斯隆獎得主方飛：當(dāng)深度學(xué)習(xí)和博弈論相結(jié)合，能解決哪些社會問題？
算法與社會福祉的沖突是天然存在的嗎？| 圖源：pixabay.com
但是，算法與社會福祉的沖突是天然存在的嗎？
卡耐基梅隆大學(xué)（CMU）助理教授方飛認(rèn)為，找對研究方向，算法也能夠幫助解決一些社會性的問題。她的工作，就是將博弈論、人工智能與現(xiàn)實問題相結(jié)合，解決現(xiàn)實中的復(fù)雜問題，比如保護輪渡免受恐怖分子襲擊，防止盜獵者在保護區(qū)內(nèi)傷害動物，將即將過期的食物分給需要的人等等。
方飛的工作扎實、穩(wěn)重，在領(lǐng)域內(nèi)贏得了不少贊譽。2020年，她入選IEEE“AI十大潛力人物”；2021年獲得IJCAI（國際人工智能聯(lián)合會議）計算機與思想獎；2022年2月，她獲得斯隆研究獎，一個獎勵職業(yè)生涯早期杰出年輕學(xué)者的獎項。
方飛現(xiàn)在CMU計算機科學(xué)學(xué)院軟件研究所任職。她認(rèn)為，一些情況下，企業(yè)通過算法在最大化社會總收益時也能得到較高的利潤。而相比于人工智能的其他強應(yīng)用性領(lǐng)域，AI向善還是一片“藍(lán)?！?。她希望有更多研究者能加入這個領(lǐng)域，為提升整體社會福利作出貢獻(xiàn)。
她說，進入這個領(lǐng)域最重要的，是要有發(fā)現(xiàn)問題的眼睛。
以下是《知識分子》和方飛的對話，行文有刪減。
撰文 | 王一葦
責(zé)編 | 陳曉雪
● ● ●
知識分子：博弈論是1944年的時候馮·諾依曼和奧斯卡·摩根斯特恩提出的，跟人工智能結(jié)合的博弈論研究是什么時候、怎么發(fā)展起來的？
方飛：一開始，博弈論主要在經(jīng)濟領(lǐng)域里面（發(fā)展），諾貝爾經(jīng)濟學(xué)獎得主經(jīng)常是研究博弈論的。由于計算機的發(fā)展，大家很感興趣在博弈論里什么樣的問題是可計算的，或是能有效地計算出結(jié)果的，就會去研究不同的激勵形式和不同的均衡，看什么樣的均衡概念在什么樣的博弈中是有效的算法，什么樣的問題是NP hard——比較難解的。有了預(yù)測，就開始處理計算上的挑戰(zhàn)。
安全博弈相關(guān)的進展是在2006年，Tuomas Sandholm和Vincent Conitzer兩個大牛在Economics and Computation（經(jīng)濟學(xué)與計算）會議上發(fā)了一篇論文 [1]，說在斯坦伯格均衡當(dāng)中，在比較簡單的問題上，是可以有多項式時間的算法可解的，但是當(dāng)這個問題延伸到有一方博弈參與者的支付函數(shù)或在博弈中的收益有多種可能、類型未知時，這個問題就不可解。
在這之后，我的導(dǎo)師Milind Tambe是最先把博弈論應(yīng)用到安全領(lǐng)域的。他研究的是在一個具體的問題里可不可以應(yīng)用斯坦伯格博弈（Stackelberg Game，指存在兩方的完全信息動態(tài)博弈，雙方都是根據(jù)對方可能的策略來選擇自己的策略）去分析。
比如，我們想保護洛杉磯的機場。在保護機場的問題里，有保護者也有攻擊者。機場的巡護人員，也就是防御的這一方，每天都要進行巡邏。那么作為攻擊者，可能會花很長的時間去觀察巡邏人員的巡邏有什么樣的規(guī)律，是不是每個周一都在一號航站樓巡邏，每個周二都在二號航站樓巡邏之類的，然后根據(jù)觀察到的這些規(guī)律去找巡邏方案里相對的弱點，避免被巡邏人員抓到。他們會有各種各樣的攻擊，比如說有人會把手槍、步槍等各種各樣的武器帶進機場。
