99精品在线观看-99精品在线免费观看-99精品在线视频观看-99精品这里只有精品高清视频-99九九精品国产高清自在线

Hinton 在上世紀(jì) 80 年代提出了以人工神經(jīng)網(wǎng)絡(luò)作為機(jī)器學(xué)習(xí)研究基石的想法，但在之后的很長時(shí)間里，他的觀點(diǎn)都被學(xué)界和業(yè)界視為「邊緣事物」，甚至是一種「一廂情愿」。直到進(jìn)入新世紀(jì)，隨著計(jì)算機(jī)運(yùn)行的速度的大幅提升，深度神經(jīng)網(wǎng)絡(luò)有了海量可供訓(xùn)練的數(shù)據(jù)，人工智能終于迎來了新局面。
 

2012 年，Hinton 帶領(lǐng)兩名學(xué)生提出深度卷積神經(jīng)網(wǎng)絡(luò)模型 AlexNet，在圖片識別上取得了重大突破，他多年研究工作的重要性才被整個(gè)業(yè)界認(rèn)可。除了戴上「深度學(xué)習(xí)教父」的花冠，Hinton 在兩個(gè)月前同 Yoshua Bengio 和 Yann LeCun 一起，被授予了 2018 年圖靈獎(jiǎng)。
 

Yann LeCun, Geoff Hinton, and Yoshua Bengio | WIRED

因?yàn)楸惩炊嗄甓贾荒苷玖⒐ぷ鞯?Hinton 站著完成了這場對話，就像在現(xiàn)場介紹視頻里他調(diào)侃的那樣，他遠(yuǎn)遠(yuǎn)領(lǐng)先于當(dāng)下的「潮流」。在他的專業(yè)領(lǐng)域也是同樣。圖靈獎(jiǎng)之后，這位鮮少接受采訪的天才在這次對話中談到了自己的研究，對機(jī)器智能的信心和期望，以及未來的世界和夢境的啟迪。

以下是極客公園前方記者從現(xiàn)場發(fā)回的訪談實(shí)錄，經(jīng)極客公園編輯整理，有刪減。

Q：Nicholas Thompson

A：Geoffrey Hinton

Geoff Hinton 亮相 Google I/O | 極客公園前線記者

Q：20 年前，當(dāng)你發(fā)表了一些有影響力的文章。每個(gè)人都說，這是個(gè)好點(diǎn)子，但是事實(shí)上我們沒法這樣設(shè)計(jì)計(jì)算機(jī)。跟我們聊一聊，你為什么堅(jiān)持，為什么你就相信自己的發(fā)現(xiàn)很重要？

A：實(shí)際上那是 40 年前了。對我來說，人腦工作只有一種方式——通過學(xué)習(xí)神經(jīng)元之間連接強(qiáng)度來工作。如果你想要一件設(shè)備做一些智能的工作，你有兩個(gè)選擇，你可以自己編程或者讓機(jī)器自己學(xué)習(xí)，我們當(dāng)然不選擇編程，我們只能想辦法讓機(jī)器學(xué)習(xí)。所以（我認(rèn)為）這一定是正確的方式。

Q：在座的大多數(shù)人對神經(jīng)網(wǎng)絡(luò)都很熟悉了，但還是請你解釋一下最初的想法，以及它是如何在你的腦海中形成的。

A：相對簡單的處理元素，也就是松散的神經(jīng)元，它們連接在一起，每個(gè)連接點(diǎn)都有一個(gè)權(quán)重（weight），通過改變連接點(diǎn)上的權(quán)重去學(xué)習(xí)。神經(jīng)元所做的是將連接點(diǎn)上的活動(dòng)乘以權(quán)重，把它們加起來，然后決定是否發(fā)送一個(gè)輸出。如果和足夠大，就發(fā)送一個(gè)輸出，如果和是負(fù)的，它就什么也不發(fā)送。你需要做的就是把無數(shù)的權(quán)重連接起來，然后找到調(diào)節(jié)權(quán)重的方法，然后神經(jīng)網(wǎng)絡(luò)就能做一切事情。所以這就是一個(gè)調(diào)節(jié)權(quán)重的問題。

