申搏娱乐平台

对话“世界AI之父”特伦斯:世上最快的计算机为何比不上一只苍蝇

申搏官网客户端下载

演唱会结束后,特伦斯接受了记者的专访。黄色照片

大多数人都“误解”了人工智能

作为“未来大会”的第一位演讲嘉宾,在掌声中,一位银发的特伦斯将机器人的步态模仿到舞台上。 “我是AI(人工智能),我的制造商Terence· Shenofsky派我去上海告诉你深度学习。”也许有一天,我们将成为人工智能的一部分,这是特伦斯的开场白。

记者:今天被科技圈和企业界广泛提及的“机器学习”“深度学习”和“神经网络”等热词,它们之间是什么关系?

特伦斯:这三个词总结了人工智能的发展。当人工智能在70年前开始发展时,科学家们试图通过计算机编程来改变人类的智慧。这是人工智能的传统方法,即编写一个按部就班的程序来做某件事。

但是,20世纪的计算机技术还不成熟,而且数据存储成本非常高。熟练的程序员会为每个不同的问题编写不同的程序,但问题越大,程序越复杂,编程需要耗费大量人力。

这时我们开始关注人类。就像一个孩子从零开始学习语言一样,没有人对他的大脑进行编程,但他通过观察和经验慢慢地学会了自己。大脑是如何做到的?我们发现大自然中的生物使用的是一套与编程完全不同的复杂体系来解决问题。大脑中有很多神经元和连接,或许我们也能建立一个类似的系统,运用和人脑相似的原理来构建人工智能,这就是“神经网络”,传统方法之外的特殊机器学习。

深度学习是具有多层的神经网络,因此深度学习也是机器学习的一种,而机器学习又是人工智能的一种。然而,实际上,人们总是错误地认为深度学习等同于人工智能,但它只是其中的一部分。

“这张照片拍摄于1980年,我和Jeffrey· Hinton在波士顿讨论视觉网络模型。”

记者:AI在70年前问世,直到近代才正式进入爆发期,AI早期发展缓慢的原因是什么?

特伦斯:在20世纪50年代,计算机运行速度非常慢,内存非常昂贵,解决问题的编程是劳动密集型的。如今,计算机运行速度提高了一百万倍,内存比以前大得多,劳动力也变得更加昂贵,因此计算机学习比编写人类程序更有效。

除了技术限制以外,学界观念也是一个难以跨越的藩篱。过去,试图用人类智能编写计算机程序的AI先驱并不关心人类大脑如何实现智能行为。到1980年代,人们对大脑的了解增加了,但AI研究人员仍不关心大脑本身,他们的目标是编写一个程序,使其拥有和大脑一样的功能。

深度学习的转折点出现在2012年。在当年的NIPS会议上(神经信息处理系统会议,人工智能的顶级会议),科学家证明使用深度学习分类可能会在包含10,000个类别和1000万个图像的数据集上出错。减少20%。根据过去的经验,该数据集的分类误差在一年内也减少了不到1%,这相当于我们在一年内达到了过去20年取得的进步。深度学习一夜之间变得十分出名,一切都不一样了。但实际上,我们已经在这个领域努力了30年!

世界上最快的超级计算机比不上一只苍蝇?

特伦斯是一小部分人工智能研究人员,他们不属于主流。他们认为,受大脑生物学启发的人工智能实施方法称为“神经网络”,“连通性”和“并行分布式处理”,最终将突破基于逻辑的人工智能研究无法解决的问题。

“我正在介绍大脑皮层的比例规则,这是我在1989年加入索尔克生物研究所后不久。”

记者:在大多数研究人员都着眼于电脑编程的时候,你为何会把眼光投向人脑,相信深度学习可以打开人工智能发展的突破口?

特伦斯:这可以追溯到我第一次开始学习深度学习时设计的“话语网络”系统。英语是一种特别难以发音的语言,“话语网络”允许计算机学习阅读。在自学习开始后,“话语网络”吸收了整个训练集的信息一晚。

(Terence给了记者一个最早的“语言网络”模拟的阅读音频,听起来就像一个小男孩在牙齿上学习。)

这是30年前计算机操作非常慢的时候,虽然按照今天的标准来看这一成果微不足道,但这让我们发现了语言是神经网络非常擅长的事情,而且神经网络学习语言的方式和人类学习语言方式是一致的。在今天AI的所有应用场景中,我认为语言翻译能力是最让人惊讶的,它让世界不同的人群能直接对话。

记者:1989年,你在MIT的一次讲座中用5分钟阐述了一只苍蝇和一台超级计算机的场景,改变了当时大部分“讨厌”你观点的人工智能学者的看法,你当时是怎么做到的?