巡邏人員一方面會在進入機場的多個路口設(shè)檢查站，另一方面在各個航站樓里面用警犬巡邏，但是因為檢查站的數(shù)量以及警犬的數(shù)量都不夠多，所以需要去決定每天去什么樣的地方做什么。
因為有這樣的不對稱關(guān)系，他們把這個問題建模成一個斯坦伯格博弈：巡邏者這一方是領(lǐng)導(dǎo)者，先去選擇一個巡邏策略；而攻擊者那方是跟隨者，觀察領(lǐng)導(dǎo)者的策略以后，再去回應(yīng)，選擇更好的攻擊方式回應(yīng)現(xiàn)有的巡邏方案。
在這個基礎(chǔ)上，他們又開發(fā)了一系列的模型和算法來去研究這個領(lǐng)域，慢慢成為了最開始的一波安全博弈項目。
我加入Tambe的研究組以后，開始應(yīng)用更多的機器學(xué)習(xí)手段。我們開始研究移動的目標(biāo)，比如輪渡是不是也可以用類似的模型建模，以及能不能找到快速的算法來去求解最好的巡邏方式。
美國的海防在各個渡口都有巡邏。在紐約，巡邏人員其中一部分任務(wù)就是要保護曼哈頓島到史丹頓島的輪渡。這個問題里，輪渡就是移動的目標(biāo)，而巡邏人員也駕著小船在不停移動，我們想要做的事情就是用博弈論建模，并且去構(gòu)建一個算法，找到最佳的路線選擇。
最開始的模型主要就是兩方的斯坦伯格博弈，后來也有研究多方的。前兩年的一些保護動物相關(guān)的工作里，保護區(qū)的人跟我們說，有時候會有居民告訴他們，聽說盜獵者去哪里盜獵了或者是將要去哪里盜獵。當(dāng)時現(xiàn)有的模型都沒有辦法去考慮這樣的因素，我們就建立新的模型來考慮多于兩個博弈者的問題。
知識分子：聽上去這個領(lǐng)域?qū)嵱眯苑浅?。那么博弈論跟AI結(jié)合，想要完成的科學(xué)目標(biāo)是什么？
方飛：在我看來，它的科學(xué)目標(biāo)就是希望能夠去找到更有效的、更快速的算法來解決更復(fù)雜或更實際的博弈。博弈論是理論框架，而AI或深度學(xué)習(xí)是工具，在這個框架下去求解數(shù)學(xué)問題。整個計算博弈論領(lǐng)域，大家都在做的事情就是希望有更好更快的算法，能夠去求解更復(fù)雜的博弈。
很多時候，計算和博弈論結(jié)合無法找到快速的解。
一種情況是這個博弈太復(fù)雜了，沒有辦法用數(shù)學(xué)規(guī)劃求解，因為如果用數(shù)據(jù)規(guī)劃去求解的話，需要幾百萬的電量、幾百萬的限制條件，如果真的在機器上算，光去求解，這個機器的內(nèi)存就爆掉了。這樣的情況下，我們可以通過深度學(xué)習(xí)的方式，找到這個大問題里面一個較優(yōu)的解，或者說比較靠近均衡的策略。
第二種情況，有時候在博弈問題里需要考慮人的行為。最傳統(tǒng)的博弈論假設(shè)所有的人都是理性人，但后來提出，并不是所有人都是完全理性的，這時候就要去理解人的行為模式。機器學(xué)習(xí)可以幫助我們，通過人以往的行為數(shù)據(jù)來給人的行為建模，在這樣的模型下去再去找博弈中其他博弈方的解。
第三種情況是逆向博弈論（inversive game theory）。一般的博弈論的問題是說，我告訴你博弈是這幾個人在進行，在不同的情況下，每個人的收益會是多少，然后問你對于這樣一個博弈問題，均衡策略應(yīng)該是什么。逆向博弈論就是反過來，我能夠觀察到大家在博弈中采取什么樣的行動，問能不能去找到每個人的收益函數(shù)是什么。
在這樣一個問題里，有很多觀察數(shù)據(jù)來描述每個人的行為和他采取的行動，我們要去從行動里逆推收益函數(shù)，這個時候機器學(xué)習(xí)也可以幫助我們。
