以下為採訪實錄摘要：
Alex:大家好，我是Alex Ren，是TalentSeer的創始人，也是BoomingStar Ventures的管理合夥人。Robin.ly平臺設定的初衷是為提高廣大研究人員和工程師對AI，對Leadership以及entrepreneurship的理解。今天有幸邀請到京東AI研究院的常務副院長，也是深度學習語言語音研究所的主任，何曉冬博士。何博士曾任微軟雷德蒙研究院主任研究員，並且擔任華盛頓大學兼職教授和博士生導師。在深度學習，自然語言處理，語音識別，計算機視覺等很多領域，建樹頗多。尤其對於AI，leadership以及AI落地很有心得，何博士會在這些方面進行分享。
Alex:何博士，你是今年年初加入京東？
何曉冬: 對，我在今年三月份正式加入京東。
Alex: 您讀博士時主要研究語音識別，後涉獵了深度學習，CaptionBot，再到Drawing bot，AttnGan，一直到最近在做的情感客服類工作，能否介紹下您的研究興趣？一路走來，AI從傳統方法到深度學習，您的研究路徑是什麼？
何曉冬: 我做博士的時候是做語音識別。那個時候一般不談自己做AI，當然語音識別本身是AI的一個核心問題。在清華畢業以後，去中國科學院讀碩士研究生的時候，我開始做語音識別。那時候還是用一些統計模型方法，比如像馬爾可夫模型，高斯模型。到美國以後，讀博士時就繼續了這個方向，用統計方向來做語音識別。語音識別其實是一個很多年的核心問題，大家都在推進展。博士畢業後，我加入微軟，進入微軟研究院。我也是從語音識別開始做起，希望語音識別能產生一些產業上的幫助，創造價值。語音試別以後，很自然地希望理解它。因為語音識別只是把聲學訊號變成一連串的文字，但其實計算機並沒有真正理解這個話的意思，所以為了理解這個話的意思，我們自然要進入NLP，自然語言處理，包括語言理解。我在微軟研究院時候，最開始從機器翻譯入手，機器翻譯就是一個很核心的NLP問題。舉個例子，把中文翻成英文，看似很簡單，但是一代又一代科學家做了很多年。
Alex: 其實Geoffrey Hinton關於深度學習的研究，最早的應用主要在自然語言處理方面，而且也是在微軟研究院最先完成的，對吧？
何曉冬: 這也是個很有趣的故事。可能現在很多人覺得影像識別很重要，但其實深度學習最開始在核心AI技術上的突破是從大規模的語音識別突破開始的。2008年的時候，我算是第一次認識Hinton。那年鄧力和我，我們是同事，在NIPS會上舉辦了一個叫做“Speech and Language: Learning-BasedMethods and Systems”的workshop。我們邀請了Hinton介紹他最新的工作，包括深度學習。2009年NIPS，鄧力，俞棟，Hinton又舉辦了一個workshop。再後來微軟邀請了Hinton去訪問。同時開始招收實習生，把專案做起來。大概在2010年左右，看到了深度學習在大規模的語音識別上產生了突破性的進展。
Alex:當時的很多工作還是比較前沿性的研究？後來開始大量應用是2012年嗎？
何曉冬: 2010年以後，我們在微軟內部看到，深度學習已經在語音識別上取得了很多進展，認為這是一個很有前景的方向。也扭轉整個業界對深度學習，特別是對神經網路的看法。在此之前大家都並不認為神經網路是一個很吃香的方向。但是由於微軟及業界做出了成果，大家開始轉變了觀念。從那時候開始，在影像，在自然語言處理方面都有了很多進展。2012年開始，業內以很快的速度實現了很多突破。
Alex: 能否介紹下CaptionBot？
何曉冬: 因為我一直在做語言，語音這一塊，包括像2012年開始，與Yoshua Bengio 合作，開始做自然語言理解，Spoken LanguageUnderstanding. 後來我們還提出了DSSM模型，也就是深度結構語意模型。然後我們發現可以go beyond the language, 抓住深度學習的契機，把不管是語音語言，還是影像，都可在同一個語義空間用feature vector來表示，叫作embedding feature vector。這樣就使得語言和影像這種不搭界的兩個問題，可以統一在同一個embedding的空間裡，一個語意空間裡。