采访“算法之父”迈克尔·桑德斯:未来人工智能的突破点可能是自动驾驶。
迈克尔·桑德斯是斯坦福大学管理科学与工程教授。目前是斯坦福大学荣誉教授、数学家、世界级算法专家、工业与应用数学学会院士、新西兰皇家学会荣誉会员、斯坦福大学发明名人堂成员。
迈克尔·桑德斯教授师从科学计算之父吉恩·戈卢布，于1972年获得斯坦福大学计算机科学博士学位。作为计算机领域的“大咖”，他获得了数学编程学会颁发的威廉·奥查德-海斯奖和工业与应用数学学会颁发的暹罗线性代数奖。据了解，其矩阵方程和优化问题的数学算法在国际上应用广泛。迈克尔·桑德斯教授曾为通用电气公司和波音公司提供咨询服务。
迈克尔·桑德斯教授的研究领域包括人工智能、大规模科学计算、大数据分析、系统优化、稀疏矩阵求解、软件工程、AIoT等。
在他看来，互联互通一直是AIoT行业的优化问题。比如本次大会的主办方涂鸦智能，也推出了类似的技术来解决信息孤岛的问题。桑德斯教授在这一领域做出了杰出的贡献。
以下是Michael Saunders教授的演讲和采访摘要，《AI技术评论》在不改变初衷的情况下进行了整理:
大家好！谢谢你今天来到现场。我很高兴来到中国。对不起，我来自新西兰。我会说一点法语、一点西班牙语和一点英语，但汉语要困难得多。
今天我想和你谈谈“约束优化”。在这之前，我想先说一下我为什么去斯坦福大学，参与计算机相关的研究，再说一下约束优化的历史。
从新西兰到斯坦福，专注于“约束优化”
1972我在斯坦福大学拿到了博士学位。我回到新西兰，以为自己会永远留在新西兰。但线性代数之父、斯坦福大学教授乔治·丹齐格(George Dantzig)启动了系统优化实验室(SOL)项目，并邀请我回到斯坦福。
当我参与系统优化实验室时，Dantzig教授负责建立经济和能源模型，而我则专注于非线性目标函数，开发了MINOS优化软件的初始版本来解决这些模型的问题。
当时斯坦福大学教授乔治·丹齐格(George Dantzig)提出了一种新的算法优化——约束优化。这是一个非常困难的研究课题，就是在一系列约束条件下寻找一组参数值，使某个函数或一组函数的目标值达到最优。“约束优化”本质上是一个线性代数问题，优化分析是通过软件实现的。
在1980年代，我扩展了MINOS来处理一些非线性约束，我们还为通用电气和美国国家航空航天局开发了其他约束优化软件。
在1990中，我们的软件被用于温室效应模型和空间优化问题，如飞机和宇宙飞船的轨道优化。
我有一个孪生兄弟大卫，他是一名飞机驾驶员。自1975以来，他一直在美国国家航空航天局艾姆斯研究中心工作。他使用我们的优化软件设计超音速飞机、新的航天飞机和太空舱，尽管其中一些项目后来被取消了。
当然，我们的算法优化在其他很多领域也有应用。比如控制机器人的轨迹；在医学领域，我们可以瞄准X射线束来帮助医生进行放射治疗。
优化对于航空应用非常重要。
我们的软件用于许多美国国家航空航天局航空项目，例如:
以上问题都离不开优化。
2010我参与了“猎户座”飞船的设计，这个飞船叫阿波罗2.0。猎户座和阿波罗在外形上相似，但体积要大得多。大卫优化了猎户座隔热罩的曲率。他发现50年前阿波罗的设计师选择的形状是一种优化的形状。
最近，我们的优化已经应用到世界上最大的飞机Stratolaunch上，该飞机于2019年4月3日在加州完成了首飞。Stratolanuch配备了两个机身和六个波音747发动机。它的翅膀比一个足球场还长。它可以携带火箭或小型飞船到11000米的高度，并将其发射到轨道上。大卫改进的优化结果表明，Stratolaunch在2500公里的距离启动着陆程序可能有点为时过早。
优化软件和应用程序相辅相成。
算法优化帮助我们做出了很多解决方案。
二十年前，我们使用PDCO软件进行信号分析(BPDN)。现在，我们将相同的软件用于不同的应用:分析低频核磁共振信号，以分析某种物质的成分，如橄榄油或生物柴油。我们现有的软件找到了新的应用方式。
