所以，人们可能会不同意这一点。但是，像 Coursera 提供的很多内容的清晰度，需要多少努力？
首先，我想说的是，在面对面的环境中，这种清晰度可能不会那么有效。因为人们需要时间来吸收材料，所以你需要至少暂停一下，给人们反思的机会。也许是练习。这就是 MOOCs 所做的，它们给你这些内容块，然后让你练习。这就是我认为人们正在采用的许多较新的教学法，在面对面教学中，它们与互动学习等有关。这可能非常有帮助。
但是，这两种方法，无论你是采用在线教学的教学法，还是翻转课堂的互动教学法，都需要大量的准备工作。所以，我认为这是人们面临的挑战之一，我们试图说服讲师在 Coursera 上授课时遇到的挑战，这也是校园里的教学专家在试图让教师改变教学方式时遇到的挑战之一，那就是，用那种方式教学实际上比站着讲要难得多。
您认为 MOOCs 会取代面对面教育，还是会成为未来人们学习方式的主体？
再说一遍，未来可能很遥远，但趋势是怎样的？您认为呢？
我认为这是一个微妙而复杂的答案。我不认为 MOOCs 会取代面对面教学。我认为在很多情况下，学习是一种社交体验。即使在 Coursera，我们也发现人们自然地组建学习小组，即使他们不必这样做，只是为了互相交流。我们发现，这对他们的学习非常有益。因此，有学习小组的学习者比没有学习小组的学习者更成功。
所以，我不认为我们会突然都在电脑上学习，而且没有其他人。就像录制的音乐没有取代现场音乐会一样。
但是，我认为，特别是当你考虑继续教育时，人们在完成传统的（无论是高中还是大学）教育后，仍然需要保持他们在快速变化的世界中的专业知识和技能水平。我认为人们将越来越多地以这种在线格式接受教育内容。因为对于大多数人来说，重返学校接受正规教育不是一个选择。
简而言之，我知道这可能是一个很难回答的问题，但有很多人对人工智能、对机器学习着迷。深度学习呢？您对未来一年或终身旅程有什么建议吗？对于一个对此感兴趣的人来说，他们如何开始？他们如何进入这个学习之旅？
我认为重要的事情是首先开始。有大量的在线内容可供选择，包括数学、统计学和编程的核心基础，然后是机器学习。我鼓励人们不要太快跳过基础知识，因为我发现很多人在学习机器学习时，无论是在网上还是在校园里，都没有打好基础，他们基本上只是在现有模型上“转动曲柄”，这使得他们无法进行很多创新和调整以适应手头的问题。
但有时他们也会出错，而且他们甚至没有意识到他们的应用是错误的，因为有一些他们没有完全理解的伪影。所以，我认为基础知识，机器学习是一个重要的步骤。然后，然后真正开始解决问题。试着找人一起解决，因为尤其是在开始阶段，有一个可以交流想法和纠正错误的人很有用。而且你可以纠正他们的错误。
但是，然后就找实际问题，无论是在你的工作场所，还是如果你没有，比赛等是一个很好的地方，可以找到有趣的问题，并进行练习，练习。
也许这是一个有些浪漫化的问题，但在您一路走来的旅程中，您发现深度学习或更广泛地说，人工智能中最美丽、最令人惊讶或最有趣的想法是什么？
我会说两件事。一是端到端训练的基本概念，即你从原始数据开始，然后训练一个不是单一的，而是朝着你想要的目标的。从原始数据到结果，中间没有细节。好吧，不是没有细节，但事实是，你可以引入在其他任务上训练过的构建块。事实上，我将在我的回答的后半部分提到这一点。
它不必是中间一个单一的、庞大的整体，实际上我认为那不是理想的，而是说，归根结底，你确实可以训练出一些东西，并且它能从头到尾贯穿始终。我发现另一个非常引人注目的观点是，学习一种表示方法，即使它是为了另一项任务而训练的，但它本身也可以作为解决另一项不同任务的更快起点，我认为这让人想起人类成功的学习者，这是机器学习领域相对较新的东西，我认为它甚至相对于当今的能力来说，还没有得到充分利用，但我们越来越多地在思考如何学习可重用的表示方法，端到端和迁移学习，是的，这是否让你感到惊讶，神经网络在很多情况下都能做到这些事情？它似乎可以追溯到你第一次深入研究神经网络的时候，或者即使是今天，神经网络竟然能起作用，并且能出色地完成这种原始的、然后是学习的，甚至是迁移学习，我感到惊讶的是，当你有足够多的数据时，竟然有可能在一个极高维的空间中找到有意义的表示方法，我发现这非常令人兴奋，人们仍在研究这方面的数学，每年都有更多关于这方面的论文，我认为如果我们能弄清楚这一点，那将是非常酷的，但对我来说，那是一个惊喜，因为在我刚开始涉足机器学习的早期，数据集相当小，我认为我们相信，你需要一个更受约束、知识更丰富的搜索空间才能真正得到有意义的答案，我认为当时是这样的，现在仍然是一个问题的是，一个完全没有知识的方法，即在模型构建过程中没有任何先验知识，这是否会是解决方案，还是不是？