我提的這三個是我自己做過的，都是把機器學(xué)習(xí)作為工具來解決博弈論里面的問題。還有其他結(jié)合博弈論和深度學(xué)習(xí)的方式。
反過來，也可以用博弈論去解決機器學(xué)習(xí)里面的很多問題。一個例子是卡耐基梅隆大學(xué)招學(xué)生，最初一輪篩選中，每個人把申請資料交過來，大家來看。事實上除了人做判斷以外，學(xué)校有一個算法來判斷這個學(xué)生是不是值得考慮的，防止有一些被人漏掉。這兩條線是完全獨立地在做判斷，就是說只要人或者機器認(rèn)為這個學(xué)生應(yīng)該值得被考慮，那么就會進入下一輪。
可以想象，在這樣的情況下，如果學(xué)生知道你是用什么樣的方式來進行篩選，他們可能會去想辦法改變自己的一些行為或者分?jǐn)?shù)，根據(jù)算法去調(diào)整自己的行為。在這樣的情況下，我們其實可以用博弈論去分析（如何解決這個問題）。
知識分子：博弈論和機器學(xué)習(xí)的結(jié)合可以解決哪些類型的社會問題？你一般是怎么去找到這些現(xiàn)實社會中的問題和痛點的？
方飛：我們幫美國海防設(shè)計巡邏路線，幫動物保護組織設(shè)計護林員的巡護路線。前者是安全性問題，后者與環(huán)境的可持續(xù)發(fā)展相關(guān)。還有移動性（mobility）相關(guān)的問題，比如交通運輸?shù)?，我們也在研究中?/span>
有一部分是各種各樣因素的巧合疊加，另一部分其實是因為我們之前做過的一些東西，延展到了類似的或是相關(guān)的問題。
比如說我博一的時候做了保護輪渡的工作。我們講演、發(fā)了paper之后，去跟不同的人交談，有人就提到，你們這個問題聽起來跟動物保護護林員的巡邏問題挺類似的，有沒有考慮過把你們的算法應(yīng)用到那個問題上。這給了我們動力，去跟相關(guān)的專家去交談，了解實際的問題。
我來CMU之后，我們還做一個新的系列工作，是食物救助。我一開始不知道匹茲堡有這樣一個非營利組織，是有一次在我們學(xué)校會議室里面正好遇到了這個組織的CEO，互發(fā)了名片。我去查了一下他們的組織在干什么，發(fā)現(xiàn)特別有意思。后來我自己也去給他們做志愿者，又去跟他們交流，跟他們說我們做了很多AI相關(guān)的工作，希望看看我們的技術(shù)有什么能夠應(yīng)用到這個問題里面，能夠幫助你們平臺發(fā)展得更好。
從這樣的討論開始，慢慢的就有了越來越多真正的工作，我們現(xiàn)在在這個方向上已經(jīng)發(fā)了三四篇paper，（算法）也在他們的系統(tǒng)里面已經(jīng)用上了，這也是我特別高興的。
食物救助分兩個部分，第一個部分是匹配donor和receiver，就是食物捐助者和食物接受者；第二個部分是匹配志愿者去運送食物。比如我當(dāng)時去做志愿者，CMU的一個咖啡廳有剩下的蛋糕，他們想捐給附近的單身母親救助站，就在手機APP上說我們需要志愿者來把食物從CMU的咖啡廳送到救助站去，我一看很高興，就在我樓上，就趕緊接了這個單，把食物送過去了。
我們主要研究的是平臺和志愿者之間怎么匹配的問題，或者說怎么能夠幫助平臺更好的找到能夠來運送食物的志愿者，怎樣讓志愿者在這個過程中獲得更好的體驗。在這個問題里，我們的目標(biāo)就是能夠不要發(fā)太多的的通知，因為如果每來一個單就給所有的志愿者發(fā)通知的話（會很打擾）。我們希望不要發(fā)太多的通知，但是又能夠提升接單率和縮短時間。
