现在大家一直在探讨机器学习到底是怎么回事，怎么样收集大数据，如何运用大数据获得智能，但是McCarthy从来没有这么思考问题，他一直在想人类是如何思考的。人类是如何思考的？我们可以看到人类的思考分为两个过程：1、逻辑推理；2、数据收集。在逻辑推理方面，人类整个思考过程有了数学、统计学、数据的基础之后，我们又开发了科学，比如物理、化学、生物等等。另外一个类别就是工程学，包括航空、电子、计算机科学，有了这些工程学之后，我们就可以来建造各种航天器、自动驾驶汽车等等。

这个层面我把它称之为实证模型层,但是对于AI而言，他们的经验模型层并不完善，他们只有一些临时的、特例的经验模型层，比较粗糙。这就是人类思考和AI主要的区别，因为人类能够看书，能够自我学习和教育。你可以设想一下如果你的儿子、女儿来跟你说，我不想去上学，我只想在世界上自己去闯荡，我自己去通过收集数据来学习，他们有可能会获得成功。但是他们能够成功到什么地步，或者你愿意让他们冒这个险去获得成功吗？所以，我们是希望AI能够像人类一样去学习，去思考，而不仅仅是收集数据。

接下来我来讲一下我赖以养家糊口的物理学，也就是物理仿真，借以佐证这个经验或者实证模型。数学有大量的数学公式，物理有方程，数学结合物理方程我们就可以进行物理仿真了。可以看到在物理仿真的过程中，我们甚至无需借助数据就可以完成大量的工作。

接下来我给大家来讲一些我从业的经验，我在工业光魔制作《星球大战》整个的过程。我在好莱坞制作了许多电影特效，利用AI技术，《哈利波特》、《变形金刚》、《加勒比海盗》等等都有不同的效果。我们在电影里模拟了很多非常有意思的形状或者组合，像泡泡、多变体等，这些形状现实世界中是看不到的。

那你就会想那我们要数据有什么用呢？实际上尽管没有数据的时候，我们也可以做出很多很好的效果来，但做一些更加逼真的效果，我们不得不借助数据。

接下来我就给大家举几个案例，看看在哪些领域我们需要数据来加强我们整个仿真的效果，比如说人脸的再造。这是我另外一位研究生的PHD论文的题目，他不得不在温度很高的灯下面坐12个小时，可以让这个面膜固化，然后我们就建立了一个他的脸部高分辨率的模型，这完全是CG（Computer Graphics），是电脑视觉。我们还对他的脸进行了MRA（Magnetic Resonance Angiography：磁共振血管成像）扫描，来看一下他脸皮肤下面的肌肉是怎么样走向的，我们通过生物力学来模拟这个肌肉的运动，之后我们又用摄像头、用相机记录下他脸部在进行各种动作之后的面部动作，可以看到这个就是收集他面部运动的所有数据，之后我们可以在电影制作当中用这些数据来进行面部的模拟。所以在计算机视觉当中，我们就可以通过数据来加强我们仿真的效果。这就是好莱坞现在的特效从事的整个流程，他们有很多的计算机、摄像头来捕捉整个动作，然后把这些数据和我们物理仿真结合在一起，来制造特殊的效果。

在计算机视觉当中，我们需要引进机器学习。通过这个机器学习，我们可以进一步提升这个模拟出来的树、人脸、或者是植物等效果。这个我就回到刚才我讲的这个，如何把物理仿真和计算机视觉更好地结合起来，创造更好的好莱坞视觉效果。

我们来看一下让AI在未来能够更加完善，我们需要做一些什么事情。我们可以想象一下如果McCarthy教授还在的话，他希望朝哪里来进一步发展AI？我们可以看到在这里AI是用了很多大量连续的数学，尽管也用到了一部分零散的、但主要是连续的数学。McCarthy他对于整个AI的看法，就是他觉得连续数学不应该一直把它推到机器学习方面。主流是觉得连续数学可以纯粹应用到机器学习上面，但是McCarthy认为连续数学应该更多用在物理仿真的领域。

我并不是只想把这些数据直接的喂给机器，让它们进行所谓的机器学习，我希望把这个数据通过公式来对AI进行教育，把人类所有历史上已经有的知识传授给AI。这就好比让爱因斯坦，不要让他看书，让他自己来想后面这些惊天动地的公式，他有可能想得出来吗？如果没有看书的话，没有先人的经验的话，爱因斯坦可能要开发出牛顿的力学才能开发出相对论。如果你只是给机器数据，有可能对于机器学习的期待和要求就太高了。

