（Karlsson博士在欧洲European Control Conference做全体会议演讲  来源：Niklas Karlsson）

引言

人工智能（Artificial Intelligence）目前是全球最热的科技领域之一。近两年涌现出的AI创业公司多达1500家，成为资本的新“风口”。目前在硅谷举办的各种AI科技大会中（如1月11-12日的AI Frontier大会），一般将AI领域分为六大主题：自动驾驶汽车、语言识别能力、自然语言处理、物联网、电脑视觉和深度学习理论框架。AI是对人脑思维和意识进行模仿的交叉领域，目前已进入市场的产品一般都由数据算法和硬件相结合研发，如智能机器人。也有看不见的网络系统，如线上广告平台不断调整的个性化推荐算法系统。

美国在线AOL（America Online），是美国威瑞森电信（Verizon Communications）的子公司，著名的因特网服务提供商，也是美国最早也是最大的新闻、邮件和娱乐内容服务商之一，与很多美国的视频、新闻、音乐、教育APP和网站都有数据方面的合作，对用户进行分析和精准广告推送。我们今天的采访对象就是编写这些广告展示算法的核心人物：AOL副总裁Niklas Karlsson博士。

关于采访

最初接触Karlsson博士是在他参加的一个硅谷中、美科技俱乐部的活动上。 Karlsson博士给人的整体印象是谈吐用词精准、观点视角客观靠谱，既有500强公司VP的精英感，又有科学家的严谨和对数字、语言的尊重。当时俱乐部的负责人希望和他讨论一下与中国互联网巨头公司做交流的意向，之前已经将俱乐部的方案发给了他。让我印象深刻的是，他来开会时拿了一个笔记本，上面准备了10多个对俱乐部本身和交流方案的详细问题！可见他对人、对事极其认真的态度。

Karlsson博士从小在瑞典一个蓝领家庭长大，父母都是普通劳动者。而Karlsson博士从小就对物理、太空和工程领域充满好奇。从小学到研究生都是自主自发地学习，父母从未刻意引导过他。他的成功离不开极强的自我驱动力和求知欲。

牛牛社区有幸在2016年最后一天采访了Niklas Karlsson博士，对他20多年在大数据和AI方面的学习及工作经历进行了回顾；对2017年以后的AI趋势进行了展望，希望他的经历和眼光能对在“AI风口”上的彷徨者、旁观者们提供另一个观察视角。

（Karlsson博士在AOL位于 Palo Alto 的会议室接受牛牛社区的采访   来源：牛牛社区）

专访内容

硅谷并不乏做AI行业的专家和创业者。但我们找的既不是AI领域的高调论者，也不是将眼光刚刚转移瞄准到AI的资本投机者和创业者，而是20年来真正能将研究和产品实践结合起来，对AI及数据研究创新付诸行动和努力的AI“死粉”。

（AOL三楼里的餐厅  来源：牛牛社区）

以下是专访问答：

1.您入职的第一家公司是个智能移动吸尘器公司Evolution Robotics，智能清洁吸尘器现在美国已被很多年轻家庭使用，您认为该产品在问世之初时最具创新性的功能是什么？

EvolutionRobotics的目标是研发出第一个面向大众市场的智能移动机器人。研究可自动行驶或移动的机器人面临的最大困难是如何让其在一个未知的环境中找到合理的行驶路线。也就是说，机器必须会自动识别周围环境并自主找出从A点到B点的行驶线路。我当时专攻这个核心问题。

（Roomba扫地机器人  图片来源：iRobot官网）

即时定位与地图构建（SLAM）是一个鸡生蛋、蛋生鸡的问题。如果有现成的地图，从A点到B点非常容易。同时，如果你知道自己的位置在哪儿，那么对周围环境构建地图也很容易。但即时自动定位和构建地图却非常难。我在2002年加入Evolution Robotics时，当时市场上的智能移动机器人的核心技术依赖于激光传感器（laserrange finder），用以测量机器人与周围物体之间的距离。但激光传感器很笨重，并且在复杂多物的环境中易失去测量的准确性。激光传感器并不能用于机器人常处的3D环境中，且硬件成本很高，很难在市场上普及使用，一般家庭是买不起激光硬件主导的移动机器人的。在这样的现实情况下，我被赋予研发重任，并开始运用我在动态系统、反馈控制和机器人学等方面的知识来尝试解决问题。我们决定应用两个传感器，一个测距传感器（odometrysensor），负责测量机器人轮子的转动角度；另一个是摄像头，每秒种捕捉拍摄一次周围的环境。通过从拍摄的环境图中进行特征提取，并和测距传感器的信息相融合，我们最终成功开发出一套系统，它能渐次制作一张实况地图并可追踪机器人在任何时刻的所处位置。

