AI的下一個(gè)目標，是與人交流

　　AI的下一個(gè)目的，是與人交換

　　2019年11月下旬，在謝諾夫斯基在北京參與講座活動(dòng)之際，我們對那位頂級人工智能學(xué)家停止了專(zhuān)訪(fǎng)。

　　未題目-1.jpg

　　特倫斯·謝諾夫斯基

　　撰文 | 吳非

　　20世紀80年代，間隔人工智能概念的提出已顛末去了*0年。那時(shí)，該范疇的支流學(xué)者正在“符號主義”的指點(diǎn)下苦苦掙扎。他們試圖通過(guò)編程實(shí)現人工智能，但收效甚微，始末無(wú)法處理計算機視覺(jué)、語(yǔ)音合成等現實(shí)問(wèn)題。顯然，人工智能不斷沒(méi)有找到準確的開(kāi)展標的目的。

　　那時(shí)，兩位初出茅廬的年輕人——特倫斯·謝諾夫斯基（Terrence Sejnowski）和杰弗里·辛頓（Geoffrey Hinton）——意識到，當前的思緒不會(huì )帶來(lái)實(shí)正的打破。他們從大腦中獲得啟發(fā)，起頭測驗考試構建神經(jīng)收集，讓人工智能自我進(jìn)修。

　　很快，那些挑戰權勢巨子的“異端”得到了回報。他們創(chuàng )造了一種隨機生成神經(jīng)收集——玻爾茲曼機，而且證明人工智能能夠用于處理現實(shí)問(wèn)題。那些打破奠基了人工智能的開(kāi)展標的目的，也讓人工智能從邊沿走向舞臺中央。

　　如今，謝諾夫斯基那位當初挑戰權勢巨子的年輕人，已經(jīng)成為全球最聲名顯赫的人工智能科學(xué)家之一。身為美國國度科學(xué)院、美國國度工程院、美國國度藝術(shù)與科學(xué)學(xué)院、美國國度創(chuàng )造學(xué)院的“四院院士”，被稱(chēng)做“深度進(jìn)修前驅”的謝諾夫斯基仍然站在摸索人類(lèi)智能的最前沿，并做為參謀委員會(huì )成員參與了美國“BRAIN”腦方案的標的目的造定。

　　在研究之余，謝諾夫斯基也持久努力于科普。就在去年，謝諾夫斯基的新書(shū)《深度進(jìn)修：智能時(shí)代的核心驅動(dòng)力量》出書(shū)問(wèn)世。

　　image.png

　　2019年11月下旬，在謝諾夫斯基在北京參與講座活動(dòng)之際，我們對那位頂級人工智能學(xué)家停止了專(zhuān)訪(fǎng)。在一個(gè)小時(shí)的扳談中，謝諾夫斯基以高漲的熱情講述了他親歷的人工智能早期開(kāi)展過(guò)程，以及對人工智能現狀與將來(lái)的觀(guān)點(diǎn)。

　　《全球科學(xué)》：上世紀70年代，當你涉足AI范疇的研究時(shí)，學(xué)界的支流思惟是“符號主義”，試圖通過(guò)編程實(shí)現人工智能。在那種情況下，你和辛頓為什么會(huì )對峙研究在其時(shí)置之不理的神經(jīng)收集？

　　謝諾夫斯基：關(guān)于計算機科學(xué)家來(lái)說(shuō)，符號主義是很天然的設法。因為計算機的運算是二進(jìn)造的，它的邏輯長(cháng)短0即1。

　　而我們的曲覺(jué)是基于以下兩點(diǎn)：起首，復雜的現實(shí)世界不是“非黑即白”的，存在良多維度。而用二進(jìn)造的邏輯描述世界，往往會(huì )得到錯誤的成果。

　　其次，更重要的原因，來(lái)自我們對大腦的察看。從對大腦的研究中，我們獲得了啟發(fā)。我們意識到，大腦與計算機的運做體例判然不同：大腦中有大量并行的信息處置，無(wú)論是整合信息，仍是做出決定，都是基于數據統計產(chǎn)生的可能性，而不長(cháng)短黑即白的。

　　因而，我們產(chǎn)生了如許的曲覺(jué)：我們要尋找的AI架構，應該能表現出大腦中的上述特征。為此，我們從最簡(jiǎn)單的構造動(dòng)手。我們最后研究神經(jīng)收集的目標，只是想摸索如許一個(gè)問(wèn)題：操縱與大腦類(lèi)似的構造，計算機能夠完成什么使命。于是，做為前驅者，我們起頭為人工智能摸索新的開(kāi)展標的目的。