有时候，新的应用会引导我们创造新的算法。比如系统生物学中的多维模型问题，现有软件无法解决，所以我们使用优化的MINOS软件的双精度和三精度版本，开发DQQ程序。
我们还开发了NCL算法来解决税法模型，这是现有软件无法解决的。NCL解决了一系列大型但容易解决的优化问题。令人惊讶的是，我们发现如何通过内部方法促进优化来“热启动”每个大问题。热启动通常不能通过内部方法实现。所以新的高难度的应用促使我们催生新的通用软件，这是一个非常有趣的过程。
总结一下我演讲的主题，当我们设计一个优化的软件时，我们总是希望创造一个“通用”的软件来物尽其用。但是说实话，我们永远不知道什么样的人在用我们的软件。有时候，软件会帮助科学家找到新兴应用的优化解决方案，这给我们带来了立竿见影的成就感。但有时候恰恰相反。新兴的应用迫使我们通过以新的方式结合现有的软件来设计新的算法。
未来我们会看到很多类似自动驾驶汽车的应用，自动驾驶安全的重要性堪比飞船的发射和着陆。优化系统也将在未来的医疗领域大放异彩。它可以让精准医疗成为现实，它让放射治疗变得更加精确和快速。
演讲结束后，《AI技术评论》对迈克尔·桑德斯教授进行了专访。
AI技术评论:很高兴今天有这个机会采访你！第一个问题，能否谈谈你是如何将研究与行业应用相结合的，以及你参与过哪些具体案例？
迈克尔·桑德斯:我的应用案例在我的演讲中提到了很多，包括一些非常重要的案例，比如药物治疗、制造业、航空航天、系统生物学和核磁共振。正如我之前所说，我们不知道谁会使用我们的软件，但通用软件会鼓励更多新兴应用程序的诞生。我最喜欢的是有人敲我的门说:“教授，我有一个优化问题。你能帮我吗？. "我希望每个人都来敲我的门。
AI技术评论:如何看待人工智能、物联网和系统优化之间的关系？
迈克尔·桑德斯:人工智能涵盖很多方面，包括数学和计算机科学。用大规模变量方程求解最小值问题通常是最优化领域的一个代表性案例。
经典的SVM方法解决了更复杂的问题，并且我们已经证明了我们的PDCO解决方案是一个可以比现有方法更大规模应用的解决方案。
物联网包括传感器，我们用最优化的方法研究无线传感器网络，检测传感器在哪里。每个传感器可以独立检测它与附近其他传感器之间的距离。比如我们可以把传感器从直升机上扔到森林里，让它自动感知是否有森林火灾。只有少数传感器需要知道具体位置。
AI技术评论:是成千上万个传感器之间的互联吗？
迈克尔·桑德斯(Michael Saunders):我的博士生霍莉·金(Holly Jin)，在她的博士论文中，她可以精确定位数千个传感器，这对于大型森林来说非常重要。同样，如果消防员或矿工在身上佩戴传感器，同样的优化方法也可以用于搜索他们在森林火灾或坍塌矿井中的位置。
AI技术回顾:现在人工智能技术在国内特别火。作为这方面的专家，你认为人工智能技术未来的突破点在哪里，这种技术的趋势是什么？
迈克尔·桑德斯:这是一个好问题。人工智能技术发展了很久。1967年，我还在斯坦福大学读博的时候，人工智能已经是计算机科学的研究课题了。如果AI是泡沫，泡沫早就破灭了。
自动驾驶汽车是未来人工智能研究领域的一大挑战。特斯拉创始人马斯克预计，特斯拉自动驾驶汽车将在今年年底自行上路，汽车还可以在行程结束后接送其他乘客，为车主赚钱。我们不知道这个愿景能否实现。特斯拉声称一个芯片的计算速度是其他芯片的21倍。这是一个很大的进步，让我们离未来的AI更近了一步。
AI技术评论:主要是芯片优化？
迈克尔·桑德斯(Michael Saunders):刚才我们的问题是，AI应用的未来方向是自动驾驶，这是一个非常大的方向，将彻底改变我们的生活方式。我对自动驾驶的未来持乐观态度。
观众提问:现在机器学习有两种方式，一种是有监督的，一种是无监督的。你觉得哪个更有发展潜力？
迈克尔·桑德斯:机器学习有三种方式:监督学习、非监督学习和强化学习。我认为有监督学习和无监督学习都很重要，研究人员一直在努力改进他们使用的方法。我认为这两种学习形式在未来还会继续进化。
点击阅读原文，查看Python技术交流讨论组。