新的推薦機制上線以后，總的接單率上升了，平均接單時間減少了。這個問題其實跟打車軟件有一點像，也是有一個派單的過程，但是很不一樣的是，這是一個純志愿者的非營利性平臺，給打車軟件做的定價策略是完全不能用的。
知識分子：尋找解決方案的過程中，你覺得最困難的事情是什么？
方飛：是找問題。找能夠利用人工智能、真的產(chǎn)生價值的問題。
像食物救助這個問題，我一開始做完志愿者之后，覺得整個系統(tǒng)里面有太多可以改進的點了。我當(dāng)時寫了一個很長的郵件給他們CEO，說根據(jù)我的經(jīng)驗，一二三四這幾個方面都可以改進，然后我們的人工智能可以在每個方面做點什么。我提的建議是，你們給志愿者的指導(dǎo)信息太模糊了，需要通過一些智能的方式提供更清楚的指導(dǎo)，比如應(yīng)該去找誰跟誰對接，在什么地方跟別人見面之類的，另外可以讓一個志愿者送多個單。
后來我去跑到他們辦公室里面去跟他們聊，他們就說你提的問題都很有意思，但不是我們真正關(guān)心的點。對于他們的組織來說，需要看的是更大的方面，他們真正的痛點是，怎么能夠讓更多的志愿者來參與，讓食物不被浪費，能夠及時地送到該送的人手里面。
所以要不斷地跟他們討論，我的學(xué)生也去他們那邊實習(xí)了兩天，幫他們?nèi)プ雠蓡蔚墓ぷ鳎w驗一下從內(nèi)部的角度來看派單的過程是什么樣子。在不斷的討論中，最后才慢慢找到了一個對他們來說是非常關(guān)心的，對于我們來說是人工智能真的可以發(fā)揮作用的問題。在我看來這可能是最花時間的一個步驟。
另一個我覺得特別有挑戰(zhàn)的就是，怎么能夠讓他們真的去用你做的這個東西?？赡芩褦?shù)據(jù)給你了，然后你做的這個東西看起來挺有趣的，發(fā)了論文了，但是他覺得，我沒有能力去把你這個算法真的實現(xiàn)在系統(tǒng)里面，我們太忙了，有其他的事情要做，這個東西可能不是他們的最高優(yōu)先級。如果說是一個純商業(yè)的問題，這個工具可以給你的利潤提高10個點，他們可能就很積極地去做了，但是公益組織不是這樣的，他們有其他方面的考慮。怎么能夠說服他們?nèi)プ鰧嶋H的測試和應(yīng)用，在我們看來也非是常難的一個點。
我們的經(jīng)驗就是，首先要充分尊重他們的意愿，積極地跟他們溝通；其次是盡量減少他們需要付出的成本，包括時間成本、人力成本以及可能的金錢成本。我們在進行實際測試的時候，最好是把能干的活都干了，他們可能只需要花幾個小時來跟我們開個會，討論一下方案，然后批準(zhǔn)一下我們上線前的測試是過關(guān)了的，就可以上線。這樣的話他們就更愿意去做這樣的測試。
知識分子：你們的項目好像現(xiàn)在還是偏公益的居多一些，是考慮到研究本身的性質(zhì)，還是你覺得這是最大化效益的工作？
方飛：我們并沒有排斥商業(yè)化的項目，但是我個人非常希望能夠幫助解決一些社會性的問題。我開玩笑說我們在做高級志愿者，幫助一些政府組織或工業(yè)公益組織更好地向社會提供更高質(zhì)量的服務(wù)。
這些問題是對社會來說是非常重要的，它可能并不一定能夠直接產(chǎn)生商業(yè)利益，但是這些都是影響很多人的問題，但是又沒有很多人去做。也可以理解，現(xiàn)在人工智能這么火，可以想象去業(yè)界的話能賺很多錢，那么當(dāng)你有這個能力的時候，可能很多人選擇了去賺錢。也許很多人是對這件事感興趣的，但是真正投入去做的人沒有那么多。我也希望我們能夠一方面自己去做一些工作，另一方面也能夠讓更多的人去參與這樣的工作。
我在學(xué)校里教AI for social good（人工智能向善）的課，也是希望能培養(yǎng)更多的學(xué)生去接觸這樣的問題，解決這樣的問題。
