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訪談時簡要介紹了AI的起源和發(fā)展，同時表示，關(guān)于“殺人AI”和“機器人代替人類”等概念更多是過度炒作的結(jié)果，因為人們對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)是生成對抗網(wǎng)絡(luò)。

近日，計算神經(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“機器人超越人類”的話題熱議過于關(guān)注危機的一面，忽視了計算機科學(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發(fā)生碰撞時會發(fā)生什么。

近日，Sejnkowski接受The Verge訪談時，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“機器學(xué)習(xí)”等詞。但實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)時美國的一些工程師們決定編寫一個能夠嘗試模仿人類智能的計算機程序。而機器學(xué)習(xí)是在AI中逐步壯大的一個新領(lǐng)域。傳統(tǒng)的人工智能方法是編寫一個循序漸進(jìn)的程序來實現(xiàn)某件事情，而機器學(xué)習(xí)是收集大量試圖理解其內(nèi)容的數(shù)據(jù)。

比如你正在嘗試識別目標(biāo)，你可以收集大量的圖像。然后，通過機器學(xué)習(xí)這個自動化的過程，就可以剖析各種功能，可以確定某個目標(biāo)是一輛汽車，而另一個目標(biāo)是一臺訂書機。

機器學(xué)習(xí)是一個非常大的領(lǐng)域，并且可以追溯到最初人們稱之為“模式識別”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)是機器學(xué)習(xí)的一部分，而機器學(xué)習(xí)是人工智能的一部分。

有哪些事情是機器學(xué)習(xí)能做，其他程序做不了的？

編寫程序非常耗費人力。在過去，計算機運算速度很慢，內(nèi)存又非常昂貴，以至于必須求助于邏輯，這就是計算機的工作原理，是控制信息的基本機器語言。因為計算機太慢了、計算成本太高了。

但現(xiàn)在，計算已經(jīng)越來越便宜，勞動力越來越昂貴。計算力甚至便宜到了這種程度：讓計算機去學(xué)習(xí)，比讓人類編寫程序更有效率。從那時起，深度學(xué)習(xí)實際上已經(jīng)開始解決以前在計算機視覺和翻譯等領(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)是計算密集型活動，但用戶只需編寫一個程序，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)＜摇Ｒ虼耍瑢τ诖嬖诖罅繑?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。這個詞是如何變得如此流行的？

關(guān)于這個時間點我其實可以明確確認(rèn)：就是在2012年12月的NIPS會議上，這是最大的人工智能會議。這次會議上，Geoff Hinton和他的兩個研究生表明，使用一個名為ImageNet的大型數(shù)據(jù)集，其中包含10000個類別和1000萬個圖像，并使用深度學(xué)習(xí)將分類錯誤率降低了20％。

一般來說，該數(shù)據(jù)集的圖像分類錯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，比如計算機科學(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單細(xì)胞和復(fù)雜細(xì)胞。在CNN的架構(gòu)中，也存在簡單細(xì)胞和復(fù)雜細(xì)胞的等價結(jié)構(gòu)，CNN的架構(gòu)設(shè)計直接來源于我們對視覺系統(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。這是一個重要的觀察結(jié)果。我們在自然與人工智能的融合中可以學(xué)到很多東西，而且還有很長的路要走。

《深度學(xué)習(xí)革命》2018年版封面

我們對計算機科學(xué)的理解，在多大程度上取決于我們對大腦的理解程度？

我們現(xiàn)在研究和使用的大部分AI都是基于我們在上世紀(jì)60年代對大腦的了解。我們現(xiàn)在知道的更多了，可以將更多的知識融入到神經(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)對于制定一系列決策來實現(xiàn)目標(biāo)非常重要。有一種稱為時間差異的算法，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，AI的功能將會越來越強大。

人工智能也會影響神經(jīng)科學(xué)嗎？

這兩個領(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，從一次記錄一個神經(jīng)元，到同時記錄數(shù)千個神經(jīng)元，同時記錄大腦中的多個部分的反應(yīng)，可以說完全開辟了一個全新的世界。

我認(rèn)為，人工智能與人類智能之間存在著一種趨同。隨著我們越來越多地了解大腦的工作原理，這些新知識將會反映在AI中。而與此同時，我們實際上也創(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，從自動駕駛汽車到交易。您覺得哪個領(lǐng)域最有趣？

我覺得是生成對抗網(wǎng)絡(luò)（GAN）。如果使用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，你給出一個輸入，得到一個輸出。 而GAN能夠在沒有輸入的情況下生成輸出。

我第一次聽說GAN的時候，正值由網(wǎng)絡(luò)創(chuàng)建的假視頻風(fēng)行的時候。GAN真的會產(chǎn)生足以亂真的假視頻，對吧？

從某種意義上說，它們是在生成內(nèi)部活動。事實證明，人的大腦就是這樣運作的。你可以看到并理解一些東西，然后閉上眼睛，開始想象實際并不存在的東西。你的腦子里會產(chǎn)生一個視覺圖像，周圍安靜下來時，你會有想法。那是因為你的大腦是生成性的。現(xiàn)在，這種新型網(wǎng)絡(luò)可以生成從未存在過的新模式。

所以打個比方，你可以給GAN輸入幾百張汽車圖片，它就會創(chuàng)建內(nèi)部結(jié)構(gòu)，可以生成實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)測或想象這種新技術(shù)的引入會對未來產(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)在我們還沒有實現(xiàn)通用智能，但人們都說機器人就在那里靜靜等著，等著取代人類，盡管目前機器人的發(fā)展遠(yuǎn)遠(yuǎn)落后于AI，因為其實模仿人類的身體比模仿大腦更加復(fù)雜。

這里以一項技術(shù)進(jìn)步為例：激光。激光是在大約50年前發(fā)明的，當(dāng)時的激光發(fā)射器大到占據(jù)了整個一間房。從那時起，一直到現(xiàn)在的激光器可以縮小到做講演時使用的“激光筆”大小，而且僅售5美元，激光技術(shù)的商業(yè)化過程長達(dá)50年。

同樣的事情也將發(fā)生在像自動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，但重點是，在整個普及過程中，技術(shù)會不斷進(jìn)步，會變得越來越靈活和安全，與我們的交通運輸網(wǎng)絡(luò)的組織形式更加兼容。現(xiàn)在的問題是，人們太著急了，過分期待新技術(shù)盡快到來，其實假以時日，新技術(shù)總會到來的。