近日,學(xué)習(xí)算法先驅(qū)人物、《深度學(xué)習(xí)革命》一書作者Terrence Sejnowski在接受The Verge訪談時(shí)簡(jiǎn)要介紹了AI的起源和發(fā)展,同時(shí)表示,關(guān)于“殺人AI”和“機(jī)器人代替人類”等概念更多是過度炒作的結(jié)果,因?yàn)槿藗儗?duì)AI新技術(shù)的期待有些過于著急了。令他印象最深刻的技術(shù)是生成對(duì)抗網(wǎng)絡(luò)。
近日,計(jì)算神經(jīng)科學(xué)家、《深度學(xué)習(xí)革命》一書作者Terrence Sejnowski在接受采訪時(shí)表示,現(xiàn)在像“深度學(xué)習(xí)”和“神經(jīng)網(wǎng)絡(luò)”這樣的流行語無處不在,但是大多數(shù)對(duì)這些詞語的理解都被誤導(dǎo)了。
Sejnowski是研究學(xué)習(xí)算法的先驅(qū),《深度學(xué)習(xí)革命》(The Deep Learning Revolution)一書的作者,該書新版本將于下周由麻省理工學(xué)院出版社出版。
他認(rèn)為,關(guān)于“殺手AI”或“機(jī)器人超越人類”的話題熱議過于關(guān)注危機(jī)的一面,忽視了計(jì)算機(jī)科學(xué)和神經(jīng)科學(xué)領(lǐng)域中令人興奮的可能,也忽視了當(dāng)人工智能與人類智能時(shí)發(fā)生碰撞時(shí)會(huì)發(fā)生什么。
近日,Sejnkowski接受The Verge訪談時(shí),談到了“深度學(xué)習(xí)”一詞為何突然變得無處不在,深度學(xué)習(xí)能做什么、不能做什么,以及對(duì)這一概念的炒作問題。
首先,我想問一下定義問題。人們幾乎可以完全互換地使用“人工智能”、“神經(jīng)網(wǎng)絡(luò)”、“深度學(xué)習(xí)”和“機(jī)器學(xué)習(xí)”等詞。但實(shí)際上這些詞指的是不同的東西,您能解釋一下有哪些不同嗎?
Sejnowski是研究學(xué)習(xí)算法的先驅(qū),《深度學(xué)習(xí)革命》一書的作者
人工智能(AI)的誕生可以追溯到1956年,當(dāng)時(shí)美國(guó)的一些工程師們決定編寫一個(gè)能夠嘗試模仿人類智能的計(jì)算機(jī)程序。而機(jī)器學(xué)習(xí)是在AI中逐步壯大的一個(gè)新領(lǐng)域。傳統(tǒng)的人工智能方法是編寫一個(gè)循序漸進(jìn)的程序來實(shí)現(xiàn)某件事情,而機(jī)器學(xué)習(xí)是收集大量試圖理解其內(nèi)容的數(shù)據(jù)。
比如你正在嘗試識(shí)別目標(biāo),你可以收集大量的圖像。然后,通過機(jī)器學(xué)習(xí)這個(gè)自動(dòng)化的過程,就可以剖析各種功能,可以確定某個(gè)目標(biāo)是一輛汽車,而另一個(gè)目標(biāo)是一臺(tái)訂書機(jī)。
機(jī)器學(xué)習(xí)是一個(gè)非常大的領(lǐng)域,并且可以追溯到最初人們稱之為“模式識(shí)別”的階段,但現(xiàn)在的算法在數(shù)學(xué)上變得更加廣泛和復(fù)雜。在機(jī)器學(xué)習(xí)中包括受大腦啟發(fā)而建立的神經(jīng)網(wǎng)絡(luò),然后才是深度學(xué)習(xí)。深度學(xué)習(xí)算法具有特定的體系結(jié)構(gòu)。基本上可以這樣講,深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一部分,而機(jī)器學(xué)習(xí)是人工智能的一部分。
有哪些事情是機(jī)器學(xué)習(xí)能做,其他程序做不了的?
編寫程序非常耗費(fèi)人力。在過去,計(jì)算機(jī)運(yùn)算速度很慢,內(nèi)存又非常昂貴,以至于必須求助于邏輯,這就是計(jì)算機(jī)的工作原理,是控制信息的基本機(jī)器語言。因?yàn)橛?jì)算機(jī)太慢了、計(jì)算成本太高了。
但現(xiàn)在,計(jì)算已經(jīng)越來越便宜,勞動(dòng)力越來越昂貴。計(jì)算力甚至便宜到了這種程度:讓計(jì)算機(jī)去學(xué)習(xí),比讓人類編寫程序更有效率。從那時(shí)起,深度學(xué)習(xí)實(shí)際上已經(jīng)開始解決以前在計(jì)算機(jī)視覺和翻譯等領(lǐng)域的問題。而在此之前,人類的編程未踏足過這些領(lǐng)域。
深度學(xué)習(xí)是計(jì)算密集型活動(dòng),但用戶只需編寫一個(gè)程序,并提供不同的數(shù)據(jù)集,就可以解決不同的問題。用戶不必非要是相關(guān)領(lǐng)域?qū)<?。因此,?duì)于存在大量數(shù)據(jù)的任何事物,都可以產(chǎn)生成千上萬的應(yīng)用程序。
“深度學(xué)習(xí)”現(xiàn)在似乎無處不在。這個(gè)詞是如何變得如此流行的?