　　其時(shí)，人工智能的概念已經(jīng)提出了*0年，人們都在符號主義的框架中開(kāi)展研究，停頓很不盡如人意。我很清晰，那些科學(xué)家大大低估了問(wèn)題的難度。我們意識到，我們需要的可擴展構造必需是并行的。若是在某個(gè)時(shí)刻只能處置一條指令，那么它的低效率必然會(huì )成為瓶頸。而若是要做大量并行計算，需要數千億個(gè)神經(jīng)元，那就是人類(lèi)大腦中的情形。

　　其時(shí)，AI范疇的權勢巨子包羅麻省理工學(xué)院的馬文·明斯基（Marvin Minsky）、斯坦福大學(xué)的約翰·麥卡錫（John McCarthy），還有卡內基梅隆大學(xué)的科學(xué)家。他們擁有一切資本，有所有的經(jīng)費、學(xué)生，他們具備了一切，唯獨貧乏準確的設法。其時(shí)我們還很年輕，我們覺(jué)得到我們走在準確的標的目的上。那就是我們所做的。

　　《全球科學(xué)》：神經(jīng)收集開(kāi)展的轉折點(diǎn)是什么？其他研究者何時(shí)起頭意識到，神經(jīng)收集可能是更有效的處理體例？

　　謝諾夫斯基：在我看來(lái)，我們上世紀80年代所做的工做，更多的是一種原理驗證。我們證了然，為多層神經(jīng)收集創(chuàng )建進(jìn)修邏輯是可行的，而在此之前人們認為那是不成能實(shí)現的。那長(cháng)短常重要的停頓。其時(shí)的計算機還不敷以處理實(shí)在世界的問(wèn)題，所以我們其時(shí)的論證，只是利用很小的數據庫，做一些類(lèi)似玩具的演示。

　　但一個(gè)破例是語(yǔ)音合成：輸入字符串，輸出語(yǔ)音。我們在198*年實(shí)現了那個(gè)功用，那也是神經(jīng)收集進(jìn)修的首個(gè)現實(shí)應用。在英語(yǔ)中，語(yǔ)音合成是個(gè)很難的問(wèn)題。不測的是，我們構建的神經(jīng)收集只包羅幾百個(gè)單位，但已經(jīng)能做得很好了。那些詞匯屬于符號，但他們（其時(shí)的支流AI學(xué)者）用符號主義卻無(wú)法處理任何語(yǔ)言問(wèn)題。

　　那個(gè)收集的漂亮之處在于，它提取的是詞語(yǔ)間的語(yǔ)義學(xué)信息。有些詞匯的含義很豐碩，那是我們交換的根底。我們將詞匯視做底層，它們與其他詞匯的關(guān)系，照顧了特定的含義。那可能是新舊AI系統更大的區別：我們創(chuàng )建的新系統基于十分復雜的深度進(jìn)修收集中的高維構造，能夠通過(guò)進(jìn)修創(chuàng )建。

　　《全球科學(xué)》：在那之后，一些研究者起頭將研究標的目的改動(dòng)為神經(jīng)收集？

　　謝諾夫斯基：是的，但更大的轉折點(diǎn)是在2012年，辛頓和他的兩個(gè)研究生在李飛飛創(chuàng )建的ImageNet圖像識別角逐中，運用深度進(jìn)修大幅提拔了圖像識此外準確率。那是一次龐大的飛躍，相當于20年的計算機視覺(jué)研究。那是通過(guò)進(jìn)修實(shí)現的，而不是編程。

　　因而，那是在差別的框架中，完全差別的思慮體例。計算機科學(xué)家老是通過(guò)編程來(lái)處理問(wèn)題：寫(xiě)下一段代碼，如許就得到一個(gè)算法。但問(wèn)題是，在面臨計算機視覺(jué)或語(yǔ)言等復雜問(wèn)題時(shí)，那種非黑即白的邏輯十分懦弱。

　　但進(jìn)修能夠帶來(lái)額外的獎勵。獎勵是什么？若是你有了數據，你不需要本身理解它，因為算法幫你處理了。它可以根據人類(lèi)的體例進(jìn)修。正如你懂漢語(yǔ)，但你不曉得你是若何學(xué)會(huì )漢語(yǔ)的。

　　那恰是我們的企圖：進(jìn)修是AI缺失的一塊，它很難被拆進(jìn)簡(jiǎn)單的法式框架，但卻很容易被放進(jìn)神經(jīng)收集中，那也恰是天然的處置體例。天然界用了數億年演化出十分高效的戰略來(lái)處理問(wèn)題，我們能夠從中受益。每個(gè)物種都能處理差別的問(wèn)題，我們需要理解那些。神經(jīng)科學(xué)的研究開(kāi)啟了全新的標的目的。

