【一线】MIT人工智能教授:深度学习是这个时代的炼金术
文/腾讯《一线》薛芳
2018年1月28日上午,《麻省理工科技评论》新兴科技峰会EmTech China于北京国贸大酒店正式召开。Tomaso Poggio,MIT计算机科学&人工智能实验室教授发表演讲——《深度学习:从炼金术走向化学》。
以下附上演讲全文:
今天我想和大家谈一下人工智能领域正在发生什么。首先,我想说说我们在人工智能最近所取得的一些成功,尤其是过去五年,以及我们人工智能未来可能在哪里取得突破。然后,深度学习。深度学习有点像我们这个时代的炼金术,但是需要从炼金术转化为真正的化学。这样我们才能知道,深度学习在未来到底可以实现什么。
过去五年,人工智能领域最重要的两个成就是:AlphaGo和自动驾驶。我在这行待得够久了,因此两个领域都有我的学生:一个是AlphaGo的Hassabis先生,他是DeepMind员工,现在在谷歌;另外一个就是Moblieye的CEO Amnon Shashua,他现在已经加入了英特尔。
接下来我们可以看一下过去23年机器学习取得了哪些进步。
23年以前,我和Hassabis希望可以把计算机视觉和机器学习进行整合,然后创造出一个学习系统辨别行人。在这个短片中,我们可以看到机器识别出了行人和信号灯,基本上每秒钟会出现10个错误,当时是1995年,所以我们对这个结果还是非常满意的。
但是,Moblieye后来做到了每30英里只出现1个错误,把错误率降至当年的百万分之一,可以看出机器学习的准确性显著提高。
AlphaGo和Moblieye所取得的进步,背后是什么动因呢?
首先我认为是机器学习的算法,第一是深度学习,第二是强化学习,他们都是来自于认知科学以及神经科学。
深度学习的架构最早是在60年代研究猴子的视觉系统时被发明出来的,从而更好地研究他们大脑在学习时的神经结构,然后一直到Fukushima 提出了首个量化模型,再到20年前现代版的HMAX被提出。这些架构都是一脉相承的——从脑科学到现在的深度学习,本质上都是一样的层级架构。
从下到上,神经的等级越来越高。这个结构的局部中并没有很多的连接,每一个高级的神经元只会和下一个等级的神经元相联系。
2012年我们也开发出了AlexNet,它也是性能最好的一个架构。基于神经科学,我们通过工程学的研究并不断地发展。这是很重要的,因为我们还没有真正实现人工智能。
深度学习可以帮助我们解决10%的难题,剩下的90%呢?我的答案是我们可能也需要来自神经科学以及认知科学的研究,我们需要更好地了解人的思维和大脑。这也是我们MIT大脑、心智和机器中心(CBMM)在研究的问题,五年前我们开始开展相关的研究。
我们的使命就是要在理解认知方面获得新的进步,同时也需要去了解整个智能的架构和智能背后的科学原理。关于智能的科学会帮助我们回答最宏大的问题,了解生命的起源包括宇宙的起源,以及时间的源头。大脑中智能的产生,是科学现在需要解决的元问题。
CBMM想通过以下三条路径解决这个问题。
一:计算机科学+机器学习
二:神经科学
三:认知科学
我们会同谷歌这样的商业公司合作,探索在工程和科学领域合作的可能。
过去几年中,技术发展和理论发展、包括深度神经网络领域的发展很显著。要了解深度神经网络的运作原理,需要回答背后的三个基本问题:
逼近理论:深层网络什么情况下会比浅层网络更有效?
最优化:应该如何设计经验风险函数?
学习理论:为什么深度学习不会产生过拟合?
这三个问题是机器学习的奠基石。他们的答案很复杂,要解决这种问题,我们需要一开始就思考深度学习的一些技术理论,以及它的局限性。
现在是应用人工智能的黄金时代,因为深度学习及其工程应用,终于帮助我们将传统的人工智能科学理论应用于了工程实际,而且能够为我们进行赋能。假如我们可以超越深度学习的理论,可以更好的去了解人类智能的话,我们也可以更加深刻地了解我们人类到底是什么。
【一线】为腾讯新闻旗下产品,第一时间为你提供独家、一手的商业资讯。