知識分子：你剛剛也說了，找問題是一個難點。你怎么看這個領(lǐng)域未來的發(fā)展，未來它還能夠應(yīng)用在更多的領(lǐng)域、更多的問題上嗎？
方飛：我覺得有很多值得做的問題。我過去三年都在做AAAI（人工智能促進協(xié)會）的AI for social impact special track（AI社會影響力?？?/span>的co-chair（聯(lián)合主席），我們每年也都收到不少的論文，能看到很多人對這個感興趣，也不斷地在做這方面的工作。
未來還是有很多可以做的問題的，比如像聯(lián)合國的17個可持續(xù)發(fā)展的目標(biāo)，我們現(xiàn)在的工作可能只涉及到其中的四個目標(biāo)，其實還有很多其他目標(biāo)，中間可能也涉及到許多值得去做的問題。
知識分子：很多企業(yè)用AI算法提升效率，但也受到一些詬病。外賣企業(yè)里，騎手因為這些算法的規(guī)定，或者企業(yè)本身的策略，福利是在不斷下降的。你對相關(guān)的AI應(yīng)用有哪些觀察，在企業(yè)責(zé)任或者用AI算法來改善的方面，有哪些能做的事情嗎？
方飛：公司肯定要追求利潤的，這肯定是他們的主要目標(biāo)。那么除了利潤之外，博弈論或者機制設(shè)計里面經(jīng)常會談到一個 social welfare，社會福利，所有人的收益之和。
在外賣平臺或打車平臺，平臺的收益加上騎手或者是司機以及等餐的人、想要打車的人，所有人的收益之和是需要關(guān)注的一個目標(biāo)函數(shù)。我們之前做優(yōu)步等打車平臺的定價策略的研究的時候，就是把目標(biāo)設(shè)為了最大化社會收益。怎么計算社會收益？比如對于乘客來說，他很想去這個地方，他愿意花100塊錢去，然后他付了50塊錢，那么他的收益就是100-50。
我們很難去跟商業(yè)公司說，你們不要關(guān)注利潤了，來關(guān)注社會總收益，這是非常困難的。但是我們看到的是，什么樣的情況下，大家會更關(guān)注除了利潤以外的目標(biāo)。
一個是監(jiān)管，比如保險公司，可能一開始的時候，當(dāng)沒有足夠的監(jiān)管的時候，保險公司的定價策略會是有非常有偏見的，當(dāng)一些事情被爆出來之后監(jiān)管介入，監(jiān)管可能就要求你保險的定價策略更公平。那么在這樣的情況下，這些公司就會更考慮除了利潤以外的社會總收益，比如公平性的問題。
另一個是，一些情況下，我們可以去向這些公司證明，在你們的問題里，其實最大化社會收總收益是跟最大化總利潤是差別非常小的。如果你去最大化社會總收益，也能夠獲得比較大的收益，可能不一定是最大化，但是也比較接近，但它能夠在社會總福利方面有一個更大的提升。我們研究打車平臺的時候做過分析，在一定的假設(shè)之下，最大化社會總收益時也能夠得到比較高的利潤。
知識分子：在AI研究里，數(shù)據(jù)是基礎(chǔ)，但是也經(jīng)常會遇到一些數(shù)據(jù)不準(zhǔn)確或者偏見的情況，你的研究會遇到類似的問題嗎？怎么去解決這些問題？
方飛：會。拿動物保護的情況來說，我們收集的數(shù)據(jù)就有很多的問題。比如說現(xiàn)有的數(shù)據(jù)都是護林員們之前非常辛苦地去巡邏，收集來的。但是他們并不是覆蓋了所有的區(qū)域，可能某些區(qū)域去的比較多，另一些區(qū)域去的比較少，這就導(dǎo)致去的比較多的區(qū)域，可能有更多的數(shù)據(jù)，而且這個地方到底盜獵有多高發(fā)，是比較準(zhǔn)確的，能有一個相對比較準(zhǔn)確的估計；但是對那些去的比較少的地方，即使他們說我去了，我沒有找到獵套，并不意味著那個地方從來沒有發(fā)生過盜獵，可能只是因為他們?nèi)サ纳伲サ臅r候正好沒發(fā)現(xiàn)獵套。
