“我们即将见证一个新的工程学科的出现，这个学科基于智能科学、统计学和经济学原理，但其目标是基于数据建设新型世界。这一学科基于全球网络和数据流，为商业、医疗、交通和娱乐产业提供强大支持。这将是第一个围绕人类偏好、价值观和决策的工程领域。”11月6日，美国科学家迈克尔·I·乔丹（Michael I. Jordan）在首届世界顶尖科学家协会奖（WLA Prize）颁奖现场演讲，“同早期工程领域一样，机器学习和人工智能领域必须通过国际合作，才能走向繁荣并实现愿景。”

首届世界顶尖科学家协会奖得主、美国计算机科学与统计学家迈克尔·乔丹（Michael I. Jordan）。

今天，人们谈论人工智能时主要指其技术基础——机器学习，而谈到机器学习，乔丹是绕不开的宗师级人物。过去十年，机器学习在诸多领域的应用得到爆炸式发展，如自动驾驶汽车、X光片分析、蛋白质折叠预测等，都离不开基于他的研究所塑造的理论框架。

今年9月29日，乔丹获颁首届世界顶尖科学家协会奖“智能科学或数学奖”，以表彰他“对机器学习的理论基础及其应用作出了根本性贡献”。 当乔丹接到2006年诺贝尔化学奖得主、世界顶尖科学家协会主席罗杰·科恩伯格（Roger Kornberg）的通知电话时，他正在和学生一起做研究项目。“我现在不能和你聊天，因为我正在和学生们一起工作，这对我来说很重要。”第一通电话结束后，科恩伯格还没有告知乔丹获奖消息的机会。

对于获奖的意义，乔丹说，所有人都认为奖金的意义在于它能让你做什么，但对他来说，获奖主要能帮助他与别人进行新的互动。

乔丹对自己的认知是一个“解决真实世界中存在的问题的人”，他喜欢不同领域之间的联系，喜欢“统计和经济、文化和历史等之间的桥梁”。他的学术经历也证明了多学科交叉融合对机器学习的重要性。

在接受澎湃科技（www.thepaper.cn）的采访时，乔丹强调了数据的重要性。“数据让我们能够做出转变。现在我们有了新兴的个性化医疗。如何实现个性化医疗？这意味着你有很多关于每个人的数据。就像天文学，你现在有很多关于宇宙每个区域的数据，你可以分别研究它们。”他说，而随着时间的推移，他意识到需要一种经济学视角。

多学科交叉经历

求学初期，乔丹在完成路易斯安那州立大学心理学学士学位后，决定努力成为一名数学心理学家，并开始在亚利桑那州立大学攻读数学和统计学硕士学位。然而，他很快意识到不想只是为了分析数据而学习统计学，还想为了建立新模型并探索统计推断与人类思维的关系。

硕士毕业，乔丹与加州大学圣地亚哥分校的教师会面后发现了认知科学的新兴领域，“我有一种‘啊哈’的体验。在那个时代，这是一个新领域，它实际上是关于将数学和科学应用于人类思考方式的问题，这启发了我。”

此后不久，乔丹师从美国国家科学院院士、心理学和认知科学教授David E.Rumelhart，攻读认知科学博士学位。在博士阶段，乔丹对控制理论很感兴趣，“因为我试图了解人类如何做出动作，如何学习移动以操纵世界上的物体。”控制理论基于构建被控制的动态系统的模型，使用乔丹已经熟悉的统计建模思想。“在我转向运动控制以外的其他主题很久之后，这种统计数据和优化的结合继续成为我工作的特点。”他说。

在乔丹的博士生涯即将结束时，他开始觉得有必要回到推理和决策方面更广泛的问题上，并感觉到他的统计和控制理论观点需要通过计算机科学提供的算法来增强。因此，在1985年完成认知科学博士学位后，乔丹前往马萨诸塞大学担任人工智能领域的博士后研究员。

博士后的研究工作结束后，乔丹在麻省理工学院工作了十年，从助理教授晋升到脑与认知科学系的终身职位。1998年，他加入加州大学伯克利分校任教，担任电子工程与计算机系和统计学系教授、实时智能决策计算平台实验室（RISELab）共同主任、统计人工智能实验室（SAIL）主任、统计系系主任。

目前，乔丹已当选为美国国家科学院院士、美国国家工程院院士和美国艺术与科学院院士。

顶尖科学家协会“智能科学或数学奖”的意义

乔丹认为，研究者们需要考虑自己终生追求的事业，但也需要明白：你不可能只做一件事情。“在我的生涯中，至少花费了30%的时间学习新事物，它们可能在未来与我有关。我看过很多视频，甚至读过一些有趣的本科生水平的书籍。”今年66岁的乔丹，还保持着睡前阅读其他学科专著的习惯，近几年的重点是经济学专著。