Q：那么，你是什么時(shí)候開始知道它的工作原理是近似大腦的呢？

A：神經(jīng)網(wǎng)絡(luò)一直是這樣設(shè)計(jì)的，它模擬了大腦工作原理。

Q：所以在你職業(yè)生涯的某個(gè)時(shí)候，你開始了解大腦是如何工作的，也許是在你 12 歲的時(shí)候，也許是在你 25 歲的時(shí)候，你什么時(shí)候決定用計(jì)算機(jī)模擬大腦工作原理？

A：這就是問題的關(guān)鍵。神經(jīng)網(wǎng)絡(luò)的整個(gè)想法是有一個(gè)像大腦一樣學(xué)習(xí)的設(shè)備，像人們認(rèn)為大腦通過改變連接強(qiáng)度來學(xué)習(xí)一樣，這不是我的想法。圖靈也有同樣的想法，盡管他發(fā)明了很多標(biāo)準(zhǔn)計(jì)算機(jī)科學(xué)的基礎(chǔ)，他相信大腦是一個(gè)沒有組織，有隨機(jī)權(quán)重的裝置，它使用強(qiáng)化學(xué)習(xí)的方式來改變連接，它會(huì)學(xué)習(xí)一切。他認(rèn)為這是獲得智能的最佳途徑。

Q：所以你遵循圖靈的想法，制造機(jī)器最好的方法就是模仿人類的大腦。這就是人腦的工作原理，讓我們造一個(gè)這樣的機(jī)器。

A：這不僅僅是圖靈的想法，很多人也這樣想。

Q：所以你有這樣的想法，很多人都有這樣的想法。你在 80 年代末得到了很多贊譽(yù)，因?yàn)槌霭娴淖髌范雒瑢幔?/span>

A：是的。

Q：最黑暗是什么時(shí)候？那些曾經(jīng)支持圖靈想法的人都開始退縮了，但你卻繼續(xù)向前是什么時(shí)候？

A：總有一群人一直相信它，尤其是在心理學(xué)專業(yè)。但是在計(jì)算機(jī)科學(xué)家中，我想在 90 年代，當(dāng)時(shí)數(shù)據(jù)集非常小，計(jì)算機(jī)沒有那么快。在小數(shù)據(jù)集處理上，其他的方法，比如支持向量機(jī)（support vector machines）能達(dá)到更好的效果，不會(huì)被噪音影響。這非常令人沮喪，因?yàn)槲覀冊?80 年代發(fā)展了反向傳播（back propagation），我們本認(rèn)為這項(xiàng)技術(shù)可以解決所有問題，但是結(jié)果相反。這只是一個(gè)規(guī)模的問題，但我們當(dāng)時(shí)并不真正了解它們。

Q：那你為什么認(rèn)為這行不通呢？

A：這是因?yàn)槲覀儧]有非常正確的算法，我們沒有正確的目標(biāo)函數(shù)。我認(rèn)為很長一段時(shí)間以來，因?yàn)槲覀冊噲D進(jìn)行監(jiān)督學(xué)習(xí)，你必須給數(shù)據(jù)貼上標(biāo)簽，而我們本應(yīng)該進(jìn)行無監(jiān)督學(xué)習(xí)，你只需要從沒有標(biāo)簽的數(shù)據(jù)中學(xué)習(xí)，最后發(fā)現(xiàn)這主要是一個(gè)規(guī)模的問題。

Q：這很有趣，問題是你沒有足夠的數(shù)據(jù)。你認(rèn)為你有足夠的數(shù)據(jù)但是你沒有正確地標(biāo)記它。所以你只是誤解了問題？

A：我認(rèn)為使用標(biāo)簽是錯(cuò)誤的，你不應(yīng)該利用標(biāo)簽的前提下完成大部分學(xué)習(xí)，而是基于數(shù)據(jù)嘗試模擬結(jié)構(gòu)。我仍然相信，隨著計(jì)算機(jī)速度越來越快，任何給定的數(shù)據(jù)集，只要計(jì)算機(jī)足夠快，你能更好地做無監(jiān)督式學(xué)習(xí)，一旦你完成了無監(jiān)督式學(xué)習(xí)，你將以來更少的標(biāo)簽學(xué)習(xí)。

Q：所以 90 年代，你還是在做研究，仍然在學(xué)術(shù)界發(fā)表研究。但是沒有非常大的突破，你曾經(jīng)想過放棄深度學(xué)習(xí)的研究，去做一些別的事情嗎？