今天它实际上不是解决方案，因为用于图像的卷积神经网络的架构与用于语言的网络类型截然不同，而又与用于语音、生物学或任何其他应用的网络的架构不同，仍然需要一些洞察力来构建网络结构以获得正确的性能，你是否能够创造出一种通用的学习机器？我不知道，我想知道是否总需要注入一些洞察力，或者它是否能够收敛，所以你对概率图模型、贝叶斯深度学习等等做了很多有趣的工作，那么你能否高层次地谈谈学习系统如何处理不确定性？我认为许多机器学习模型的一个局限性是，它们会给出一个答案，而你不知道该答案有多可信，而且通常情况下，即使你看看神经网络给出的置信度，并问零点八比零点九的可能性有多大，它并没有真正校准到网络的实际可靠性和真实性，你离训练数据越远，不仅越错，而且往往越错，并且对一个强烈的答案越自信，这在很多应用领域都是一个严重的问题，所以当你想到例如医疗诊断可能是一个问题的缩影时，如果你在某一组患者、某一人群上训练你的网络，而我有一个异常患者，没有人会注意到这一点，而这个患者被输入到神经网络中，你的网络不仅会给出完全错误的诊断，而且对错误的答案极其自信，你可能会杀死人，所以我认为创造更多对神经网络的理解，如何让它们在不确定性方面得到校准，并且也能说，我放弃了，我不知道如何评论这个特定的数据实例，因为我以前从未见过如此相似的东西，我认为这在任务关键型应用中将非常重要，尤其是那些关系到人类生命的，这包括医疗应用，但也包括自动驾驶，因为你希望网络能够，你知道，我不知道我看到中间的这个模糊的东西是什么，我将停下来，因为我不想可能撞到我认不出的行人，是否有好的机制或想法可以让学习系统在预测的同时提供不确定性？当然，人们已经提出了涉及贝叶斯深度学习、涉及高斯过程的深度学习的方法，我意思是，人们已经提出了各种各样的方法，有使用不同数据子集或不同随机起始点训练的网络集成的方法，这些方法有时在创建对答案的信心程度方面出奇地好，这是一个非常开放的研究领域，让我们谨慎地回到哲学领域，说到人工智能系统提供不确定性，像斯图尔特·罗素这样的人认为，随着我们创造越来越多的智能系统，它们充满自我怀疑非常重要，因为你知道，如果它们获得越来越多的权力，我们希望它们能够保持对系统的控制或人类的监督，就像你刚才提到的自动驾驶汽车一样，当汽车不确定时，人类监督非常重要，因为如果它非常自信，在某些情况下可能会陷入麻烦，那将非常成问题，那么让我问一下关于通用人工智能和人类水平智能的问题，我的意思是，我们现在谈论治愈疾病，这是一个根本性的问题，我们可以今天就产生影响，但人们也梦想着理解和创造智能，你是否考虑过这个问题？你是否梦想过这个问题？你是否认为作为计算机科学家，我们能够思考这个问题？嗯，让我来分解一下这个问题。第一个问题，是的，这是一个多部分的问题，所以让我先谈谈通用人工智能的可行性，然后我再谈谈时间线，然后谈谈在人工智能领域思考保护措施时需要哪些控制措施。所以，你知道，我认为通用人工智能显然是一个长期的梦想，即使是我们这个领域的早期先驱者也有过，你知道，图灵测试等等是最早的讨论，我们显然比七十年前更接近了，但我认为它仍然很遥远，我认为今天的机器学习算法在它们已经看到足够多的训练数据以做出良好预测的非常特定的问题领域中，是极其出色的模式识别器。你拿一个机器学习算法，然后移动到同一个问题的不同版本，即使是同一个问题，一个稍微不同的版本，它就会完全卡住。所以我认为我们离人类幼儿在上下文切换和使用单一知识库、单一大脑解决不同问题的能力方面，还差一点点。那么，我是否拼命担心机器接管宇宙，你知道，开始杀人，因为它们想要更多的权力？我不这么认为。嗯， sort of to pause on that，所以你已经预感到了超级智能是一件非常难实现的事情，我们甚至还没有接近智能，即使是当前系统更强的泛化能力，但我们还没有回答所有部分，你不想进入第二部分，哦，好的，我们拿，但也许是另一个方向，你也可以选择，我们是否会因为更愚蠢的系统而陷入麻烦？是的，我正是要说这个。好的，所以，我，所以只是为了总结通用人工智能的威胁，我认为今天来考虑如何保护人类水平或超人类水平的智能还为时过早，我们甚至看不到它的样子，所以我认为如何保护它非常投机，但我们绝对可以，并且已经因为更愚蠢的系统而陷入麻烦，其中很多都与我们正在构建的系统越来越复杂、越来越难以理解有关，而且存在不可预测的连锁反应，改变一些小事情就会对结果产生巨大的影响。顺便说一句，这并非人工智能独有，我认为人工智能会加剧这种情况，将其提升到一个新的水平，但我们复杂的电网，运行我们金融市场的软件也非常复杂，我们已经看到这些连锁反应转化为巨大的负面后果，例如由于我们没有预料到的反馈循环而导致的金融危机。