这项技术在当时移动机器人领域是一个重大突破。 值得一提的是当时在2002年，优质摄像头的成本降低了很多，电脑处理器也已经进化到可以高速处理图像数据。这些硬件技术的进步也让我们可以将数据算法控制的机器人变成现实。

(机器人在行进过程中即时构建地图及定位路线  图片来源：网络)

2.您在AOL的主要日常工作是什么？您能进一步解释下你如何用“反馈控制和动态系统”来提高AOL的广告平台系统吗？

我领导着一个研究团队，我们的主要责任是优化AOL的广告需求端业务系统。具体说就是最大化平台广告的投资回报率并保证广告预算在手机、视频或展示平台上的平稳、优化投放。我们需要的解决方案最核心的要求是自动化、自适应性和足够的延展性，而传统解决方案的计算成本很高。我的团队创造性的将这个优化问题定义成为一个控制问题，并由此运用动态系统的反馈控制理论开发出自动化、兼具自适应性和足够延展性的解决方案。我们还需要在加强系统鲁棒性上做更多的工作，非常有挑战性。事实上，一个设计不良的控制系统无法保证稳定性。所以我的团队花了很多时间和广告运营团队沟通，以理解不同广告计划之间以及广告计划和控制系统之间的相互作用，并开发和测试我们的反馈控制系统，以保证在AOL 相关平台上的广告计划能最大化投资回报率及平稳的预算投放。

除了现有广告投放系统的优化解决方案外，我还花大量时间研究未来广告优化的技术趋势：在未来1-5年内，面对着不断变化的广告需求，以及广告、媒体及在线用户，广告优化将会面临什么挑战？此外，我工作的很重要一部分是监视系统间不必要的互动和干扰。公司有很多AI团队在独立研发各种应用产品，这些产品系统互相进行连接和互动时容易出现问题，对整个平台造成不利影响。

我每天日常的工作涉及很多的会议，为研究项目排期确定优先级。开会的对象是公司的产品或商务团队、工程师团队或研究团队。我还和自己团队的人开一对一会议，了解他们的研究进度或困难，讨论解决方法。此外，我也自己设计模型，做算法研究和实现，以及算法仿真验证等。

3.您对AOL的AI团队以后的发展方向怎么看？

我相信我们团队的未来前景非常光明。我们的主要工作还是围绕着广告优化平台。我们已经有了不少成就，但需要做的还有很多。2015年Verizon（美国第一大移动服务提供商）收购了AOL，Verizon有美国最大的手机用户数据库，为我们做AI研究提供了巨大的机会和挑战。 几个月前，Verizon还在和雅虎商量收购事宜，如果成功，我想会有很多数据交换、整合、协同研究等方面的机会。从外在市场环境来看，广告商的需求在收紧，期待更高的广告投资回报率，且广告的目标也更多样化：他们既想要品牌宣传又期待特定的广告效果，有时很多目标之间是相互矛盾的；同时广告商还想将广告预算跨平台最优化的投放在手机、视频、展示位等不同终端。

我们对广告平台的优化方案既可以用于AOL内部的广告业务，也可以用于外部和其他公司合作的相关业务，如果领导层决定我们需要在那些方面做工作。我们开发出了内容最优化等问题的解决方案，但我们的技术有更广泛的应用范围，例如物联网和可穿戴设备。

4.您对2017年的大数据及AI发展趋势怎么看？

我认为大数据和AI在物联网、智能设备及机器人方面大有可为。在这些领域里，大公司和众多小的创业公司都可以推动AI技术发展，AI的一些领域门槛并不高，甚至一个20岁的学生就可能做出非常棒的大数据或AI应用软件。

