Richard Socher说，“AI帮助我们认清自己”。

一次机缘巧合，让他从计算机语言转投AI研究，此后并沉迷在“深度学习”世界里。

拜师吴恩达，投身深度学习探索

Socher在德国主修计算机语言学，获得了莱比锡大学理科学士和萨尔兰大学理科硕士学位。此后，他在斯坦福大学读博士时，曾作为交换生前往美国普林斯顿大学，在那组建了AI实验室。

他组队参加2007年语义机器人视觉挑战赛（ semantic robot vision challenge），其团队荣获大赛冠军。此外，Socher还加入普林斯顿大学的研究团队，开发设计ImageNet—即由标有注释的图像构成的可用于计算机视觉研究的大型数据库。

Socher称：“深度学习的魔力在于它不仅能够提取出传统机器学习的结构特征，而且其模型可提取和呈现原始图像或原始词表，最终在同一个端对端的训练模型中作出预测。”

换言之，过去传统的机器学习需要深层次专业知识，且需投入大量时间和精力研发模型和算法。为提高预测的准确性，计算机的“学习”多借助模型的优化调整，而深度学习则聚焦于模型设计，使用海量训练数据，建立多层次的深层次结构。

自此开始，ImageNet项目负责人每年都举办一次ImageNet大规模图像识别挑战赛（ILSVRC），推动了深度学习的快速发展，使其成为图像识别研究中的新兴工具。（2012年该大赛的一支深度学习团队将图像识别的错误率从25%降低到16%，深度学习领域自此进入全盛时代）

也是这个时候，Socher开启了从事深度学习的职业生涯。当然，还少不了他的导师。

Socher在斯坦福大学求学时，有幸拜Andrew Ng（吴恩达）和Chris Manning为师。Andrew Ng与谷歌合力开展计算机视觉研究时，首次引入了深度学习，并为2012年正式推广深度学习作出了巨大贡献，而他的另一个导师Chris Manning也堪称“著名的自然语言处理研究员”。

Socher借助循环神经网络（深度学习的变体），使自然语言处理程序能更好地“理解”文本的语境和情感。之前的研究员多建立情感分类模型（即体现积极或消极的词表）对文本进行分类，并假设词语的顺序不重要。然而，基于循环神经网络分析文本情感，无需预先建立模型，而是分析词间的联系，从邻近词，逐个依次向后分析，建立一个多层关系网，便于精准理解句子的含义。

Socher的博士论文被评为斯坦福大学计算机科学专业的优秀毕业论文。论文中提到：深度学习不是成功处理自然语言的唯一工具。他提出了新方法，无需针对各任务建立不同的机器学习模型，就可同时完成大批不同的自然语言处理任务。他学术生涯的重心不在此，但他的职业生涯却一直致力于实现“多任务同时处理功能”。

学术生涯之后的另一种人生，开创MetaMind

Socher的职业生涯和宏伟志向也是众多AI领袖的鲜明写照：他们可能还是博士生时，已投身于AI领域的研究，但并未继续进修深造，而是选择自己创业或加入其他企业。

在被问及放弃学术生涯的原因时，Socher回答道：“应用人工智能获取资源，对人们的影响空前巨大，远远超过对整个行业的影响。”因此，他放弃了普林斯顿大学助理教授的职位，于2014年开创了MetaMind公司。

短短四个月，Socher及其团队从Khosla创投公司与Salesforce公司的CEO Marc Benioff处筹集了八百万美金资金。与此同时，他们还推出了一个分析文本图像的深度学习平台，该平台在网络上运行，操作简单。多年来，MetaMind公司取得了诸多瞩目成就。2014年，该公司以92.4%的识别准确率完成了ImageNet大赛。准确率较大赛冠军谷歌低了 0.8%，但其运算量仅为谷歌公司的千分之一。

用Socher的话来说，“MetaMind是个用途广泛的通用引擎。现已应用于药物影像、放射学、情感分析以及卫星图像等领域。”

2016年的4月， MetaMind被Salesforce公司收购。Socher说：“作为一个小型科技初创企业，总是考虑如何将自己的影响力最大化，但无论是创建强大的销售团体，还是建立人力资源和市场都需要很长时间。Salesforce是我期盼的最好合作伙伴。”

Socher继续解释道，对于成功的人工智能公司来说，数据、算法以及工作流集成至关重要。Saleforce公司拥有海量数据， MetaMind与Saleforce的其他机器学习团队负责设计算法。工作流集成极其重要，关乎Socher的职业志向、研究的现实意义以及对世界产生的影响。

“你不能设计完一个人工智能算法，直接把它扔给其他团队，然后跟他们说，这个算法不错，用吧。应该尝试将这个算法融入工作流程中，它才能真正为人们所用并造福人们。Salesforce了解人们的工作方法，将算法与工作流结合，融合于现实产品，供世界范围内的客户使用。这样做可以获得额外好处：就是从真实的世界各地的用户那里得到反馈。融合方法得当，就能不断学习，在使用中优化机器学习模型”，Socher说。如此往复，实践性知识会融入研究工作中，逐渐形成良性循环。

进入Salesforce，以AI+CRM再战江湖

作为Salesforce的首席科学家，Socher不仅管理着一个研究团队，该团队还陆续发表了多篇重要论文。主题涉及自然语言处理、图像说明、问答系统及多任务共同学习（通过同一神经网络执行大量NLP任务）。这些研究开发了诸多实用型应用设计，比如最近推出的爱因斯坦视觉系统（Einstein Vision)，该系统由一组API组成，帮助各技术级别的开发者为CRM添加图像识别功能，快速建立人工智能驱动的应用。

Salesforce不仅向Socher提供了一个将理论融入实践的完美环境，也使其有机会继续进修深造。每年他都会与Chris Manning联合开展一次“自然语言处理与深度学习”的课程。这门课有近700名学生参加，是斯坦福大学研究生课程中人数最多的课程。这门课几乎座无虚席，由此可见，深度学习正不断崛起并大跨越向实践应用发展，人们对人工智能的兴趣也与日俱增。

为实现“多任务同时处理”的功能，Socher一直致力于开发自动问答系统。虽然问题不同，但只要有相同输入，即可启用一套多任务共同运行模型。Socher非常自信的说：“未来五年，我们在问答系统方面将会取得巨大进步。”比如，他认为其团队将实现特定企业机构中汇集所有相关数据，投入使用“智能对话系统”。

Socher表示，人们最终一定会制造出来全能的（近乎真人的）人工智能，但他拒绝给出具体时间。与现今大多数科学家一样，他也处于一个唯物主义范式中：“我不认为任何哲学因素能妨碍我们的再造智慧，但是前路漫漫。”与此同时，他也致力于开发应用，无论是深度学习的试用功能，还是接着前人70年的研究，努力制造更加有用的电脑。

Socher在其博士论文中引用了语言学家J.R.Forth的著名言论“观其伴，知其意。”同样，你也能从开发者们的社交中，看到一个逐步完善的人工智能的未来。Socher不仅活跃于世界经济论坛及其他场合，还积极与该领域其他人士互动。一方面与团队成员、学术会议上的研究者和因讲座、论文展示以及论文发表等方面相关的研究者保持紧密联系，另一方面与Salesforce的员工和用户等实践者进行交流。

与他人互动、学习、探讨、合作是人类生活的重要方面，是我们独特的传递信息与语境的行为，也是人类创造性在社会层面上的体现。正因如此，人类智力永远无法被人工智能取代。但是有像Richard Socher这样坚持教计算机从数据中获取新知识的人，人工智能必将蓬勃快速发展。