A：這樣的工作是一定要去做的，我的意思是大腦學(xué)習(xí)神經(jīng)元的連接，我們必須要把這件事弄懂。也許還有很多學(xué)習(xí)連接強(qiáng)度的方法，大腦用了其中一種，也會(huì)有其他的方法。但是你總得學(xué)會(huì)一種方法，我從沒有懷疑過這一點(diǎn)。

Q：那好，你從來不懷疑，那是什么時(shí)候開始，你所堅(jiān)持的有了成果？

A：80 年代，如果你建造的網(wǎng)絡(luò)有很多隱藏層，你無法訓(xùn)練它們。Yann LeCun 開發(fā)了卷積神經(jīng)網(wǎng)絡(luò)（CNN）只能訓(xùn)練相當(dāng)簡單的任務(wù)，比如實(shí)現(xiàn)機(jī)器讀取手寫，但是大部分深度網(wǎng)絡(luò)，我們是不知道如何訓(xùn)練它們的。

2005 年的時(shí)候，我研究出一種深層網(wǎng)絡(luò)的無監(jiān)督式訓(xùn)練方法，比如你輸入像素值，然后能學(xué)習(xí)一組特征探測器（feature detectors），能夠解釋像素值為什么有這樣的特征，然后你把這組特征探測器作為數(shù)據(jù)，你學(xué)習(xí)到另一組特征探測器，我們能解釋這些特征探測器為什么有這些相關(guān)性。然后你繼續(xù)一層一層的學(xué)習(xí)。有趣的是，你可以做數(shù)學(xué)計(jì)算并且證明，每一次你得到的層不一定具有比上次更好的數(shù)據(jù)模型，但是你在不斷遞進(jìn)。

Q：我知道了，就是你在做觀察，結(jié)果不是正確的，但是它們越來越接近正確。就比如，我對著觀眾來做一些概括，不是一下子就正確的，但是我會(huì)做的越來越好。大體上是這個(gè)意思嗎？

A：大概是。

Q：2005 年的時(shí)候，你在數(shù)學(xué)上取得了突破。什么時(shí)候開始你得到了正確的答案，你在運(yùn)算什么樣的數(shù)據(jù)，你在語音數(shù)據(jù)上邁出了自己的第一步突破。

A：這僅僅是大量的數(shù)據(jù)，非常簡單的測量。大約同期，他們開始在研發(fā) GPU，研究神經(jīng)網(wǎng)絡(luò)的人大約在 2007 年使用 GPU。我有一個(gè)非常優(yōu)秀的學(xué)生利用 GPU 在航空遙感圖像中尋找道路。他寫了一些代碼，然后被其他學(xué)生加以復(fù)用，在語音中識別音位，然后他們使用 Pre-Training 的想法，做完 Pre-Training 后，把標(biāo)簽貼在上面，使用反向傳播。事實(shí)證明，基于 Pre-Training 你可得到好的深層網(wǎng)絡(luò)，然后使用反向傳播，得出的結(jié)果確實(shí)打敗了當(dāng)時(shí)語音識別的標(biāo)準(zhǔn)，起初，只是領(lǐng)先了非常小的一步。

Q：它打敗了最好的商業(yè)可用語音識別，還是打敗了語音識別的學(xué)術(shù)研究？

A：在一個(gè)相對小的叫做 TIMIT 的數(shù)據(jù)集上，表現(xiàn)略好于最優(yōu)秀的學(xué)術(shù)研究，同時(shí)也好于 IBM 的成果。很快，人們意識到這個(gè)發(fā)展了 30 年的技術(shù)正在打敗標(biāo)準(zhǔn)模型，只要再往前進(jìn)一步就會(huì)發(fā)展得更好。

所以我的研究生們?nèi)チ宋④洠琁BM，Google，Google 是最快轉(zhuǎn)向生產(chǎn)語音識別器的。到 2012 年成果在 Android 展現(xiàn)了出現(xiàn)，從 2009 年提出發(fā)展了 3 年的時(shí)間，Android 突然變得更加擅長語音識別。

Q：所以，你從四十年前萌生了這個(gè)技術(shù)概念，自從你發(fā)表文章也過去了 20 年，你終于領(lǐng)先于你的同行們，你當(dāng)時(shí)是什么心情？