回顾乔丹的职业生涯，他的突出贡献在于成功连接了计算机科学和统计学这两个学科，包括统计推理和学习的变分方法、基于图模型和贝叶斯非参数化的推理方法，以及统计风险和计算复杂性之间的权衡特征。乔丹也涉猎优化和机器学习的交叉领域，因开发了基于梯度的优化和抽样的连续时间模型，以及用于优化的分布式系统上的工作而闻名。

除此之外，乔丹还构建了机器学习和控制理论间的关联研究，为强化学习理论、基于学习的模型预测控制和人类运动控制的最优化原理做出了贡献。同时，乔丹率先将微观经济概念与机器学习相结合，开发了激励学习者分享数据的学习方法，并展示了如何将契约理论用于统计推理，为基于学习的匹配市场研究做出卓越贡献。他同时致力于推动机器学习在单分子成像、蛋白质建模、基因重组建模和自然语言处理等高影响力领域的应用。

对于世界顶尖科学家协会设立“智能科学或数学奖”，乔丹表示，计算机科学的历史还没超过100年，但现在已经产生了巨大影响。“我们仍然没有很好地了解，这个影响的未来会是怎样、计算机到底能做什么、我们真正想让它们做什么，像这样给计算机学科设立一个奖项，可以就计算机科学是什么进行更好的对话，认识到它是一种强大的力量，认识到它与化学或物理学一样重要。”

以下为澎湃科技与乔丹的对话。

澎湃科技：目前在从事什么研究？

乔丹：目前，我正致力于从微观经济学中获取一些概念，比如匹配市场、契约理论或拍卖，并从受过统计培训和计算机科学训练的人的角度来看待它们。

匹配市场是经济学中非常重要的一部分。例如，如何将实习生与医院匹配？如何将大学申请者与大学进行匹配？如何为需要肾脏的人配对？这些事情在人类生活中无时无刻不在发生。

也比如在现实生活中，如果我第一次来上海想找一家非常好的餐厅，但我不想去百度看所有的广告，我希望市场对我有所了解，如我喜欢什么样的食物，我愿意付什么样的价格等，然后它帮助我找到匹配的特定餐厅。我喜欢思考这种现代市场，之前从来没有过这样的市场，但我们现在看到这样的市场开始出现。

澎湃科技：你的研究方向包括在稀缺资源的条件下如何做出决定、将错误率维持在低水平的条件下做出高质量的决定。这些研究对人类决策有哪些帮助？

乔丹：稀缺是一个经济学词汇，意味着没有足够的资源供每个人使用，所以你必须权衡利弊。想象一下，如果一个应用程序向你推荐了最快的机场路线，但上海所有人都使用这个应用程序，那么所有人的路线都不再是去机场最快的路线，而是去机场最慢的路线，因为应用程序造成了拥堵。每个单独的决定看起来都很好，但集体的决定却很糟糕。所以这里的稀缺性问题是路上没有足够的容量供每个人使用。

现在如果必须让这个系统找出怎么走，那么就要思考谁想去哪里，是否赶时间，或者是否愿意走得慢一点以便让其他人走得快一些等。这就又开始让人感觉像是一个有数据、原则和价值观的市场。这就是我正在做的事情，某种有着在线数据支撑的匹配市场。

澎湃科技：市场导向型的人工智能是怎样的形态？

乔丹：我曾经说过，我们对智能的含义知之甚少。市场是智能的，每天把所有食物带到上海的市场是一个系统，它有一些联系，而人做出的则是个人决定。

市场智能是另一种不同于人类智能的智能。你可以想象蚂蚁在做某项任务时的智力，每只蚂蚁都不是很聪明，但是整个蚂蚁群可以做一些聪明的事情。思考这其中的智能是什么、集体做什么、个人能做什么、如何混合和搭配它们，总体目标应该是让每个人都更聪明、更快乐、更安全、更有乐趣等。所以我们不仅要考虑建立智能，还要考虑为什么要建立，建立什么样的智能，不同的智能之间如何相互支持，相互补充。

澎湃科技：如何用人工智能创造一种经济？

乔丹：这已经存在了对吗，就像中国的阿里巴巴和腾讯等，这些都是通过数据分析创造出的商业力量。随着它们更了解你，就可以给你更好的选项和更好的东西。这就是一个以数据为导向，基于数据分析的经济。