關(guān)于這個(gè)時(shí)間點(diǎn)我其實(shí)可以明確確認(rèn):就是在2012年12月的NIPS會(huì)議上,這是最大的人工智能會(huì)議。這次會(huì)議上,Geoff Hinton和他的兩個(gè)研究生表明,使用一個(gè)名為ImageNet的大型數(shù)據(jù)集,其中包含10000個(gè)類別和1000萬個(gè)圖像,并使用深度學(xué)習(xí)將分類錯(cuò)誤率降低了20%。
一般來說,該數(shù)據(jù)集的圖像分類錯(cuò)誤率每年只能降低不到1%。這一年的改進(jìn)頂了20年的研究。從此之后,閘門就被打開了。
深度學(xué)習(xí)的靈感來自大腦。那么這些不同領(lǐng)域之間,比如計(jì)算機(jī)科學(xué)和神經(jīng)科學(xué)之間,是如何協(xié)同工作的?
深度學(xué)習(xí)的靈感來自神經(jīng)科學(xué),最成功的深度學(xué)習(xí)網(wǎng)絡(luò)是Yann LeCun開發(fā)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)。
考察一下CNN的架構(gòu),它不僅僅是由很多單元組成的,而且這些單元的連接方式基本反映出大腦的結(jié)構(gòu)。在關(guān)于視覺系統(tǒng)和視覺皮層的基礎(chǔ)研究中,表明大腦的一部分存在簡(jiǎn)單細(xì)胞和復(fù)雜細(xì)胞。在CNN的架構(gòu)中,也存在簡(jiǎn)單細(xì)胞和復(fù)雜細(xì)胞的等價(jià)結(jié)構(gòu),CNN的架構(gòu)設(shè)計(jì)直接來源于我們對(duì)視覺系統(tǒng)的理解。
Yann沒有盲目地試圖復(fù)制大腦皮層。他嘗試了許多不同的變化,但他選擇嘗試的是那些自然融合的變化。這是一個(gè)重要的觀察結(jié)果。我們?cè)谧匀慌c人工智能的融合中可以學(xué)到很多東西,而且還有很長(zhǎng)的路要走。
《深度學(xué)習(xí)革命》2018年版封面
我們對(duì)計(jì)算機(jī)科學(xué)的理解,在多大程度上取決于我們對(duì)大腦的理解程度?
我們現(xiàn)在研究和使用的大部分AI都是基于我們?cè)谏鲜兰o(jì)60年代對(duì)大腦的了解。我們現(xiàn)在知道的更多了,可以將更多的知識(shí)融入到神經(jīng)網(wǎng)絡(luò)架構(gòu)中。
擊敗世界圍棋冠軍的AlphaGo的架構(gòu)中不僅包括皮質(zhì)模型,還包括大腦的另一部分模型,稱為基底神經(jīng)節(jié),這部分結(jié)構(gòu)對(duì)于制定一系列決策來實(shí)現(xiàn)目標(biāo)非常重要。有一種稱為時(shí)間差異的算法,是Richard Sutton在上世紀(jì)80年代開發(fā)的,將這種算法與深度學(xué)習(xí)相結(jié)合,能夠進(jìn)行人類前所未見的復(fù)雜游戲。
當(dāng)我們了解了大腦的結(jié)構(gòu),開始明白如何將其集成到人工系統(tǒng)中時(shí),AI的功能將會(huì)越來越強(qiáng)大。
人工智能也會(huì)影響神經(jīng)科學(xué)嗎?
這兩個(gè)領(lǐng)域是并行的。神經(jīng)技術(shù)創(chuàng)新已經(jīng)取得了巨大的進(jìn)步,從一次記錄一個(gè)神經(jīng)元,到同時(shí)記錄數(shù)千個(gè)神經(jīng)元,同時(shí)記錄大腦中的多個(gè)部分的反應(yīng),可以說完全開辟了一個(gè)全新的世界。
我認(rèn)為,人工智能與人類智能之間存在著一種趨同。隨著我們?cè)絹碓蕉嗟亓私獯竽X的工作原理,這些新知識(shí)將會(huì)反映在AI中。而與此同時(shí),我們實(shí)際上也創(chuàng)造出了一整套可用于理解大腦的學(xué)習(xí)理論,可以讓我們分析成千上萬的神經(jīng)元及其活動(dòng)是如何產(chǎn)生的。所以說,神經(jīng)科學(xué)和人工智能之間存在著這種相互反饋和循環(huán),我認(rèn)為這一點(diǎn)更令人興奮,也更為重要。
您即將出版的《深度學(xué)習(xí)革命》一書中討論了許多不同的深度學(xué)習(xí)應(yīng)用,從自動(dòng)駕駛汽車到交易。您覺得哪個(gè)領(lǐng)域最有趣?