A：我有這個(gè)想法才 30 年。

Q：哈哈，是的，30 年，這還是「新」點(diǎn)子。

A：它終于在一個(gè)真正的難題上達(dá)到了最先進(jìn)的水平，這感覺真好。

Q：當(dāng)你開始把它應(yīng)用到其他問題上時(shí)，你意識到了它在語音識別上是有效的。

A：我來舉幾個(gè)例子吧。最早從事語音識別研究的人之一的 George Dahl 把深度學(xué)習(xí)應(yīng)用到分子領(lǐng)域，你想要預(yù)測該分子是否會(huì)與某種物質(zhì)結(jié)合成一種很好的藥物。當(dāng)時(shí)有一場比賽，他把我們?yōu)槊绹呐K協(xié)會(huì)設(shè)計(jì)的標(biāo)準(zhǔn)技術(shù)應(yīng)用到預(yù)測藥物的活動(dòng)上，他們的勝利是一個(gè)標(biāo)志，標(biāo)志著深度學(xué)習(xí)可以得到普遍地應(yīng)用。我有一個(gè)學(xué)生叫做 Ilya Sutskever 跟我說，Geoff 你知道嗎？深度學(xué)習(xí)要應(yīng)用在圖片識別中，李飛飛已經(jīng)創(chuàng)建了正確的數(shù)據(jù)集，公開的競爭開始了，我們必須要做。所以我們基于 Yann LeCun 的理論研發(fā)了一項(xiàng)技術(shù)方法，我的一個(gè)學(xué)生叫做 Alex Krizhevsky，他真的是一個(gè)魔法師，擅長編程 CPU，我們得到的結(jié)果比 2012 年的標(biāo)準(zhǔn)計(jì)算機(jī)視覺要好得多。

Q：建模，化學(xué)，語音。這是它成功的三個(gè)領(lǐng)域。那它在哪些領(lǐng)域失敗了？

A：失敗只是暫時(shí)的。

Q：它在哪個(gè)領(lǐng)域失敗過？（笑）

A：比如機(jī)器翻譯，我想我們需要花很長的時(shí)間才能成功。比如，你有一串符號進(jìn)來，又有一串符號出去，在這兩者之間，你對一串符號進(jìn)行操作，這是很合理的，這就是經(jīng)典的 AI。事實(shí)上，它并不是這樣運(yùn)行。符號串進(jìn)來，你把它們變成你大腦中巨大的矢量（vectors），這些矢量相互作用，然后你把它們轉(zhuǎn)換回來，而不是把符號串轉(zhuǎn)換出去。如果你在 2012 年和我說，在接下來的 5 年時(shí)間里，要用相同的技術(shù)實(shí)現(xiàn)在多種語言之間進(jìn)行翻譯的效果，Recurrent Net（循環(huán)神經(jīng)網(wǎng)絡(luò)），但如果只是隨機(jī)初始權(quán)重的隨機(jī)梯度下降，我不相信事情會(huì)發(fā)生得比我們預(yù)料的要快得多。

Q：所以，最快的領(lǐng)域和最耗時(shí)的領(lǐng)域都有什么區(qū)別，比如像視覺處理，語音識別，是我們利用感官感知做的核心人類活動(dòng)，這會(huì)是第一個(gè)要清除的障礙嗎？

A：其他的事情比如運(yùn)動(dòng)控制，我們?nèi)祟惿瞄L運(yùn)動(dòng)控制，但是深度學(xué)習(xí)最終也會(huì)取勝。抽象推理，我認(rèn)為是我們最后要學(xué)習(xí)的一件事。

「人類能做的事情，神經(jīng)網(wǎng)絡(luò)也能做」| Google I/O

Q：所以你一直說神經(jīng)網(wǎng)絡(luò)最終會(huì)贏得一切？

A：我們擁有自己的神經(jīng)網(wǎng)絡(luò)，對嗎？人類能做的事情，神經(jīng)網(wǎng)絡(luò)也能做。

Q：人腦未必是有史以來最高效的計(jì)算機(jī)，有沒有一種建模機(jī)器的方法比人腦的效率更高？

A：從哲學(xué)上來講，我不反對可以用完全不同的方法來做這一切的觀點(diǎn)。這種方法可能是，你從邏輯開始，你嘗試自動(dòng)化邏輯，做了一些很好的改進(jìn)，你進(jìn)行推理然后決定通過推理來進(jìn)行視覺感知。這種方法有可能會(huì)成功，但結(jié)果卻是沒有成功。但我并不反對哲學(xué)上的勝利，只是我們知道大腦做不到。

