深度學習更像“煉金術”，真正突破要訴諸“人腦”
演講者為Tomaso Poggio，擔任MIT計算機科學與人工智能實驗室教授。他是這個世界最早從事人工智能研究的人之一，學生分布在DeepMind（做出AlphaGo）、Moblieye等當今AI頂尖企業(yè)。
深度學習：這個時代的煉金術
在這個時代，深度學習有點像煉金術。它要成為真正的化學，還需要很多工作。
23年前，我和Hassabis希望整合計算機視覺和深度學習，創(chuàng)造出一個學習系統(tǒng)，自動辨別行人。當時我們識別出了行人、信號燈，但每秒有10個錯誤。這是1995年，我們已經非常滿意了。
但今天，Mobileye每30英里只出現(xiàn)1個錯誤，是當年的百萬分之一。這種巨大的進步，動因在哪里呢？
首先是機器學習的算法，第一是深度學習，第二是強化學習。它們都來自于認知科學和神經科學。
深度學習的架構，是60年代研究猴子的視覺系統(tǒng)時被發(fā)明出來的。創(chuàng)造它，是為了更好研究猴子在學習時大腦的神經結構。然后Fukushima提出了首個量化模型，20年前現(xiàn)代版的HMAX被提出。這些架構都一脈相承——一樣的層級架構。從下到上，神經的等級越來越高，每個高級神經元只和下個等級的神經元相連接。
2012年，我們又開發(fā)出AlexNet，它是目前性能最好的一個架構?；谏窠浛茖W，我們的工程學研究能不斷地發(fā)展。這是很重要的，因為我們還沒實現(xiàn)真正的人工智能。
神經科學：人工智能真正的曙光
深度學習能幫我們解決10%的難題。剩下的90%呢？答案可能在神經科學、認知科學的研究里。
我們必須研究人的思維和大腦。這也是MIT大腦、心智和機器中心CBMM正在研究的問題。我們希望能在理解認知方面有進步，能了解整個智能的架構，和背后的科學原理。大腦中智能的產生，是科學現(xiàn)在要解決的元問題。
為了有所突破，CBMM有以下三條路徑：1、計算機科學+機器學習。2、神經科學。3、認知科學。
我們要回答的則是三個基本問題：
1、逼近理論：深層網絡在什么情況下，會比淺層網絡更有效？
2、最優(yōu)化：應該如何設計經驗風險函數(shù)？
3、學習理論：為什么深度學習不會產生過度擬合？
這三個問題，是機器學習的奠基石。它們的答案很復雜，要解決它，我們需要與開始就思考深度學習的局限性，以及一些技術理論。
不理解大腦，就不能真正理解“機器的智能”
越來越人將意識到，下一個重大進展將來自我們對人類智慧、大腦的理解。DeepMind就認可這樣的理念（他們老大也是做神經科學的）。
我們正在CBM里面開發(fā)一個架構，是超越深度學習的，嘗試去描述我們的視覺智慧怎么運作。
現(xiàn)在，能將神經科學的成果成功運用的公司并不多。我們應該集中資源去做基礎研究。當一個新生兒理解事物時，他會為它貼上標簽，“這是小馬、那是汽車?！彼灰苌俚臉颖揪湍軞w納一個事物。這才是典型的生物學的運作方式，顯然跟當前機器的做法完全不同。
我們的大腦充滿了智慧，值得我們做更多研究。當我們談到機器時，并不能過多去跟人類大腦比較，即便它速度更快。在過去50年，計算機取得了很大的進展。但談到智慧本身，機器肯定還要從人類這里學習。
聯(lián)系客服