但同时大数据带来的用户安全、隐私及道德信任等问题却不容忽视，我相信这些问题将成为2017年大数据的最热话题。不管是银行、社交网络、广告网络等，让用户相信一个软件系统是安全的至关重要。大数据和AI系统必须设有多重防护：阻止、侦测、修复。任何大数据和AI的应用软件在设计之初就要考虑最小化数据泄露或非授权使用的风险，同时有监测机制在数据安全问题发生时能很快检测到。但检测功能不能在问题发生后再引起重视，必须在产品设计时就考虑到。此外，还需要有减损机制在数据泄露发生后能最大化降低受害程度。

5.您在欧洲和美国多个大数据和AI大会做过演讲，从全球角度来看，您觉得哪个国家或地区能在AI的某个分支领域处于领先地位？

我们处在一个非凡的时代，很多人都可以成为某一个科技领域的领袖。现在宽带网已普及到世界大部分国家和边远地区，几乎每个人都能享受到免费的线上教育。 不管是出于对世界的好奇心还是提升个人的生活水准，很多年轻人都渴望做出一些具有社会影响力的成果。

我相信能在大数据和AI方面有更多建树的国家或地区很可能是高等学府和相关公司的聚集地，它们在引领AI行业发展方面有独特的优势。我猜测北美、欧洲、日本和中国将继续引领AI领域的研究发展。但我也很期待看到它们当中哪个地区能在AI的某个分支领域占据主导地位，或者行业的优势会从一个地区转移到另一个。

6.您在瑞典长大和接受大学教育，是什么机缘巧合让你来了美国呢？

我当时在瑞典LundUniversity读工程物理硕士，后获得了加州大学Santa Barbara（UCSB）的奖学金，但当时我没有在美国长待的打算，准备1年后回到瑞典继续读博。但在加州学习期间，美国的多元文化和来自全球的移民让我喜欢上了这片土地，而且UCSB的学术氛围非常好，然后我就决定留在美国继续读博，完成了一个统计和应用概率学硕士学位，和一个机械工程博士学位。

7.您的博士主攻方向是哪个领域？为什么会选择这个领域？

我的博士研究领域是信息反馈控制、动态系统和机器学习。反馈控制和动态系统的理论方法被广泛应用于各类交叉学科领域，可以为很多行业提供数学理论基础和解决问题的方法。

如果没有在过去120年动态系统和反馈控制领域的进步，我们就不会有动力飞机、长途电话、发电机等发明。汽车里的自动巡航功能就是反馈控制系统的一个简单例子，它确保车辆以设定好的速度行使，不管是在山丘还是峡谷环境。实际的速度被测量到，再和预设的速度进行实时对比。如果实际速度太慢，巡航控制器就会指导引擎加快到设定的速度。反馈控制系统在人类生活中随处可见。存在于耳朵中的人体的平衡器官是一个反馈控制系统，没有它你将无法站立。人体的免疫系统也是一个反馈控制系统，当你生病时，它会让人体自动产生更多白细胞。美联储也使用这一系统原理分析和监管银行金融系统。从本质上来讲，对于动态系统和反馈控制的深入研究过程，即是将现实中的问题转化为一个数学问题，解决这个数学问题，然后将数学上给出的答案运用到现实生活中去。我过去的工作涉及汽车、智能移动机器人、在线广告和内容分发等各种领域。表面上看这些领域非常不同，但一路走来我所使用的几乎是同样的技术，这要感谢我在反馈控制、动态系统和机器人学方面接受的系统训练。

（ 反馈控制理论的基本原理  图片来源：网络）

8. 您已经获得了20多项美国专利，能不能给我们讲下您对做研究的热情？

我确实非常喜欢从事研究工作，如果有一个问题它的外沿没有被很好的定义，看似很难以理解且好像没有解决方案，但却在冥思苦想后想出解决这一问题的方法时发现原来答案可以如此简单，我会恍然大悟，非常开心。我想解决的问题包括制作数据预测模型，或理解人类、自然或机器之间的互动联系，让优化、控制、预测这些相互连接的系统成为可能。

（Karlsson博士部分技术专利展示   来源：LinkedIn）

我觉得做研究的过程就像探索未知世界的旅程。有时候很长时间研究工作毫无进展，正如在海上航行，但当你快绝望的时候突然看到一个小岛，一个人类从未到过的地方，这就是科技重大突破。