Q：但也有一些事情是我們的大腦做不好的，這些事會(huì)不會(huì)神經(jīng)網(wǎng)絡(luò)也做不好？

A：很有可能。

Q：還有一個(gè)單獨(dú)的問題，我們完全不知道這些東西是如何工作的，我們不明白自頂向下的神經(jīng)網(wǎng)絡(luò)。

A：可以看一下現(xiàn)在的機(jī)器視覺系統(tǒng)。大多數(shù)基本上是前饋的，它們不用反饋鏈接。目前的機(jī)器視覺系統(tǒng)還有一點(diǎn)就是，它們非常容易出現(xiàn)對抗性的例子。你可以稍稍改變幾個(gè)像素，比如一張熊貓的照片，你看它是熊貓，但機(jī)器就突然說它是鴕鳥，但問題是你知道這是個(gè)熊貓。最開始我們以為這些機(jī)器沒問題，然后出現(xiàn)了類似熊貓鴕鳥但問題以后，我們又開始有些擔(dān)心。

我認(rèn)為這部分問題在于，它們沒有從高級但表征中重建，它們試圖做有區(qū)別的學(xué)習(xí)，你只需要學(xué)習(xí)一層又一層的特征檢測器，整個(gè)目標(biāo)就是改變權(quán)重，這樣你就能更好地得到正確的答案。他們并沒有在每一層的特征檢測器上做類似的事情，檢查一下你是否可以從這些特征檢測器的活動(dòng)中重構(gòu)底層的數(shù)據(jù)。

最近在多倫多，我們發(fā)現(xiàn)，或者尼克·弗羅斯特（Nick Frost）發(fā)現(xiàn)，如果你引入重建，它會(huì)幫助你更好地抵御連環(huán)攻擊。所以我認(rèn)為在人類的視角，我們在學(xué)習(xí)時(shí)會(huì)做重建重構(gòu)，也因?yàn)槲覀兺ㄟ^重構(gòu)進(jìn)行了大量的學(xué)習(xí)，所以我們對對抗攻擊更有抵抗力。

Q：我們來聊一個(gè)更大眾的話題。現(xiàn)在神經(jīng)網(wǎng)絡(luò)就能解決各種各樣的問題了，人類大腦中是否有任何奧秘是神經(jīng)網(wǎng)絡(luò)無法捕捉到的？

A：沒有。

Q：沒有？所以比如情感，愛，意識都能通過神經(jīng)網(wǎng)絡(luò)重構(gòu)？

A：當(dāng)然。一旦你弄明白了這些東西是什么。我們就是神經(jīng)網(wǎng)絡(luò)，不是嗎？

另外，意識，我對這個(gè)很感興趣。人們其實(shí)并不知道它是什么，人們對意識也有各種各樣的解釋，我覺得這是個(gè)未得到科學(xué)驗(yàn)證的術(shù)語。比方說一百年前，你問人們，生命是什么？他們會(huì)說，所有生物都有生命力，一旦死去，生命力就飄走了，這就是生與死的區(qū)別，就是你有沒有這種生命力。

現(xiàn)在呢？現(xiàn)在我們不會(huì)說自己有什么生命力，我們會(huì)覺得這是個(gè)迷信的說法，現(xiàn)在我們懂了生物化學(xué)，懂了分子生物學(xué)，我們不需要生命力來解釋生命了。我覺得意識也是這個(gè)道理。我覺得「意識」是用某種特殊的本質(zhì)來嘗試解釋心理現(xiàn)象，而一旦我們用科學(xué)解釋了意識，你就不需要這種「特殊的本質(zhì)」了。

Nicholas Thompson, Geoffrey Hinton | 極客公園前線記者

Q：說到研究人腦來改進(jìn)電腦，我們其實(shí)是在研究什么？反過來會(huì)怎樣？我們能不能從對電腦的研究中學(xué)到如何改進(jìn)我們的大腦？