　　《全球科學(xué)》：如今，人工智能系統起頭在差別的范疇闡揚感化，例如一些AI檢測特定疾病的準確率，可能比人類(lèi)專(zhuān)家更高。你認為，AI會(huì )在某些范疇代替人類(lèi)嗎？

　　謝諾夫斯基：我認為AI與人類(lèi)不是代替與被代替的關(guān)系，它們是兩個(gè)差別的選項。所有的證據都表白，AI將成為人類(lèi)的同伴。例如，醫生有著(zhù)豐碩的經(jīng)歷，能夠從數據中發(fā)掘出愈加復雜的工作。而AI的才能范疇很窄，只能間接獲取數據中的信息。在《深度進(jìn)修》那本書(shū)中，我舉了如許一個(gè)例子：通過(guò)深度進(jìn)修收集診斷皮膚疾病。關(guān)于皮膚科醫生來(lái)說(shuō)，診斷皮膚病變是極具挑戰性的使命。差別的皮膚病變有超越2000種，醫生需要給出診斷，判斷病變是良性的，仍是有致癌風(fēng)險的。

　　一篇頒發(fā)于《天然》的論文，就用包羅了兩千種皮膚病變的14萬(wàn)張圖像，對深度進(jìn)修收集停止訓練。顛末訓練的AI系統預測病變的準確率到達92%，那一數字與一組顛末專(zhuān)業(yè)訓練的人類(lèi)專(zhuān)家持平。那個(gè)案例告訴我們，通過(guò)海量的數據，我們能夠訓練AI，用于處理很復雜的問(wèn)題。但是，無(wú)論是AI仍是人類(lèi)，準確率都停留在92%。能夠做得更好嗎？

　　于是，他們做了另一項試驗：讓一組醫生利用先前的AI系統協(xié)助診斷，那時(shí)準確率到達了98%。

　　《全球科學(xué)》：所以，AI能夠用做醫生的東西。

　　謝諾夫斯基：完全準確，那時(shí)診斷的錯誤率從8%降至2%，那是龐大的前進(jìn)。AI能夠帶來(lái)相對獨立的信息，那些信息與醫生的經(jīng)歷連系，可以提拔整體表示。我認為那將是將來(lái)的圖景：醫生不會(huì )被代替，他們能夠在A(yíng)I的協(xié)助下做得更好。人們喜好非黑即白的思慮體例，但現實(shí)上，合做才是處理問(wèn)題的更有效體例。

　　《全球科學(xué)》：我們曉得，你是美國腦方案參謀委員會(huì )的一員，能夠聊一下你在美國腦方案中的工做嗎？

　　謝諾夫斯基：美國腦方案始于201*年，由奧巴馬政府倡議。該方案要處理的重要問(wèn)題之一，是尋找可以有效記錄大腦活動(dòng)的東西。我們的大腦顛末數億年的演化，構成了擁有上千億個(gè)神經(jīng)元、萬(wàn)萬(wàn)億神經(jīng)元毗連的復雜構造。按照傳統的手段，微電極一次性只能記錄少量（例如幾百個(gè)）神經(jīng)元的活動(dòng)，但我們需要領(lǐng)會(huì )對象有上千億個(gè)。

　　做為參謀委員會(huì )成員之一，我和其他專(zhuān)家討論了腦方案的7個(gè)次要目的。此中之一，就是能同時(shí)記錄大量神經(jīng)元的活動(dòng)。如今，10年方案已顛末了一半，我們已經(jīng)可以運用光學(xué)手藝和微電極陣列，一次性監測數萬(wàn)個(gè)神經(jīng)元活動(dòng)。那為思慮大腦的工做體例，供給了全局的視角。我們能夠更好天文解神經(jīng)元若何彼此感化、信息若何傳遞。

　　為了將我們測得的小范疇成果放大到更大的腦區，深度進(jìn)修需要參與此中。關(guān)于神經(jīng)元和突觸的輪廓、差別區域間的毗連體例，利用人類(lèi)已經(jīng)測出的數據訓練，AI能夠大幅增加我們重建的神經(jīng)元數目。如今我們能夠重建出包羅數十億個(gè)突觸全球科學(xué)，厘米標準的皮量區域。因而，我們看到了有趣的一幕：我們大腦的聰慧締造了AI，AI反過(guò)來(lái)又幫忙我們理解大腦。因而，生物學(xué)與算法最末會(huì )聚在一路，彼此進(jìn)修，幫忙實(shí)現目的。

