Tomaso Poggio解析下個「AlphaGo」線索，再談「深度學習鍊金術」

今天，即1月28日上午，MIT計算機科學&人工智慧實驗室教授Tomaso Poggio在《麻省理工科技評論》EmTech China全球新興科技峰會上，發表了關於深度學習鍊金術的精彩演講，以下為整理後的演講全文：

我想和大家談一下人工智慧領域正在發生什麼。首先，我想說說我們在人工智慧最近所取得的一些成功，尤其是過去五年，以及人工智慧未來可能在哪裡取得突破。

深度學習有點像我們這個時代的鍊金術，但是需要從鍊金術轉化為真正的化學。這樣我們才能知道，深度學習在未來到底可以實現什麼。

過去五年，人工智慧領域最重要的兩個成就是：AlphaGo和自動駕駛。我在這行待了很久，因此兩個領域都有我的學生：一個是AlphaGo的Hassabis先生，他是DeepMind員工，現在在谷歌；另外一個就是Moblieye的CEO Amnon Shashua，他現在已經加入了英特爾。

接下來我們可以看一下過去23年機器學習取得了哪些進步。

23年以前，我和Hassabis希望可以把計算機視覺和機器學習進行整合，然後創造出一個學習系統來辨別行人。在這個短片中，我們可以看到機器識別出了行人和信號燈，基本上每秒鐘會出現10個錯誤，當時是1995年，所以我們對這個結果還是非常滿意的。

但是，Moblieye後來做到了每30英里只出現1個錯誤，把錯誤率降至當年的百萬分之一，可以看出機器學習的準確性顯著提高。

那麼，AlphaGo和Moblieye所取得的進步，背後是什麼動因呢？

首先我認為是機器學習的演算法，第一是深度學習，第二是強化學習，他們都是來自於認知科學以及神經科學。

深度學習的架構最早是在60年代研究猴子的視覺系統時被發明出來的，從而更好地研究他們大腦在學習時的神經結構，然後一直到Fukushima 提出了首個量化模型，再到20年前現代版的HMAX被提出。這些架構都是一脈相承的——從腦科學到現在的深度學習，本質上都是一樣的層級架構。從下到上，神經的等級越來越高。這個結構的局部中並沒有很多的連接，每一個高級的神經元只會和下一個等級的神經元相聯繫。

2012年我們也開發出了AlexNet，它也是性能最好的一個架構。基於神經科學，我們通過工程學的研究並不斷地發展。這是很重要的，因為我們還沒有真正實現人工智慧。

深度學習可以幫助我們解決10%的難題，剩下的90%呢？我的答案是：我們可能也需要來自神經科學以及認知科學的研究，我們需要更好地了解人的思維和大腦。這也是我們MIT大腦、心智和機器中心（CBMM）在研究的問題，五年前我們開始開展相關的研究，我們的使命就是要在理解認知方面獲得新的進步，同時也需要去了解整個智能的架構和智能背後的科學原理。關於智能的科學會幫助我們回答最宏大的問題，了解生命的起源、宇宙的起源，以及時間的源頭。大腦中智能的產生，是科學現在需要解決的元問題。

CBMM想通過以下三條路徑解決這個問題。

1、計算機科學+機器學習

2、神經科學

3、認知科學

我們會同谷歌這樣的商業公司合作，探索在工程和科學領域合作的可能。

過去幾年中，技術發展和理論發展、包括深度神經網路領域的發展很顯著。要了解深度神經網路的運作原理，需要回答背後的三個基本問題：

1、逼近理論：深層網路什麼情況下會比淺層網路更有效？

2、最優化：應該如何設計經驗風險函數？

3、學習理論：為什麼深度學習不會產生過擬合？

這三個問題是機器學習的奠基石。他們的答案很複雜，要解決這種問題，我們需要一開始就思考深度學習的一些技術理論，以及它的局限性。

現在是應用人工智慧的黃金時代，因為深度學習及其工程應用，終於幫助我們將傳統的人工智慧科學理論應用於了工程實際，而且能夠為我們進行賦能。假如我們可以超越深度學習的理論，可以更好的去了解人工智慧的話，我們也可以更加深刻地了解我們人類到底是什麼。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！