A：我認(rèn)為我們在過去 10 年里學(xué)到的東西是，比如你采用一個(gè)包含數(shù)十億個(gè)參數(shù)的系統(tǒng)，并且在一些目標(biāo)函數(shù)中做隨機(jī)梯度下降（Stochastic Gradient Descent），而目標(biāo)函數(shù)可能會(huì)獲得正確的標(biāo)簽，以填補(bǔ)他們在一串字符中的空白。任何舊的目標(biāo)函數(shù)（都可以）。它的效果比你想象的要好得多。大多數(shù)傳統(tǒng)人工智能的人和你一樣，都會(huì)想，取一個(gè)有十億個(gè)參數(shù)的系統(tǒng)，從隨機(jī)值開始，測量目標(biāo)函數(shù)的梯度，也就是每個(gè)參數(shù)的梯度，計(jì)算出如果你稍微改變這個(gè)參數(shù)目標(biāo)函數(shù)會(huì)發(fā)生什么變化。然后在這個(gè)方向上改變它來改善目標(biāo)函數(shù)。你可能會(huì)認(rèn)為這是一種毫無希望的算法，他們會(huì)陷入困境，但事實(shí)證明這是一種非常好的算法，你把東西縮放得越大，它的效果就越好，這只是一個(gè)經(jīng)驗(yàn)發(fā)現(xiàn)。有一些理論，但它在目前基本還是一個(gè)經(jīng)驗(yàn)發(fā)現(xiàn)，因?yàn)槲覀円呀?jīng)發(fā)現(xiàn)，它使它更合理，大腦正在計(jì)算一些目標(biāo)功能的梯度，并更新突觸強(qiáng)度的權(quán)重，以遵循梯度。我們只需要算出它是如何得到梯度的以及目標(biāo)函數(shù)是什么。

Q：但是我們不了解大腦。

A：它是一種理論，是很久以前的事了，所以它是一種可能性。但是在后臺總有一種傳統(tǒng)的計(jì)算機(jī)科學(xué)家說是的, 但是這一切都是隨機(jī)的你只是學(xué)習(xí)它的想法通過梯度下降的方法學(xué)習(xí)，這對十億參數(shù)來說是行不通的。你必須連接器很多知識，我們現(xiàn)在知道這是錯(cuò)的，你可以填寫隨機(jī)參數(shù)和學(xué)習(xí)一切。

Q：我們把它展開來講。隨著我們了解的越來越多，當(dāng)我們對基于我們認(rèn)為它是如何運(yùn)作的模型進(jìn)行這些大規(guī)模的測試時(shí)，我們可能會(huì)了解更多關(guān)于人類大腦是如何運(yùn)作的。一旦我們更好地理解了它，我們是否可以從根本上重新構(gòu)造我們的大腦，使其更像最高效的機(jī)器，或者改變我們的思維方式？它使用的關(guān)系應(yīng)該很簡單，但不是在模擬中。

A：你會(huì)覺得，如果我們真正了解正在發(fā)生的事情，我們就應(yīng)該能夠讓教育等方面變得更好，我認(rèn)為我們會(huì)做到這一點(diǎn)。如果你能最終理解你的大腦在做什么，它是如何學(xué)習(xí)的，它為什么不能適應(yīng)環(huán)境以更好地學(xué)習(xí)，那將是非常有意思的。

Q：我們先別到太遠(yuǎn)的未來，在未來幾年，你認(rèn)為我們將如何利用我們對大腦和深度學(xué)習(xí)的了解來改變教育的功能? 你將如何讓課堂發(fā)生變化？

A：幾年之內(nèi)，我不確定我們能學(xué)到多少。我認(rèn)為這會(huì)改變教育，不過會(huì)需要更長的時(shí)間。但是如果你想一想，你會(huì)發(fā)現(xiàn)虛擬助理正在變得越來越聰明，一旦系統(tǒng)能夠真正理解對話，虛擬助理就可以和孩子們對話并教育他們。所以我認(rèn)為，我學(xué)到的大部分新知識都來自于思考，我在思考，在谷歌上輸入一些東西，然后谷歌會(huì)告訴我。你只需要通過對話來獲得更好的知識。Q：理論上，當(dāng)我們能更了解大腦時(shí)，你就可以對虛擬助手進(jìn)行改進(jìn)、編程，經(jīng)過學(xué)習(xí)，虛擬助手就能與孩子們進(jìn)行更好的對話。