而且如果看總體的數(shù)據(jù)量，他們?nèi)ミ^的所有地方里面找到獵套的點肯定是少的，還是有更多的時候他們在路上走，什么也沒有發(fā)現(xiàn)。這也說明數(shù)據(jù)中的不平衡，也是我們在設(shè)計機器學(xué)習(xí)算法來學(xué)習(xí)盜獵者的行為模型的時候需要去處理的挑戰(zhàn)。
我們嘗試了各種各樣的辦法，像最初的一版算法里面，我們把整個保護區(qū)分成多個地塊，如果這個地塊它的數(shù)據(jù)量比較大，可以用稍微復(fù)雜一點的機器學(xué)習(xí)算法；如果這個地塊數(shù)據(jù)量不夠，我們就把數(shù)據(jù)量不夠的那些地塊所有的數(shù)據(jù)全部結(jié)合起來，然后去找一個對于數(shù)據(jù)量要求沒有那么高的機器學(xué)習(xí)算法，比如決策樹之類的方法去預(yù)測。這是一開始的想法。
后來我們又做了很多其他的嘗試，比如在黃泥河保護區(qū)（位于吉林省），我們給當(dāng)?shù)氐淖o林員發(fā)過問卷，問他們在我們劃分出來的整個保護區(qū)的多個區(qū)域里，每個區(qū)域的總體盜獵風(fēng)險是高還是低，根據(jù)他們的回答，我們?nèi)ヮ~外采樣一些新的數(shù)據(jù)點放到我們的數(shù)據(jù)集里面，這一方面能夠幫助我們增加更多的數(shù)據(jù)，另一方面也可以糾正這些護林員本身的偏見。
知識分子：最近有一種說法是，AI已經(jīng)走進了一個死胡同，只適合處理一些存在低風(fēng)險、存在完美答案的問題。你怎么看這個說法？
方飛：一方面，咱們要承認(rèn)現(xiàn)在人工智能還是沒有那么高級的，是真的沒有那么厲害。但是我覺得還是有很多可以做的。
一個是高風(fēng)險的問題。相對來講，在高風(fēng)險問題上，人工智能是輔助人類進行決策的，并不是想要代替人類進行決策，我們知道決策是高風(fēng)險的決策，我們做的事情是希望能夠給決策者提供更多信息及更多的可選方案。
現(xiàn)在有很多人在做可解釋性的人工智能，一定程度上是想要解決在高風(fēng)險場景應(yīng)用AI的問題。
其中一個方向是，最后我不要一個神經(jīng)網(wǎng)絡(luò)，我需要的是一個決策樹，是能夠畫出來、人能夠直接看得懂的，一個基于規(guī)則的分類器?？赡芩谋憩F(xiàn)沒有深度學(xué)習(xí)那么好，但還是可以有比較好的表現(xiàn)。在我去訓(xùn)練決策樹的過程中，可能還是需要深度學(xué)習(xí)的，只是最后呈現(xiàn)的是一個決策樹，這樣的話人至少能夠看得懂。
還有一些其他路線，比如說我預(yù)測或做決策還是用深度學(xué)習(xí)的模型，但是我去跟人用自然語言解釋它在做出這樣的預(yù)測和決策時，是哪一些特征起到了關(guān)鍵的作用，使得它最后做出了這樣的預(yù)測或者決策。
還有其他各種各樣的方向。我們自己也在做一些，希望能夠把人工智能里面的一些黑盒子給打開，讓相關(guān)的決策者能真正地理解AI在做什么，至少可以去檢查和驗證人工智能找到的這些東西到底有用還是沒用，再決定要不要使用它。
當(dāng)然另外一方面，我覺得AI for social good還沒有到瓶頸期，還有很多問題值得去做，所以也希望更多的人能夠關(guān)注這個方面的研究，能夠更愿意去做一些這方面的研究。
