在AI领域，可以称为教父的人不多，一眼我们看向“深度学习鼻祖”Hinton教授，另一眼一定会望向“机器学之父”乔丹乔教主。今天带你领略一下机器学习领域的“飞人乔丹”——Michael I.Jordan。
作者&编辑 | 臧小满
作者&编辑 | 言有三
1 30秒了解Michael I.Jordan
Jordan被誉为“机器学习之父”，机器学习领域最重要的奠基人之一，2016年Science评选的全世界最有影响力的计算机科学家，也是大家熟知的Yoshua Bengio，吴恩达老师(Andrew Ng)的老师，满门英才开枝散叶。
1956年2月25日，出生在美国路易斯安那州，是全球知名的计算机科学和统计学学者。目前担任加州大学伯克利分校（UCB）电机工程与计算机系和统计学系教授，机器学习实验室AMP Lab的联席主任。Jordan是美国国家科学院、美国国家工程院和美国艺术与科学院三院院士；AAAI，ACM，ASA，CSS，IEEE，IMS，ISBA和SIAM的研究员；2018年被北京大学授予“名誉教授”称号；阿里巴巴“达摩院”蚂蚁金服科学智囊团主席。
主要贡献有：
1、指出了机器学习与统计学之间的联系，让学界认识到了贝叶斯网络的重要性；
2、发明了Jordan网络，是递归神经网络的一种；
3、提出了evidencelower bound（ELBO），重建了变分贝叶斯的基础框架。
图书作者：Learning in graphical models[M]. Springer Science & Business Media, 1998.
2 代表性研究论文
1、变分方法与图模型介绍：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、谱聚类：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、文档主题生成模型：Blei D M, Ng A Y, Jordan M I. Latent dirichlet allocation[J]. Journal of machine Learning research, 2003, 3(Jan): 993-1022.
4、非参数贝叶斯模型：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、图模型，变分推理综述：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.
所有的论文，在以下GitHub项目中可以获取，或者给公众号发送关键词消息“Jordan”，即可获得下载链接。
https://github.com/longpeng2008/Awesome_DNN_Researchers
3 代表性个人成就
2006年IEEE神经网络先锋奖
2008年SIAM活动组优化奖
2009年ACM/AAAI Allen Newell奖得主
2015年David E. Rumelhart奖
2016年IJCAI卓越研究奖
2016年《科学》“全世界最有影响力的计算机科学家”
4 AI之路，始于心理学
1956年，第二代晶体管计算机诞生的同年，小Jordan呱呱坠地，冥冥中注定会和计算机有着不解之缘。童年时期，Jordan生活在美国路易斯安那州，一个综合着美、法、非洲文化的地域，被这个拥有别样人文风情的地方深深吸引着，从小他就是一个好奇宝宝，喜欢各种马可·波罗编写的文艺复兴时期探险家的故事。大学期间选择了当地著名的路易斯安那州立大学（LSU），攻读心理学。在LSU，Jordan如海绵一样吸收着哲学家伯特兰·罗素和科特·哥德尔的思想，毕业后决心继续进修数学心理学。
Jordan回忆说当时他想从事心理学，但这是一个需要数据分析的实验领域，所以需要学习统计学，去探索与验证人类思维的关系模型。1980年，在亚利桑那州立大学毕业时他取得了数学（统计学）硕士学位。