我们会看到更多这样的例子。不仅仅在消费领域，还有医疗保健领域等。现在出现流行病了我们仍然不知道如何很好地应对，但实际情况是每个人都做了很多小实验，比如当他们服用药物时或当他们接触某种物质时，所有这些知识应该以某种方式汇集起来，用来帮助治疗其他人。

这是一个网络联系系统，不一定只是在市场上，而是一个整体的网络系统。它能提供更好的医疗保健，适应能力强，学习能力强，将一种在某个人那里有效的治疗方法应用到另一种人身上。我们现在没有这样的系统，都是让人们单独尝试。如果思考清楚这些事情，就能在下一次大流行出现时更好地思考。

澎湃科技：当前人工智能处于发展的什么阶段？

乔丹：这很难说，这个话题太宽泛了，我喜欢每隔50年回想一下之前的时代。大概是从上世纪四五十年代开始，一个工程师的新分支出现了——化学工程师。我的父亲是一名化学工程师，在那之前没有化学工程，这个领域花了三四十年才真正开花结果。从1880年左右开始，电气工程花了30到40年。还有土木工程等，这些领域需要几十年才能真正开发出来。

对我来说，广义上的人工智能不是一项技术，而是一种思考方式，一种解决问题的方式，就像一个新的工程领域一样。有趣的是，这是第一个不只是关于世间万物——原子、分子、电子和混凝土碎片的工程领域，它还包括人类的决定，人类的欲望、愿望和偏好。

所以这是一个令人兴奋的新工程领域，但也是一个非常复杂的大领域。很难说人工智能本身的进步是缓慢的，它的很多部分都在进步。

澎湃科技：AlphaGo、AlphaFold的出现给人工智能带来哪些机遇和挑战？

乔丹：这是两种不同的事物。我认为Alphago有点像游戏。人类冠军棋手非常优秀，非常擅长发现模式等。但面对可以进行大规模搜索的AI，人类最终会失去这种能力。这并不意味着人类不聪明，人类聪明得多，可以理解很多不同的事物，如语义理解和社会关系等。而计算机非常狭隘地只专注于一件事，慢慢地这些系统肯定会变得不那么狭窄，但仍然会非常狭隘地专注于一件事。

我认为生物学是更好的例子。DeepMind的Alphafold可以预测蛋白质结构，这是人类在进化过程中无法做到的。我们并没有进化到观察氨基酸并判断出它们的结构。我们在进化过程中从未见过这些东西，我们并不擅长于此。我们在学习模式上表现得还不错，但为什么计算机在这方面可以做得更好？如果它看了大量的数据并找到模式，它就可以成为老手。

所以这是一个增强人类智能的好例子，为人类提供了一种工具，做人类不容易做到的蛋白质预测。然后人类可以用它来做其他事情，比如找到好的药物，找到没有副作用的东西，找到对不同人群有效的东西，做出计算机无法做出的关于生与死的艰难决定。我真的很喜欢人工智能的互补性，它不是要取代人类智能，而是要补充人类智能。

澎湃科技：如何进一步推动AI或机器学习的基础科研？

乔丹：首先，需要非常包容，需要世界上的每个人都来做这件事，需要所有种类的人。这确实是一个工程领域。就像以前的工程领域一样，在化工厂有很多不同种类的工人，有的人设计流程，有的人建造管道，有的人驾驶卡车。各种各样的人都能从中受益，然后产出的目标也是为了帮助社会上不同类型的部门。

而且它不能是一种垄断，而是需要被广泛传播。目前这波AI的基本理念其实非常简单，我可以向我15岁的儿子解释。他现在正在上课。这并不难。

算法很容易理解，而且用现代计算和人人所有的工具来实现并不难。也许你真的很擅长一种特定的技术，我擅长另一种技术，我们把它们放在一起，那就更好了。这就是人类在历史上所做的，专注于一点而不是太多方面，然后交换他们的技能。

澎湃科技：在AI和机器学习方面，能否请你给年轻人一些建议。

乔丹：首先，别忘了数学，数学仍然是我每天工作的基础。我做了很多数学运算，我很热爱这方面，看到新的数学方法出现真是太棒了。即使是计算机和编程本身，也有很多关于数学的内容。

同时，做好终生学习的准备，而不只是在大学里学习。每隔5年，一切都在迅速变化，所以你必须学习新东西。不同领域的不同思想之间的联系，也意味着全新的事物将会发生。

例如，我现在对经济学很感兴趣。大约10年前，我对计算生物学很感兴趣。所以我必须迅速学习这些领域的所有概念。每天晚上我的床边都放着厚厚的书，我会以阅读为乐趣，大量阅读，广泛阅读，努力成为一个有深度的人，而不是一个狭隘的人。