當(dāng)你說很多問題已經(jīng)被解決的時候，可能是圖像分類、醫(yī)療圖像識別這樣的問題。這些問題做的人可能已經(jīng)很多了，做了很久了，已經(jīng)到了一個非常不錯但是再進一步就很困難的地方。但是我覺得AI for social good這塊還是藍(lán)海的狀態(tài)，因為相對圖像處理語音處理或者自然語言處理，這里沒有一個規(guī)范的數(shù)據(jù)集或一個特定的問題，大家要不斷去開發(fā)越來越好、越來越新的算法，要去了解不同的問題，這個問題里面有什么是AI能夠去幫助解決的，什么樣的方法是最合適去解決的，最后怎么做系統(tǒng)性的測試，推動落地。除了算法設(shè)計以外，還有很多其他的工作需要做。
知識分子：在未來2年內(nèi)或者5年內(nèi)有什么想做的方向，或者要進行的工作嗎？
方飛：現(xiàn)在我希望能夠深挖的領(lǐng)域還是動物保護、食物救助和交通運輸相關(guān)的一些問題。
正在進行中的，一個是我們正在跟世界自然基金會（WWF）合作動物保護相關(guān)的新工作。我們想幫助他們自動收集新聞報道和政府報告，找到跟自然保護區(qū)和動物保護相關(guān)的文章，然后把這些文章整理成可視化的、可以去直接查看和分析的形式，這樣能夠節(jié)省他們的時間。他們現(xiàn)在是靠人力在做這些事。
這個工作已經(jīng)開始實地測試了，已經(jīng)在WWF內(nèi)部的系統(tǒng)里面用上了，我們在不斷收集反饋，改進工作。這個問題其實沒有涉及到博弈的問題，涉及到很多自然語言處理的東西。
食物救助那塊，我們還是希望能夠把現(xiàn)有的算法落地，然后去探尋新的問題。
我們還有一些正在進行中的工作是跟網(wǎng)絡(luò)安全相關(guān)的，這個問題里面很明顯有博弈。我們之前做過一些博弈論的模型和算法，現(xiàn)在還是想導(dǎo)出更好的、更貼近實際的模型，更好的算法。我們也希望我們做的東西更接近被實際使用的階段。
知識分子：我有一個可能不是很切實際的想法，想到國內(nèi)最近的疫情，在打疫苗上大家也是有很多的猶豫。你的工作有可能解決鼓勵大家打疫苗的問題嗎？
方飛：如果已經(jīng)有一些獎勵機制，我們也許可以去分析這個機制，或許可以更精細(xì)化地獎勵，讓最后的效果更好，這是有可能的一個方向。
知識分子：對于想要來學(xué)博弈論跟深度學(xué)習(xí)結(jié)合的方向的學(xué)生，你會有給他們什么樣的建議呢？
方飛：一個是基礎(chǔ)還是要打的。本科階段如果有能夠接觸到博弈論相關(guān)的課程，以及深度學(xué)習(xí)、多智能體相關(guān)的課程，還是建議去學(xué)習(xí)一下，尤其是如果有一些課程的項目，或是自己比較感興趣的項目可以去做的話，有時候做項目的過程是能幫助你更好地理解你學(xué)到的東西的。這個項目甚至不一定說你最后要發(fā)論文，可能就是去做一些對你來說感興趣的、有探索性的工作。
知識分子：最后想問一下，你獲得斯隆獎有什么感想嗎？
方飛：我也是真的沒有想到，因為我之前申請過一次，沒有拿到。今年又申請，我其實并沒有抱很高期望，后來拿到也覺得非常榮幸。因為它不只是給計算機領(lǐng)域的，它是給很多領(lǐng)域的學(xué)者，所以好像得到的關(guān)注度比較高。
除了我自己獲獎這件事讓我很驚喜以外，另外一個我覺得挺驚喜的，是今年獲獎?wù)叩拿麊卫锩嬗泻芏嗟娜A人或者華裔，還有很多的女生，這個可能是之前我沒有看到的，說明我們（華裔）在北美做得挺好的。