一次度假，Jordan接触到了“认知科学”这个新兴领域，一门将数学应用于人类思维方式的学科，这与Jordan的思想完全契合，受到了教员们的启发，这次会面不久后，Jordan只身来到圣地亚哥，投奔加州大学圣地亚哥分校心理学和认知科学大佬——David e . Rumelhart攻读认知科学。1985年，Jordan获认知科学博士学位。在此期间，他发展了一种认知模型，称为Jordan网络，是递归神经网络的一种。
两年的博士后时光，Jordan在马萨诸塞大学与安德鲁·巴托(Andrew Barto)同任人AI领域研究员。1988年-1998年十年间，他任教于麻省理工（MIT）大脑与认知科学系，并建立一个研究小组，主要研究人类运动控制及机器学习和推理。1997年，加州大学伯克利分校的统计学家彼得·比克尔(Peter Bickel)向Jordan投出橄榄枝，邀请他加入加州大学统计系和计算机科学系，从此Jordan在berkeley坐镇一方。
不得不佩服，Jordan的读书与教书时期横扫美国各大名校，此处需要有掌声。
5 帮派之大，旗下英雄辈出
上面提到Jordan是美国国家科学院、美国国家工程院和美国艺术与科学院三院院士，也是机器学习领域唯一获此成就的科学家。简单普及一下，在美国，国家级院士代表着最高水平的机构，含金量相当的高，仅次于诺贝尔奖的最高学术荣誉之一。
看过天龙八部的朋友都知道乔峰帮主，将降龙二十八掌与少林心法两者结合，令掌法的威力大大增加，又将二十八掌改良十八掌，真正变成武学中的精髓。
Jordan身兼统计学和计算机科学两个系的教授，能够做到将统计学和机器学习完美融合，招揽全世界最优秀的计算机人才，组合最先进的平台和资源，将贝叶斯网络发展到高级阶段evidence lower bound（ELBO），同时专注于研究概率图模型（Graphical model）、谱方法、分布式计算系统中内核机及其应用问题、自然语言处理、信号处理和统计遗传学等问题，几乎涵盖了大部分机器学习中的内容。大家熟知的深度学习同样站在传统机器学习这个巨人的肩膀上，以Jordan为代表的统计机器学习积累了宝贵而丰富的理论和实践经验。
Jordan既武艺高强又教学有方，桃李满天下，且在AI界都是有头有脸的人物，上篇文章分享的深度学习大牛Yoshua Bengio，贝叶斯学习权威者Zoubin Ghahramani，曾任百度AI首席科学家吴恩达Andrew Ng，斯坦福大学教授Percy Liang、卡内基梅隆大学计算机科学院教授Eric Xing都是其得意弟子。最近如日中天的对抗生成网络Gan的提出者Lan Goodfellow是Bengio学生，Jordan毋庸置疑是祖师爷！
Jordan兢兢业业三十年为AI当代研究奠定了基础，做到了机器学习学术树的一个根节点，开花散叶，盛产大牛 ！
6 醒醒，AI革命尚未到来
我想，很多朋友都浏览过Jordan的一篇长文博客《人工智能：革命尚未到来》，也了解过他的演讲，今天小编结合着Jordan的文章、在清华大学、混沌大学等高校演讲及专访内容总结出几个Jordan突出观点给大家。
6.1、什么才能被称为AI？
“AI” = IA + II
IA：智能增强（Intelligence Augmentation）
II：智能基础设施（Intelligent Infrastructure）
搜索引擎就是IA的代表，一个机器学习系统，不停地获取数据并随时间进行改善以做出更好的决策，输入我有所不知的问题可以给到我很好的答案；你见过的图片风格转换，输入一张图片，转换成另一张很酷的图片，看起来像梵高的画一样，但它真正做的是增强了人们的创造力。在IA领域，计算和数据被用来增强人类智力和创造力。
II又是什么？世界正通过网络被连接起来，尽管很多公司正在建设物流预测、欺诈系统、推荐系统，这些都很棒，但这些都是机器学习，不是我所谓的 AI，真正的AI将比我们现在看到的更为激动人心。想象一个“社会规模的医疗系统”，建立了医生以及位于患者体内外设备之间的数据流和数据分析流程，从而帮助人类进行诊断和提供护理。当然这期间会遇见隐私、责任、安全等等挑战，但需要意识到的是模仿人类的AI并不是AI的唯一通道，我很需要与云端相互作用，建立一个由计算、数据和物理实体组成的网络，使人类所处的环境更加友好、有趣和安全，类似物联网。