     在这里我只是谈到物理仿真，因为这是我的专业所在，实际上在这方面我们可以做大量别的工作。我们首先从人脸模型开始，之后我会谈一下别的领域。比如说最近我们也做了大量的人脸扫描，这是2004年，是十年之后我们重新对著名人物进行了脸部的建模，在2015年，我们又有了新的想法，要让AI给他们更多的教育。之后我们就提出了一种新型的物理仿真系统，可以瞄准数据，这个从面部扫描和雕刻形状当中得到的数据可以非常真实，但是数据收集的难度非常大。所以如果能够建立一个仿真系统，它能够创建很多新数据，对你学习过程是非常重要的。

自动驾驶汽车也会碰到同样的问题，你当然希望汽车可以从一些事故当中进行学习，但是你不能为了收集这些事故的数据，我就让这个车在街上横冲直撞，去撞人或者撞墙。所以我们希望通过模拟来生成这一系列的数据，但是如果这些模拟不真实的话就于事无补了，这就是我们这个仿真系统。它可以瞄准数据，让整个数据的质量更高、更真实。借用AI里比较流行的词汇，就是这个数据可以避免很多普遍性的错误。

我们把这个路径，从连续学习直接到机器学习否定掉了。通过物理仿真和计算机视觉，我们还可以做别的一些工作。比如说在金融市场，你不需要直接把数据喂给机器人，让它们去进行数据分析，而是可以借用期权定价的模式，让机器学习来运行这个模式，看看那些数据是不是匹配。或者你在电子商务里面想进行试衣，看看那个布料是不是合身，也可以进行新型布料的模拟。

这里面万变不离其宗，也就是通过实证模型层来教育这个机器，让它能够具有更强大的建模能力，通过这个路径实际上机器学习可以扩展到更多的领域，这实际上也是AI一直面临的一个困境。
    我们意识到到AI广泛的应用前景，大家都非常激动，但我们可以看到这种期待一次又一次地落空。这种落空衍生出一个词, 就是“AI的寒冬”。对于AI来说,如今有很多领域是它无法胜任的。AI的创立者希望建立一个基于AI的知识系统，我们应该把更多人类已经积累的知识让机器掌握，实际上这就是我们教育自己孩子的方式。

对于这个布料，我想再进一步用一个例子来解释一下。现在在电子商务当中，如果我们要进行试衣的话，有一个问题就是试穿的效果不够真实，最理想的状况当然是你到一个商务网站上面把你身体一些测量的指标上载，把织物的数据下载，然后看看你实际穿上这个衣物的效果怎么样。尽管现在技术已经发展了这么多年，我们可以看到这个试穿的结果还不够真实，但实际上这不仅仅是一个计算能力不足的问题，还在于我们对于这个布料的理解不够深入。这里数据的威力就可以显现出来了，因为我们可以分析大量的布料，然后收集所有的数据。在这里我们就可以看到仅仅有一个模拟物理仿真是不够的，仅仅有数据也是不够的，但是把这两者结合起来就会有非常好的结果了。

给大家看一下我们现在斯坦福做的一些工作，比如说这是一件T恤，我们把它剪开来，然后把它扫描，进行数据化，然后把我的研究生的人体进行扫描，然后进行实时的建模，看看人体穿上这件T恤衫之后的效果是怎么样的。所以这就是我们正在进行的一些工作，这个主要的指导思想就是我们通过AI来进一步强化我们的物理建模、物理仿真，通过机器学习，我们可以了解我们这个仿真出来的效果和真实数据之间有多少差异，然后如何通过这个差异的补足，来提升整个建模的效果。

作为一个总结，我想回顾一下我过去20年当中学术生涯。我一直是在寻找专家的帮助，就是要找到这个技术领域最牛的大咖，比如说在这个电影的场景当中，像水、液体的模拟，或者是毁坏、破灭场景，那我就要进行大量的编程，通过虚拟来再造那些效果。在AI领域，我要做的实际上是同样的工作，所有这些专家他们进行魔术般的大量神奇的工作。如果你有正确的思想，有可能你并不需要太多的借助于那些所谓的专家。实际上我们的车就是很好的一个例子，我们知道第一辆车的时候，你要开着车上路的话，有可能你边上要坐着一个机械师，他一路帮你修车，当然你还需要有一个专家在车上，那时候那辆车还不是真正能够跑起来的车，所以AI未来他真正跑起来的时候，你并不需要那些所谓的AI专家了，对我们而言，我们在过去这20年当中得出一个结论，就是我们需要更多借助人类的知识来教育、辅导AI。