再進一步擴充套件，如果能把影像和文字，按照它們本身的意義和內容，放到同一個空間裡去，就可以實現影像和文字的互相轉化。所以後來我們在2013年底，提出了這個proposal到微軟的一個strategic intern program，開始準備做這個方向。但這不僅是我一個人的想法，也是因為資料差不多積累到合適的狀態。那時MSR剛好sponsor了一個名為MS COCO的dataset，對每一個圖片都有很多自然語言描述，使得我們的研究有了資料基礎。同時還有一些其他的進展，包括端到端的機器學習，包括sequential model，這些深度學習模型都出現了。正好是一個合適的時間點。所以我就把我從語言理解專業又擴到了多模態的領域，具體的說是image captioning領域，並跟同事們一起打造了CaptionBot。
Alex: 後來你又做了一些研究，比如DrawingBot，AttnGAN，能介紹一下什麼是AttnGAN嗎？
何曉冬: GAN現在可能大家現在比較熟，就是GenerativeAdversarial Networks, 對抗性生成網路，被應用於生成影像。我們之所以做AttnGAN，是想做CaptionBot的反向，做一個closed loop。CaptionBot是從圖片生成它的文字描述。AttnGAN，是GAN的一個擴充套件，是從文字描述生成一個對應圖片。AttnGAN試圖引入一種像人一樣的attention的機制，使得我們在畫圖時，在畫每一個區域性的細節時，能對應到文字裡的每一個細節。AttnGAN是專門針對區域性對區域性的語意對照做的一個模型，讓畫的圖更加精細。基於AttnGAN演算法我們開發的一個智慧繪畫機器人就叫DrawingBot。
Alex:舉個例子，如果想畫我們Logo的這隻鳥，應該如何描述？
何曉冬博士講述如何DrawingBot原理
何曉冬: 那你可對DrawingBot說，我想畫一隻鳥，她的脖子是橘色的，肚子是白色的，羽翼是灰色的。DrawingBot 就會畫這麼一隻鳥。
Alex:目前已經有人開始利用技術進行創作了嗎？
何曉冬: 現在我們還在討論階段。其實在我來矽谷之前，清華美院舉辦了叫 Art and Design 3.0Forum的論壇，我在論壇上做了一個小發言，就是展示了一些類似的例子。什麼是想象力？我們以前認為只有人才有想象力，機器只有記憶。其實在某些層面上，機器是可以看到很多不同的角度，畫出一隻全新的鳥。這個鳥可能在這個世界上從來沒有存在過，有不同的顏色。甚至我們有一個bug把一隻鳥的嘴巴都畫成藍色，這肯定是不存在的。但這也可以看成機器的想象力，就像是小孩子一樣，可以想象出一些世界上沒出過的東西。本質上生成就是在一個空間內按某種分佈取樣，想象力可看成在一個合理區間的邊緣取樣。
Alex: 目前京東把AI的技術運用到線上線下零售領域。這方面的側重點是什麼？
何曉冬: 京東有一個很全的鏈條，包括廠家採購，到網站做display，交易，到售後服務，做收付款，包括送貨，及可能需要的退貨處理。京東的鏈條非常長。在每個環節，AI都可以有很重要的應用，或者促進。舉一個簡單的例子，比如售後服務。京東有一個智慧客服機器人。如果使用者買東西有些問題，可以透過聊天來問這個機器人，為什麼東西還沒到，為什麼東西損壞了。chatbot 就是一個經典的AI應用。研究院成立以來，進一步促進了AI的應用，改進了智慧客服。其中之一就是在智慧客服加入了情感。以前我們的chatbot就事論事的回答使用者的問題。後來我們發現，當客戶來聯絡客服的時候，往往帶有一些情緒，比如，不高興，生氣或者焦急。所以我們最近的一個工作就是，透過AI把情感智慧加入到chatbot中，能夠檢測到使用者的情緒，同時交談時，也會相應的生成一些安撫性的語言，使使用者感受到被關心被關注，更加人性化，溫暖的互動使得使用者的滿意度提高了很多
Alex: 你本身完成了一個transition：從一個很有成就的AI研究人員，到領導京東的AI research。更多涉及AI商業化。你個人在從researcher 到 leader這個transition過程，遇到了什麼挑戰？什麼事情促使你做了這個轉變?