A：是的，這方面我沒有想太多，不是我的專業(yè)領(lǐng)域，但對我來說似乎很合理。

Q：我們也將能夠理解夢是如何運(yùn)作的，這是最大的謎團(tuán)之一。所以機(jī)器人確實(shí)可以夢到電子羊。最后一個(gè)問題。我聽過你的一個(gè)播客節(jié)目，你說你最珍惜的就是那些剛進(jìn)入你實(shí)驗(yàn)室的年輕研究生們的想法，因?yàn)樗麄儾粫?huì)被禁錮在舊的觀念里，有很多新的想法，而且他們也懂很多。你是不是會(huì)在自己的研究以外尋找一些靈感？你會(huì)覺得自己有局限嗎？會(huì)不會(huì)有跟你一起工作的研究生新人，甚至這個(gè)房間里的人過來，說不認(rèn)可你的觀點(diǎn)？

A：嗯，我說的一切（都有人反對）。（場下笑）

「深度學(xué)習(xí)現(xiàn)在已經(jīng)變成人工智能的同義詞了」| WIRED

Q：我們還有一個(gè)單獨(dú)的問題。深度學(xué)習(xí)曾經(jīng)是個(gè)獨(dú)立的名詞，但是現(xiàn)在它已經(jīng)變成人工智能的同義詞了，而且現(xiàn)在人工智能也變成了一種市場營銷的宣傳手段，含義已經(jīng)變成隨便怎么用機(jī)器，都敢說自己是人工智能了。作為開創(chuàng)了這個(gè)領(lǐng)域的人，你怎么看這個(gè)專業(yè)術(shù)語的變化？

A：曾經(jīng)人工智能意味著，你受到邏輯上對啟發(fā)，對符號字符串進(jìn)行操作。然后神經(jīng)網(wǎng)絡(luò)，是說你想要讓機(jī)器在神經(jīng)網(wǎng)絡(luò)中學(xué)習(xí)。這兩個(gè)是完全不一樣的企業(yè)，而且兩個(gè)門類關(guān)系還不大好，經(jīng)常搶投資，我就成長在這樣的環(huán)境里，那會(huì)我會(huì)開心很多。現(xiàn)在，我看到不少人過去噴我們神經(jīng)網(wǎng)絡(luò)沒啥用的人，現(xiàn)在張口閉口「我是個(gè) AI 教授，我需要錢。」這挺煩人的。

Q：你的意思是，你研究的領(lǐng)域成功了，某種程度上吞并了其他領(lǐng)域，這也給其他領(lǐng)域的研究者們鉆了空子，他們可以借著東風(fēng)要投資了，這會(huì)讓你有些郁悶？

A：嗯，不過這么說也不公平，因?yàn)樗麄冎泻芏嗳艘厕D(zhuǎn)變了。

Q：我發(fā)現(xiàn)我還有一個(gè)問題的時(shí)間。在剛剛我說的那個(gè)播客節(jié)目里，你說你會(huì)覺得 AI 就像一個(gè)挖掘機(jī)，要么挖好一個(gè)洞，要么一鏟子把自己弄死了。關(guān)鍵就是怎么設(shè)計(jì)好這個(gè)挖掘機(jī)，讓它成功地挖一個(gè)洞，而不是一不小心把自己錘了。你覺得在你的工作中，哪些時(shí)候會(huì)做出這種「關(guān)鍵的」決定？

A：我應(yīng)該永遠(yuǎn)不會(huì)有意（用 AI）制造武器。你可以設(shè)計(jì)一個(gè)挖掘機(jī)，輕輕松松就把人頭給鏟了，我覺得那么用挖掘機(jī)太糟糕了，我絕不會(huì)在這個(gè)方向上研究。


免責(zé)聲明：本文由作者原創(chuàng)。文章內(nèi)容系作者個(gè)人觀點(diǎn)，轉(zhuǎn)載目的在于傳遞更多信息，并不代表EETOP贊同其觀點(diǎn)和對其真實(shí)性負(fù)責(zé)。如涉及作品內(nèi)容、版權(quán)和其它問題，請及時(shí)聯(lián)系我們，我們將在第一時(shí)間刪除！