最让我感到满足的是我的研究工作能够改进人类生活或商业基础。能够对别人的生活产生正向的影响，那种感觉非常棒，也会让你觉得你的贡献得到认可。一个独立的研究发现，无论是在基于前人研究上的里程碑式提升，或是能给后来研究者提供基础的小发现，都是重要的研究发现。

9.你最喜欢的AI类书籍是什么，能不能给研究者推荐下？

很多AI类书籍都值得一读，但是看个人需求。这个领域的相关书籍大多需要一定的基础知识。我最喜欢的是TrevorHastie写的《统计学习的要素：数据挖掘、推理和预测》（The Elements of Statistical Learning: Data Mining, Inference and Prediction）适合具有一定计算机和工程背景知识的人来看。但这本书没有提及的是关于反馈系统、递归估计和深度学习等方面理论。很多机器学习或AI应用都是用于基于一定时间频次（每天或每小时）的自动优化，一旦投入使用，就会成为一个自动反馈系统。而要确保这个系统的稳定性和有效性，需要对系统内部运行机制有深入理解。这至少要求有基本的反馈控制系统知识。此外，虽然分布式计算现在可以处理很多复杂计算上的问题，我们还是需要更有效的递归算法。最新发现的一些AI技术都与深度学习方法相关，这些方法促成了非常有效的结果。有兴趣的AI专家应该多熟悉深度学习的相关技术。

（《统计学习的要素：数据挖掘、推理和预测》来源：网络）

我也鼓励AI从业者不要在工作中投机取巧。我经常会遇到一些经验不足的研究人员，他们只把AI方法当成 “黑盒子”去使用，却忽视了认真研究和预先处理数据的重要性以及认真分析结果，包括剩余数据的价值。

10.您最崇敬的人是谁？为什么？您对年轻一代的数据工程师有什么建议？

在职业生涯中，我最崇敬的人是我的博士生导师Karl Johan Åström教授。

（教授介绍：http://www.control.lth.se/Staff/KarlJohanAstrom.html）

他是我认为的最具智慧的科学家。他对自己和别人都要求很严，工作努力、谦虚、善良并具有同情心，他的热情、好奇心和正能量总能感染他人。

我对年轻人的建议是要平衡好工作和生活，有时间可以多去旅行，去了解不同的文化和风俗，你会对自己的文化少了一些“想当然和理所当然”，对这个世界也会有更多的包容心。

顺便说一下：我2017年的目标是多睡一些，努力达到每天7个小时，之前我只睡5个小时，比较困乏。

小结

从Karlsson博士的研究和工作经历我们可以看出欧美“产育结合”的创新体制：大学或研究机构培养的人才是真正和解决实际中的科技难题挂钩的。欧美的创新驱动依靠大学和研究机构的科学理论和成果，同时大型科技公司也愿意在内部设立专门的研究团队以推动公司技术和业务的不断创新和优化。教育研究机构和产业间的积极互动才是真正能培养出创新人才的有效途径。

Niklas Karlsson 博士简介

Niklas Karlsson博士目前是AOL的研究副总裁。他从瑞典Lund大学获得工程物理学硕士学位后，又在加州大学Santa Barbara（UCSB）工程学院取得博士学位，主修控制理论、动态系统和机器学习。 从2002年到2005年，他供职于 Evolution Robotics （2010年被 iRobot 收购），从事移动机器人导航和控制系统开发，并作为负责人发明和突破了 vSLAMTM专利技术（现在被用于知名智能真空吸尘器的控制系统）。

2005年Niklas加入AOL的广告大数据部门，建立研究组并负责开发下一代广告营销控制系统。在他的亲自领导下，团队发明了许多优化、控制和估算算法。这些算法现在支撑着AdLearn优化引擎中的关键组件，每天提供数十亿次广告展示，每年投放的广告预算总计达数亿美元。Niklas在在线广告和内容优化的算法以及智能移动机器人的导航和控制方面有16年行业经验，目前已在移动机器人、互联网广告以及在线内容优化等方面获得27项美国专利。2015年他以网络广告的系统工程应用产品获得加州大学SantaBarbara的“特别杰出校友奖”。

本文由牛牛社区原创， 转载请注明ID：guigunewclan