何曉冬: 轉變可能有兩個點。第一，從理論研究到實踐。我以前在微軟研究院，做研究更多一些。但是京東有這個機會，把AI 進行產業上的應用。比如，剛舉的客服的例子。一方面是機會，一方面是挑戰。怎麼樣讓AI確實在產業層面產生大規模的impact，更加有影響力。這是挑戰也是轉變。意味著思考問題的出發點要進行調整。第二，如何進行多重協作。工程上有很多involvement，怎樣組織多個工程團隊共同工作，從而真正做到一個可大規模推廣，大規模應用的程度，而不僅僅侷限在實驗室裡。
Alex: 可以分享下帶領團隊方面的心得麼？
何曉冬: 談不上太多心得。就是一些個人小小的分享。比如說一個團隊做事情，很多時候要給大家講得很清楚，給大家一個統一的vision。這個事情的意義在什麼地方，每個人為什麼做這個事情，要讓大家感到驕傲。明確purpose 同時feel proud of it. 讓每個成員知道你做的這個事情將會很有影響力的。不是無足輕重，而是說目前你所從事的工作，在產業上，在本質上，在thought, leadership上都很領先的。像我們的情感客服是業界領先的大規模商用。小規模的可能有，但如此大規模的商用，京東應該是領先的。認識到這一點以後，每個工程師，每個團隊成員，就可以更統一起來。
Alex:你覺得中國AI研究的優勢在哪裡呢？
何曉冬: 中國的優勢在於可以很快的放大思想的影響力。中國規模非常大，以京東為例，京東能夠服務超過3億的消費者，他們每天都會在京東這個平臺上進行大量的活動，所以演算法和模型上的創新，可以很快被放大到整個平臺上去。同時，另一方面，使用者和演算法模型之間的互動比如智慧客服，會產生大量資料。這些資料可以刺激新的演算法。這個互動迴圈會非常快，這是在中國做AI的一個優勢。
Alex:能說說3-5年內，你的個人目標是什麼嗎？
何曉冬: 我個人希望看看AI能不能在典型的大規模產業化的基礎上，落地併產生影響。大家知道AI經過幾次寒冬，也經過幾次高潮。我個人對這次的高潮更加樂觀。因為AI要真正要落地才能對整個社會產生影響。這也是為什麼像京東有那麼長的鏈條，有那麼多資料，是一個很好的落地機會。隨後三到五年，我希望把研究方面或者技術方面的一些先進的技術和模型，真正的帶到產業上進行落地。一方面驗證或者促進研究，另一方面是希望提高這個產業本身，並引領產業的一些變革。
Alex:深度學習快速發展了一段時間，已經出現了很多framework和工具之類的，一些很多軟體工程師，或者演算法工程師做這些方面的應用技術也更加容易，甚至一些高中生也可以調整引數。既然如此，我們是否還需要昂貴的AI researcher呢？
何曉冬: 會調引數的高中生相當寶貴，如果有，立馬把她找過來做我的實習生！從研究方面，我們對研究員提出的要求更高了，不是說把模組，或者神經層，往那一疊，就變成了一個新模型。要在演算法上真正有創新。希望研究員們的創新可以帶來更多深遠的影響。
Alex: 所以現在的工作更多的轉向了engineering，理解市場，理解需求？
何曉冬: 對。我現在越來越關注這個方向。同時研究還是希望能繼續保持，包括publication和參加學術會議，一方面知道最新的思想發展，另一方面也花一些精力看怎麼樣有可能在產業上產生影響，在實際過程中產生影響。
Alex: 根據你的經歷，你看到深度學習技術本身，或者這個research，未來的研究方向有什麼樣的變化？
何曉冬: 其實深度學習帶來很多AI上的進步，但我們還有很多沒有理解的地方。舉個例子說，我們從感知，試別語音和影像，進化到認知，做閱讀理解。實際上我們沒有真正理解，人是怎麼理解文字的。這可能還需要從認知(cognition)的角度來看，才能更深的理解這個問題。另一方面，我們也不知道人的大腦到底是怎麼工作的，我們說神經網路，神經這個詞我們是從大腦借過來的，但是並不知道大腦真正怎麼工作。
Alex:所以我們叫Artificial Intelligence嘛。
何曉冬: 所以那麼現在可能是個機會，我們能不能真正理解大腦是的工作機制。如果能真正理解，會促進我們技術的提高。
Alex:其實更多的角度是從腦科學，或者cognitive science去借鑑一些方法？
何曉冬: 某些研究領域是這樣。但是產業方面，我倒認為，隨後看得見的10年之內，深度學習是一個主流的能夠推動AI前進的核心方向。這個問題很簡單，並不是說深度學習本身有什麼magic，而是因為整個過去十年和隨後十年，一個很大的趨勢是計算力（computation power）在指數級別增長。資料，特別是無結構的文字，影像，也在指數級增長。從這兩點，能take這兩個benefit的模型，演算法和技術，也會有一個指數級增長的機會。所以深度學習就正好有整個特性，有足夠大的capacity，能夠用到那麼大的計算力量，同時又能夠把這麼多資料消化掉。從一個工程化，或者應用的角度看，這是深度學習的一個優勢。從研究看，確實要懂，要理解是怎麼回事，理解腦是怎麼工作的，那是另外一個研究領域。
Alex: 感謝何博士對AI，深度學習整體的介紹，從introduce到語音識別，自然語言處理，到現在做的在零售領域應用AI，做到情感互動機器人互動等各個領域的介紹。也感謝你分享了個人職業生涯上，從researcher到leader的transition，包括他所做工作的不同transition。希望你在這方面能做出更多的成果，希望京東在AI落地上取得更多成果。
何曉冬: 非常感謝給我機會可以和大家進行交流。
