Tomaso Poggio: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,《麻省理工科技评论》新兴科技峰会EmTech China在北京召开,营长也受邀参加,会上有多位人工智能领域的重磅大佬出没,Tomoso Poggio 教授就是其中一位。

说起 Tomoso Poggio ,也许很多人不太熟悉,但他的几个学生都已经名满天下。比如:DeepMind 创始人、Alpha Go 之父 Demis Hassabis;艾伦人工智能研究所首席科学家 Christof Koch;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(CSAIL)教授,曾获得ICCV 2017 “Azriel Rosenfeld 终生成就奖”,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,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,Tomoso Poggio认为的确如此,但需要将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。

以下为 Tomoso Poggio 教授演讲实录,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,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。然后是深度学习,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1995年,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的大脑&意识&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首要问题。

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:

  1. 逼近理论:深层网络什么情况下会比浅层网络更有效?
  2. 最优化:应该如何设计经验风险函数?
  3. 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,也可以更加深刻地了解我们人类自己。

原文发布于微信公众号 - AI科技大本营(rgznai100)

原文发表时间:2018-01-28

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

德勤 | 思维与机器:人工智能时代的预测之术

【新智元导读】预测对经济和社会极其重要。金融、医疗、政治以及反恐、自然灾害预防等等领域,预测都有着不可替代的作用。然而,此前的研究表明,即便是最顶级的专家,在预...

49016
来自专栏量子位

史上最大规模机器人“面相”调查:157张脸背后的人类感受

在刚结束的ACM/IEEE国际人机交互大会上,来自华盛顿大学的Alisa Kalegina等人发表了一篇名为Characterizing the Design ...

1143
来自专栏AI科技评论

深度学习理论研究已进入瓶颈期?看看李飞飞们怎么说

AI圈推特红人,Keras框架的作者François Chollet又搞大新闻了!近日François Chollet在推特上发推称:“深度学习研究已经进入了瓶...

34911
来自专栏机器之心

GMIS 2017第一天亮点全面盘点:从机器学习到交叉学科

机器之心原创 机器之心编辑部 2017 年 5 月 27 日上午,机器之心主办的第一届全球人工智能峰会(GMIS 2017)在北京 898 创新空间顺利开幕,中...

3787
来自专栏新智元

【干货】胡郁:科大讯飞的深度学习之路(PPT下载)

【新智元导读】科大讯飞轮值总裁胡郁今天在“第三届网易未来科技峰会”发表演讲,介绍科大讯飞深度学习发展之路:从2010年开展DNN语音识别研究,2011年上线首个...

5288
来自专栏SDNLAB

震撼上线,人工智能在网络领域的应用与实践

作为一个诞生了60多年的词汇,人工智能的发展已经历过多轮起伏,现今这个阶段可以说是人工智能的黄金时期,全球的科技巨头都在AI领域频频布局,不同于单纯的炒作,此轮...

1172
来自专栏ATYUN订阅号

Judea Pearl:要建立真正的智能机器,教它们因果关系才是关键

人工智能给Judea Pearl(贝叶斯之父)带来诸多启发。在二十世纪八十年代,他领导的工作使机器能够以概率方式进行推理。现在他是该领域最敏锐的评论家之一。在他...

1359
来自专栏钱塘大数据

【干货】成为一名数据科学家的学习三部曲

导读:如果你看到这篇文章的题目开始阅读本文,那么一定是数据科学激起了你的兴趣。你肯定希望2016年成为你的转运年,对不对?如果你从今天起坚持去执行这些新年计划,...

3626
来自专栏新智元

微软首位华人“全球技术院士”黄学东:10个神经网络造就工程奇迹

【新智元导读】微软语音识别技术24年老将黄学东近日被评为“微软全球技术院士”,成功摘下这一微软技术的“桂冠”。 黄学东于1993年加入微软。1995年,黄学东最...

4347
来自专栏量子位

看几小时视频就能模仿人类聊天?Facebook机器人表情丰富着呢

安妮 编译整理 量子位 出品 | 公众号 QbitAI 人形机器人的相似度与人类的好感度不成正比。根据日本机器人专家森政弘1970年提出的恐怖谷理论,随着物体拟...

3238

扫码关注云+社区

领取腾讯云代金券