所以我认为这是一个我们需要在许多地方认真思考的问题，人工智能是其中之一，我们应该，我认为人们正在思考如何提高系统的可解释性，如何进行更好的测试，例如衡量一个在一种情况下训练的机器学习系统在一种非常不同的情况下工作得有多好，你可能会说，例如，我无法在所有可能的城市、乡村、天气条件等情况下测试我的自动驾驶汽车。但是，如果你在这些条件下训练了它，然后在另外五十或一百个与你训练的条件截然不同的条件下测试了它，那么它就起作用了，这让你有信心，你没有测试的另外五十个也可能起作用，所以有效地测试泛化能力。所以我认为有一些方法是我们应该不断思考的，以验证我们系统的健壮性。我认为这与确保机器人不接管世界非常不同。另一个我认为我们面临的威胁，对我们来说也很重要，是技术被滥用的程度。就像任何非常强大的技术一样，机器学习既可以被很好地使用，也可以被很坏地使用，这可以追溯到许多其他技术，当人们发明了弹道导弹，它变成了枪支，人们发明了核能，它变成了核弹。而且，老实说，我认为基因编辑和CRISPR技术如果被滥用，其危险性至少与机器学习一样大。你可以用基因编辑创造出非常恶毒的病毒等等，这些病毒会让你非常小心。所以，无论如何，这是我们需要非常认真思考的事情，每当我们拥有任何非常强大的新技术时。是的，在机器学习的情况下，它是立体机器学习，所以所有类型的攻击，比如安全威胁，以及机器学习算法的社会工程，以及老大哥在看着你，以及可能在另一个国家进行目标化执行的杀人无人机。我不知道，我不想让他们，他们不一定好多少，但是，你知道，人们想杀人，他们会找到办法的。所以，如果你，一般来说，如果你看看数据中的趋势，战争就少了，暴力就少了，人权就多了。我们作为人类物种总体上做得相当好。你，你乐观吗？换一种问候方式，你认为大多数人是善良的吗？我们是否倾向于一个更好的世界，这是问题的根本？机器学习，基因编辑最终会把我们带到某个好的地方吗？你乐观吗？总的来说，我认为我是乐观的。我认为大多数人是出于好意，但这并不意味着大多数人都是利他主义的、做好事的人，但我认为大多数人是出于好意。但我认为，作为社会，我们创造社会规范也非常重要，即做好事并被同伴良好地看待是正相关的。我的意思是，创造功能失调的社会很容易，当然也有多个心理学实验，以及不幸的现实事件，人们已经退化到一个世界，在那里被同伴良好地看待与非常可怕的、通常是种族灭绝的行为相关。所以我们真的想确保我们维持一套社会规范，在那里人们知道要成为一个成功的社会成员，你想做好事。我有时担心的是，一些社会似乎不一定在这方面朝着正确的方向发展，在那里，做好人并不一定能让你被同伴良好地看待，我认为这是我们作为社会需要记住的非常重要的事情。很容易退化到一个宇宙，在那里即使做坏事，同伴也认为你很棒。问一位世界级的计算机科学家和工程师一个极其哲学的问题，比如生命的意义是什么，这很有趣。让我问你，什么让你的人生有意义？什么让你感到充实、快乐、喜悦、目标？当我们于2011年秋季开始创办Coursera时，那正是史蒂夫·乔布斯去世的时候，所以媒体上充斥着各种名言，其中一句真的让我印象深刻，因为它呼应了我之前几年的感受，那就是我们人生的目标应该是“在宇宙中留下印记”。所以，我认为对我来说，什么让我的生活有意义，就是我希望当我躺在临终床上，回顾我一生所做的事情时，我能够指出我让世界变得比我进入时更好。我一直把这件事告诉我的孩子们，因为我也认为，那些出生在特权中的人，负担要重得多，在某些方面我也是，我的意思是，我不是特别富有或别的什么，但我成长在一个受过教育的家庭里，我的父母爱我，照顾我，我得到了很好的教育机会，所以我一直有足够的食物吃。所以我在很多方面比绝大多数人类都更出生在特权中，而我的孩子们我认为比我更出生在特权中。我认为，特别是对于我们这些有这种机会的人来说，利用我们的生活来让世界变得更美好，这一点非常重要。我认为没有更好的方式来结束了，能和你交谈是我的荣幸，非常感谢你和我交谈，感谢你收听这次与Daphne Koller的谈话，感谢我们的赞助商Cash App，请考虑下载Cash App并使用代码lex podcast来支持这个播客，享受这个播客，在YouTube上订阅，在Apple Podcast上给五星好评，在Patreon上支持，直接在Twitter上与我联系Alex Friedman，现在让我用古希腊医生，被认为是医学之父的希波克拉底的话来结束。 wherever the art of medicine is loved, there's also love of humanity. 感谢您的收听，希望下次再见。