记者：您之前认为大数据过热，目前有很多大数据的数学和工程的问题需要解决，会发生一场大数据的冬天。但现在有非常多的公司进入这一领域，您还认为冬天会到来吗？

迈克尔·乔丹：大数据明显过热。很重要的科学问题是怎样让大数据在大尺度、大规模的深度学习中解决实际问题。但有个很重要的问题是，大数据分析必须建立正确的数据模型，但是目前没有办法从根本上杜绝错误的数据模型。不过大数据的冬天还不至于到来，因为目前还是有很多好的想法，可能会有段冷却时间，但可能不是冬天。不过大家对大数据的期望值实在太高了。

　　看好人机对话、自然语言处理的突破

记者：人工智能最先获得突破的是哪一块？

　　迈克尔·乔丹：计算机视觉领域已经有很好的突破，但我比较看好人机对话、自然语言处理的突破，这些是正在改变或即将发生的改变，譬如谷歌的翻译系统最近有非常不错的成果，下一个领域的突破就是在家用机器人方面，小机器人在日常生活中与人的人机互动，这是多方面应用的人机交互，既有计算机视觉，还有人机对话，以及综合场景处理。家用机器人了解你日常生活的模式，并对此进行学习，然后进行下一步的服务，这是正在进行中的突破。

　　还有一个就是精准医疗，我非常看好，虽然前景并不非常明确，因为需要了解病人的历史数据，再对可能要到来的疾病进行诊断、预测和治疗。谷歌现在在各个领域都能帮助人，不是谷歌什么都知道，是谷歌可以搜索，或了解这些知识。人工智能的下一步就可以帮助人们做决断，帮人做出决定，这是更深层次的逻辑运算。

　　记者：掌握最多数据的公司认为他们更有优势做好深度学习，现实如此吗，其他公司的机会在哪里？

　　迈克尔·乔丹：首先是数据量的问题，深度学习十分依赖于公司处理的是什么样的数据，譬如精准医疗、电子商务，专业的公司有大量的数据，但私人对这些数据并不是十分感兴趣；另外是数据质量的问题，很可能大公司有更好的数据质量，譬如美国的推特、中国的微博，虽然每天产生大量的数据，但这些数据之间的关系可能比较微弱，atv，普通人不感兴趣，可能只有大公司才有兴趣；还有信用卡以及金融数据，可以分析出大家的购买习惯，这对私人来说就是非常有用的东西。这也是数据量多的公司才能做的事。另外，数据收集方面有很大的挑战，因为有人为或者不可避免的失误，会对数据产生人为的损害和污染，如何保证数据的高质量是非常重要的问题。

　　记者：在人工智能方面最先获得突破的是谷歌、亚马逊这些大公司吗？

　　迈克尔·乔丹：这是很重要的问题，但就2016年来说，研究机构还是最有可能获得突破的，未来如何不好说，但过去30年的经验，人工智能的研究，研究机构一直领先。

以下为迈克尔·乔丹于第二届“复旦科技创新论坛”暨第一届“复旦-中植科学奖”上的演讲，由复旦大学大数据学院张楠整理。以飨读者。

大数据的世纪难题

——缺少理论化的科学体系

　　在建造一个大数据系统时，设计者通常都要面对精准性和计算速度的取舍，目前并没有一个科学化的体系来指导我们。这个指导系统的重要性，就像是几千年来，人们修建房屋和桥梁，不断实践、试错改错、最后理论化提炼出土木工程这门科学，可以指导人们应对建筑工程中遇到的所有问题。在大数据时代来临之前，我们在相关领域取得了很多成果，比如计算机科学、统计学、机器学习等。但当我们面对大数据的新问题，我们并没有一套科学的解决方案，这是世纪挑战。

　　因此我们不能简单地将已有方法拿过来套用，而是要从科学的角度认真思考和尝试找到科学方法，其中非常重要的一点就是将计算思维和推断思维结合起来。

　　几十年来，研究者一直致力于用机器代替人来进行特定的活动。有些方面已经取得了巨大的成功，比如Google搜索引擎，我们在一个空白框内输入关键词，很快就可以得到我们想要的答案。就这个搜索框而言，其背后的技术在几十年中不断发展，通过数据的日积月累和算法的不断改善，形成了如今的非常个性化的服务系统。