特伦斯:当时我被邀请参加神经网络讲座。麻省理工学院有一个传统,演讲者需要在午餐时间花5分钟与老师和学生讨论他的讲座。房间里挤满了近百人,科学家们整整站了三个回合。我走到圆圈的中心,面向自助餐的主菜。我想,在这5分钟里我要说些什么才能改变那些讨厌我工作的人的思想?

我开始即兴创作。 “这只苍蝇的大脑中只有100,000个神经元。它重约1毫克,消耗1毫瓦的能量。”我在驾驶苍蝇时说道,“苍蝇能看,能飞,可以自己确定方向,能觅食,还可以通过繁殖来进行自我复制。MIT拥有一台价值一亿美元的超级计算机,它消耗的能量是兆瓦级的,并需要一台巨型空调冷却。而超级计算机的最大成本还是人力,程序员要满足它对程序的巨大需求。但是对比苍蝇,这台超级计算机无法看到,无法飞行,无法交配或复制自己。”

记者:世界上最快的超级计算机,真的比不上一只苍蝇吗?

特伦斯:前两圈的听众都被问到了。事实上,我只想用这个例子让人工智能和计算机学者了解一件事。面对大自然,我们应该更加谦虚。

事实上,计算机并不像飞机那么好。计算机是一种通用设备,它可以被编程来计算任何东西,同一个硬盘可以运行不同的程序,而苍蝇是一种“专用计算机”,它只能运行一种程序,就是“苍蝇程序”。但可以理解的是,在小飞行中,有数千个神经元,其视觉网络已经发展了数亿年,其视觉算法嵌入了自己的网络。视觉识别可用于寻找最佳食物,并在仍然生活在复杂世界中时保持飞行,因此它消耗的能量最少。

作为一名研究人员,如果我们想要了解视觉识别,我们就可以研究苍蝇的大脑。这是我们应该做的。我们的目标是研究自然的运作,并始终接受大自然赋予我们的知识。

人工智能不会取代人类,只会让人类更加智能

2017年5月27日,在中国乌镇举行的围棋峰会上,柯杰以三个负面成绩输给了AlphaGo。柯杰得出结论:“去年(AlphaGo击败了李世石),我仍然认为AlphaGo的表现与人类非常接近,但今天我认为这就是'Go of Go'。”

2017年,DeepMind联合创始人兼首席执行官Demis· Hasabis和Ke Jie在历史性的Go游戏结束时相遇,以Ke Jie的签名展示董事会。 Demis· Hasabis)

记者:AlphaGo凭借什么击败人类围棋冠军?

特伦斯:Go中合法游戏的总数是10,即170的幂,远远超过了宇宙中的原子数。 AlphaGo得知Go基于一种称为“时间差”的算法:在众多步棋中,哪一步对赢得胜利有贡献,哪一步对失败承担责任?AlphaGo使用由人大脑的“基底神经节”进化出来的学习算法,来评估最大化未来奖励的行动顺序,并通过反复和自己下棋几千万次来强化这一技能。

我还记得那天晚上,我在圣地亚哥的清晨观看比赛。这让我想起了这样一个事实,即在1966年我专注于电视前月球上的“Reviewer 1”探测器并返回了第一张月球照片。我亲眼目睹了这些历史时刻。 AlphaGo的表现远远超出了我和许多其他人的期望。

2017年10月,新版AlphaGoZero发布。它没有观看任何人类围棋游戏,而是开始学习游戏规则,最终以100:0的成绩击败了击败柯杰的AlphaGoMaster。完全无视人类知识的AlphaGoZero,学习如何在超人的水平下棋,创造一个从未被人类使用过的数字。

记者:你并不认为人工智能会取代人类?

特伦斯:当1997年“深蓝”击败国际象棋世界冠军时,很多人都说“这是国际象棋的终结”,“人类无法击败计算机”,甚至“人类将被计算机取代”。但后来呢?人们开始跟电脑下棋,结果变成了更好的棋手。你无需担心人工智能将取代你,事实上人工智能会放大认知能力,会让你更聪明,让你达到新的高度。

人工智能还可以创造新的就业机会,同时取代一些职业。例如,无人驾驶的出现将减少将来在市中心出现的车辆数量,因为自动驾驶车辆可以停放在城市外面,并且将有效地使用大量停车位。司机会被取代,但也会产生新的职业岗位,比如安全监测、数据清理、传感器技术供应链等。

艺术家绘制了一个高度准确的深度学习网络来诊断皮肤病变。 (2017年2月2日《自然》杂志封面)

在医学领域,医生对转移性乳腺癌淋巴结活检图像的判断与患者的生活直接相关。训练有素的深度学习网络可以达到0.925的判断准确度,这也不错,但仍低于人类专家在同一测试中所达到的0.966。但是,把深度学习和人类专家的预测结合起来,准确率能达到0.995,几近完美。由于深度学习网络和人类专家看数据的方式不同,二者结合比单独预测要好,这样一来,更多的生命将被挽救。这也表明在未来,人类与机器将是合作而非竞争关系。