AlphaGo之父恩师TomasoPoggio：深度学习需要从炼金术走向化学

记者 | 周翔

AI科技大本营1月28日消息&＃xff0c;《麻省理工科技评论》新兴科技峰会EmTech China在北京召开&＃xff0c;营长也受邀参加&＃xff0c;会上有多位人工智能领域的重磅大佬出没&＃xff0c;Tomoso Poggio 教授就是其中一位。

说起 Tomoso Poggio &＃xff0c;也许很多人不太熟悉&＃xff0c;但他的几个学生都已经名满天下。比如&＃xff1a;DeepMind 创始人、Alpha Go 之父 Demis Hassabis&＃xff1b;艾伦人工智能研究所首席科学家 Christof Koch&＃xff1b;Mobileye 创始人兼 CTO Amnon Shashua 等等。

Tomaso Poggio 教授目前是 MIT 计算机科学&人工智能实验室&＃xff08;CSAIL&＃xff09;教授&＃xff0c;曾获得ICCV 2017 “Azriel Rosenfeld 终生成就奖”&＃xff0c;也是 DeepMind 最早期的投资人之一。

今天 Tomoso Poggio 用凝练的语言为我们解释了人工智能领域正在发生什么&＃xff0c;未来可能在哪里取得突破。提及业内人士经常自嘲的“深度学习就像这个时代的炼金术”这个观点&＃xff0c;Tomoso Poggio认为的确如此&＃xff0c;但需要将炼金术转化为真正的“化学”&＃xff0c;这样我们才能知道&＃xff0c;深度学习在未来到底可以实现什么。

以下为 Tomoso Poggio 教授演讲实录&＃xff0c;AI 科技大本营做了不改变原意的整理。

今天我想和大家谈一下人工智能领域正在发生什么。

首先&＃xff0c;我想说说我们在人工智能最近所取得的一些成功&＃xff0c;尤其是过去五年&＃xff0c;以及我们人工智能未来可能在哪里取得突破。然后是深度学习&＃xff0c;深度学习有点像我们这个时代的炼金术&＃xff0c;但是需要从炼金术转化为真正的化学。这样我们才能知道&＃xff0c;深度学习在未来到底可以实现什么。

过去五年&＃xff0c;人工智能领域最重要的两个成就是&＃xff1a;AlphaGo和自动驾驶。我在这行待得够久了&＃xff0c;因此两个领域都有我的学生&＃xff1a;一个是AlphaGo的Hassabis先生&＃xff0c;他是DeepMind员工&＃xff0c;现在在谷歌&＃xff1b;另外一个就是Moblieye的CEO Amnon Shashua&＃xff0c;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&＃xff0c;我和Hassabis希望可以把计算机视觉和机器学习进行整合&＃xff0c;然后创造出一个学习系统辨别行人。在1995年&＃xff0c;我们可以看到机器识别出了行人和信号灯&＃xff0c;基本上每秒钟会出现10个错误&＃xff0c;当时我们对这个结果还是非常满意的。

但是&＃xff0c;Moblieye后来做到了每30英里只出现1个错误&＃xff0c;把错误率降至当年的百万分之一&＃xff0c;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&＃xff0c;背后是什么动因呢&＃xff1f;

首先我认为是机器学习的算法&＃xff0c;第一是深度学习&＃xff0c;第二是强化学习&＃xff0c;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&＃xff0c;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&＃xff0c;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&＃xff0c;本质上都是一样的层级架构。从下到上&＃xff0c;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&＃xff0c;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&＃xff0c;它也是性能最好的一个架构。基于神经科学&＃xff0c;我们通过工程学的研究并不断地发展。这是很重要的&＃xff0c;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&＃xff0c;剩下的90%呢&＃xff1f;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&＃xff0c;我们需要更好地了解人的思维和大脑。这也是我们MIT的大脑&意识&机器中心&＃xff08;CBMM&＃xff09;在研究的问题。

五年前我们开始开展相关的研究&＃xff0c;我们的使命就是要在理解认知方面获得新的进步&＃xff0c;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&＃xff0c;了解生命的起源包括宇宙的起源&＃xff0c;以及时间的源头。大脑中智能的产生&＃xff0c;是科学现在需要解决的首要问题。

CBMM想通过以下三条路径解决这个问题&＃xff1a;

一&＃xff1a;计算机科学&＃43;机器学习

二&＃xff1a;神经科学

三&＃xff1a;认知科学

我们会同谷歌这样的商业公司合作&＃xff0c;探索在工程和科学领域合作的可能。

过去几年中&＃xff0c;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&＃xff0c;需要回答背后的三个基本问题&＃xff1a;

逼近理论&＃xff1a;深层网络什么情况下会比浅层网络更有效&＃xff1f;

最优化&＃xff1a;应该如何设计经验风险函数&＃xff1f;

学习理论&＃xff1a;为什么深度学习不会产生过拟合&＃xff1f;

这三个问题是机器学习的奠基石。他们的答案很复杂&＃xff0c;要解决这种问题&＃xff0c;我们需要一开始就思考深度学习的一些技术理论&＃xff0c;以及它的局限性。

现在是应用人工智能的黄金时代&＃xff0c;因为深度学习及其工程应用&＃xff0c;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&＃xff0c;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&＃xff0c;可以更好的去了解人类智能的话&＃xff0c;也可以更加深刻地了解我们人类自己。