　　《全球科學(xué)》：一些學(xué)者的概念是，將大腦的完好構造模仿出來(lái)，就能理解智能。你同意如許的概念嗎？

　　謝諾夫斯基：現實(shí)上，那是個(gè)很有趣的問(wèn)題。19*8年，悉尼·布倫納（Sydney Brenner）就已經(jīng)重建了包羅*00個(gè)神經(jīng)元的渦蟲(chóng)的腦。但那其實(shí)不能告訴我們，它們是若何工做的。那就像是線(xiàn)路圖，但你必需掌握它的信號，需要記錄神經(jīng)元活動(dòng)、突觸是處于興奮仍是按捺形態(tài)。如今，我們可以在提取出“線(xiàn)路圖”的同時(shí)，記錄此中的神經(jīng)元活動(dòng)。兩者都很重要，如今我們已經(jīng)兩者兼具了。

　　《全球科學(xué)》：除了你正在參與的美國腦方案，其他國度也開(kāi)展了一些腦科學(xué)項目：中國的腦方案剛剛起步；歐盟的人腦方案開(kāi)展了*年，但碰到一些障礙。能夠聊聊你對那些項目標觀(guān)點(diǎn)嗎？

　　謝諾夫斯基：我是歐盟的人類(lèi)腦方案的科學(xué)參謀，因而我曉得那個(gè)項目標確遭遇了費事。歐盟的人類(lèi)腦方案更多的是一個(gè)計算機科學(xué)項目，而不是腦科學(xué)自己。那個(gè)項目標大量經(jīng)費并不是用于開(kāi)展腦科學(xué)試驗，而是用于建造數據庫。計算機科學(xué)家正在設想那些大型計算系統，此中的芯片擁有大量類(lèi)似神經(jīng)元的處置單位。顯然，如許的研究具有重要價(jià)值，所以我相信歐盟的項目在計算機方面將收成好的成果。美國的腦方案已經(jīng)十分勝利了，它拔取了差別的研究標的目的：開(kāi)發(fā)用于研究大腦的東西與手藝。因而能夠說(shuō)，那兩個(gè)方案是互補的：美國的項目獲取數據后，歐盟的能夠停止數據闡發(fā)。

　　《全球科學(xué)》：因而，那些差別的項目聚焦的標的目的差別，但都將在腦科學(xué)那個(gè)問(wèn)題上闡揚感化。

　　謝諾夫斯基：沒(méi)錯，要理解大腦如許復雜的構造，我們需要大量差別的才氣。因而我們看到，每個(gè)國度的研究標的目的都有所差別。包羅中國，雖然中國的腦科學(xué)方案還沒(méi)有官方頒布發(fā)表，但根本能夠確定，中國將重點(diǎn)研究靈長(cháng)類(lèi)的腦科學(xué)，而AI將在那類(lèi)研究中飾演重要角色。那也是區別于美國、歐盟腦方案的一點(diǎn)。

　　《全球科學(xué)》：你若何對待AI的將來(lái)開(kāi)展？在你看來(lái)，AI的下一個(gè)階段是什么？

　　謝諾夫斯基：對將來(lái)停止預測很困難，將來(lái)老是復雜、充滿(mǎn)未知的。AI的前*0年缺乏安穩的根底，只要很懦弱的符號。他們不曉得本身在做什么，沒(méi)有準確的東西、準確的數學(xué)。

　　我說(shuō)了，他們貧乏安穩的根底。但什么才是“安穩的根底”？我認為是與人的交互，能與人類(lèi)交換。那能夠通過(guò)詞匯，通過(guò)圖像來(lái)實(shí)現。我想，深度進(jìn)修已經(jīng)供給了如許的根底，在現實(shí)世界與計算機之間勝利成立起聯(lián)絡(luò )。所以如今，我們能夠在如許的根底之上開(kāi)展研究。

　　幸運的是，如許的根底是成立在成熟的數學(xué)、物理、工程、生物科學(xué)的根底上。我們享受著(zhù)來(lái)自數學(xué)、物理的所有東西的益處。那將幫忙我們在根底之上，成立愈加復雜的算法。如今我們面臨的是一個(gè)十分年輕的范疇：深度進(jìn)修只要不到10年的汗青，還需要數十年才氣走向成熟。我們有一個(gè)很好的起步，但必需遲緩地前進(jìn)。從原理驗證到可靠的現實(shí)應用，老是要破費數十年。在此期間，我們需要十分隆重，因為在創(chuàng )建新事物的過(guò)程中，可能會(huì )有意料之外的成果。所以我們需要期待，確保那些停頓對人類(lèi)是平安的。

　　本文為為小我進(jìn)修、科學(xué)研究（科學(xué)普及）或者賞識用，本文僅代表做者概念，僅用于分享交換用，若有侵權請告知將立即刪除