我覺得是生成對(duì)抗網(wǎng)絡(luò)(GAN)。如果使用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò),你給出一個(gè)輸入,得到一個(gè)輸出。 而GAN能夠在沒有輸入的情況下生成輸出。
我第一次聽說GAN的時(shí)候,正值由網(wǎng)絡(luò)創(chuàng)建的假視頻風(fēng)行的時(shí)候。GAN真的會(huì)產(chǎn)生足以亂真的假視頻,對(duì)吧?
從某種意義上說,它們是在生成內(nèi)部活動(dòng)。事實(shí)證明,人的大腦就是這樣運(yùn)作的。你可以看到并理解一些東西,然后閉上眼睛,開始想象實(shí)際并不存在的東西。你的腦子里會(huì)產(chǎn)生一個(gè)視覺圖像,周圍安靜下來時(shí),你會(huì)有想法。那是因?yàn)槟愕拇竽X是生成性的?,F(xiàn)在,這種新型網(wǎng)絡(luò)可以生成從未存在過的新模式。
所以打個(gè)比方,你可以給GAN輸入幾百?gòu)埰噲D片,它就會(huì)創(chuàng)建內(nèi)部結(jié)構(gòu),可以生成實(shí)際上不存在的汽車的新圖像,這些圖像看起來完全和汽車相似。
另一方面,您認(rèn)為哪些想法或概念可能被過度炒作了?
沒有人可以預(yù)測(cè)或想象這種新技術(shù)的引入會(huì)對(duì)未來產(chǎn)生什么影響。這里邊當(dāng)然存在炒作。我們還沒有解決真正困難的問題。現(xiàn)在我們還沒有實(shí)現(xiàn)通用智能,但人們都說機(jī)器人就在那里靜靜等著,等著取代人類,盡管目前機(jī)器人的發(fā)展遠(yuǎn)遠(yuǎn)落后于AI,因?yàn)槠鋵?shí)模仿人類的身體比模仿大腦更加復(fù)雜。
這里以一項(xiàng)技術(shù)進(jìn)步為例:激光。激光是在大約50年前發(fā)明的,當(dāng)時(shí)的激光發(fā)射器大到占據(jù)了整個(gè)一間房。從那時(shí)起,一直到現(xiàn)在的激光器可以縮小到做講演時(shí)使用的“激光筆”大小,而且僅售5美元,激光技術(shù)的商業(yè)化過程長(zhǎng)達(dá)50年。
同樣的事情也將發(fā)生在像自動(dòng)駕駛汽車之類的技術(shù)上。自駕車可能明年無法普及,10年內(nèi)無法普及,要普及可能需要50年,但重點(diǎn)是,在整個(gè)普及過程中,技術(shù)會(huì)不斷進(jìn)步,會(huì)變得越來越靈活和安全,與我們的交通運(yùn)輸網(wǎng)絡(luò)的組織形式更加兼容?,F(xiàn)在的問題是,人們太著急了,過分期待新技術(shù)盡快到來,其實(shí)假以時(shí)日,新技術(shù)總會(huì)到來的。
-
AI
+關(guān)注
關(guān)注
87文章
32023瀏覽量
270904 -
機(jī)器學(xué)習(xí)
+關(guān)注
關(guān)注
66文章
8458瀏覽量
133227 -
深度學(xué)習(xí)
+關(guān)注
關(guān)注
73文章
5523瀏覽量
121714
原文標(biāo)題:《深度學(xué)習(xí)革命》作者:GAN令我驚艷,現(xiàn)在的人們對(duì)AI操之過急了
文章出處:【微信號(hào):AI_era,微信公眾號(hào):新智元】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
軍事應(yīng)用中深度學(xué)習(xí)的挑戰(zhàn)與機(jī)遇
機(jī)械革命AI PC接入DeepSeek大模型
人工智能和機(jī)器學(xué)習(xí)以及Edge AI的概念與應(yīng)用

AI自動(dòng)化生產(chǎn):深度學(xué)習(xí)在質(zhì)量控制中的應(yīng)用

AI干貨補(bǔ)給站 | 深度學(xué)習(xí)與機(jī)器視覺的融合探索

評(píng)論