6.2、有生之年，“超级AI”不会实现
被问到AI这个概念是否被滥用，Jordan表示，“现在没有'人工智能'，计算机并不了解世界，不像我11岁儿子时常会说出一些对周围世界真正深刻的理解。计算机只是获取一些模式和范本并将其映射到其他模式上。能够真正地深入理解这个世界的人工智能，这辈子是不可能的了，即使在未来的100年也很难说。但是，这并不重要。”
就现在已创造出的图像识别、语音识别、自然语言翻译的能力来说：
计算机视觉可以在可视场景中标记对象，但尚未可能做到对视觉场景的常识理解——只能识别人脸，不能理解场景，并判断会议室出口在哪，小心台阶不能掉下去；语音识别可实现多语种语音到文本和文本到语音的转换，但尚未可能做到对听觉场景的常识理解——人可理解一个很复杂的句子来预测下一步行动，但计算机做不到；自然语言可实现最低限度的翻译和问答处理，但尚未可能做到对语义理解、对话——“中国不在河边的第二大城市是哪一个？”电脑数据并不能很好回复你。
未来十年，尚未可能部分将实现基本形式，“超级人类AI”很难看到，也不相信AI会比人更聪明。原因有三：
1、人类时刻都在以新的方式思考并表达，具有创造性；
2、人类善于做新的抽象推理，AI系统需反复用海量的数据才能得出一个答案；
3、人非常擅长计划和规划。
6.3、除了生物智能，还有一种东西也要智能
答案是市场。传统的推荐，都是针对个人，而现实中，则需要结合客户和商户两端的需求。正是因市场具有稀缺性，所以AI作为团队进行合作博弈非常重要。比如APP上，不仅向客户推荐某一家餐厅，还要让餐厅看到今晚自己可以供应多少食材？今天接了一场婚宴后，还剩下多少个散客的位置？甚至，可以了解周边竞争对手，是否满座？如果满座了，我可以打折吸引更多的人流到的餐厅。
“毕竟世上已有这么多人了，为什么还要AI像人呢。”所以，目前的挑战是，创造基于数据和算法的新型市场，让现代技术的系统能够像经济学里的市场一样运行起来，运输、教育、商业、医学等等，都是崛起的力量。
6.4、AI人才需要这些技能
优秀的人学术界、商业界都能够两者兼得。
如果你擅长理论，喜欢研究理论，同时你的思维方式很适合做理论，那就放手去做一段时间。但每个人都应该做“一定量的理论学习”+“一定量的实践操作”，或两者相结合。这样视野和认知会更宽阔，你会看到整个东西联系在一起是什么样子的。
读博的目的就是培养常识和知识修养。首先，计算机科学很重要，其次，统计学也要学好，学一点经济学，学一点其他相关领域的算法，包括和复杂性、不确定性有关的算法等等。重要的是，先打好相关基础，剩下的一辈子慢慢学。
7 Jordan经典语录
以下是 Jordan经典语录：
“我们并非处于人工智能的大爆炸时代。”
“不要相信可以自主学习AI，不要相信你读到的任何关于这种论断的话。人们只是在说一些符合他们期望的话。”
”人工智能的商业模式，是要创造一个市场，而非一个算法。”
“AlphaGo只是大众的一场梦，很多领域中，计算机是可以打败人的，但它不是智能，我们不应该把AI当做是一个了不起的、能够打败人类的技术，而是应该将它看做一种新的元素，能够让我们用它重塑整个世界。”
总结
每个行业都有一个迈克尔·乔丹，与深度学习鼻祖Geoffrey Hinton一起，誉为人工智能领域两位“根目录级”人物，不仅个人厉害，徒子徒孙们在AI江湖上都是响当当的！这样的光环只有乔丹值得拥有！
AI大咖，你心里想谁，我来写谁？
知识星球推荐
有三AI知识星球由言有三维护，内设AI知识汇总，AI书籍，网络结构，看图猜技术，项目开发，Github推荐，AI1000问，数据集八大学习板块。
转载文章请后台联系
侵权必究
往期精选
1701
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
