《教父》:谷歌AI AlphaGo直觉神经网络接近大脑

神经网络接近大脑/e5f6c9e9b7d75fbb6dbc71a30840ce27-0.jpg”/>

当Google AlphaGo人类在顶级球员来说,人工智能更加进入公众视野。深度和可能的隐患,讨论的话题。

即使领导人之间的科技,正好相反。麝香说“我们会远远落后于人工智能,这最终成为人工智能宠物。”另一方面,字母,董事长施密特先生说:“如果你担心人工智能在智商比人类,然后消灭人类,必须你看科幻电影。”

在几天前,《福布斯》记者彼得干草(Peter干草)人工智能的教父杰弗里•辛顿(Geoff辛顿)的采访中,他谈到了很多关于人工智能。在他看来,大脑,附近的神经网络是人工智能热不是因为技术和原则,所谓的隐患更公正科学的政治问题。他透露,AlphaGo直觉。

辛顿早在1970年代初开始工作在人工智能研究中,是一个名副其实的AI先锋。在苏塞克斯大学(英国)、加州大学圣地亚哥分校剑桥大学、卡内基梅隆大学和伦敦大学学院,现在多伦多大学的名誉教授。他已经获得了加拿大国家研究奖在机器学习领域,联邦政府的最高荣誉的奖项科研、和金融援助。2013年3月,辛顿公司被谷歌收购,它还将加入谷歌。

以下的主要内容:

大脑神经网络

数据显示,多伦多大学的高:你一直致力于探索一种有效的学习算法的深度,就像人类的知识获取,从一个大型和梳理多维数据的复杂结构set.I想邀请你关于这方面的你的意见,你在多伦多大学和谷歌的日常工作。

辛顿:我们的大脑,不用说,非常擅长处理和理解多维数据,比如信息来自视觉神经是数以百万计的重量和速度随时间变化的。每次我们看到一个场景,大脑可以帮助我们正确的解释。如果我们看到大象,大脑没有解释这是一只狗。但是在实验室中,神经网络系统偶尔我们理解错误。然而,在绝大多数情况下,我们的技术可以准确地理解输入代表一个多维的意义。与神经网络学习的数量的增加,精度会有所改善,这是一个传统计算机无法到达,我们正接近人类的大脑。这和简单的维度较低,少量的训练数据,一些简单的模型的参数从统计的角度数据挖掘本质上是不同的。

吸引我的大脑是远远超过它的参数训练数据,所以现阶段人工智能网络不能说这是一个巨大的成功。在这个阶段,我们可以做我们的神经网络系统是一个很好的方法来处理数以百万计的重量和数以百万计的训练数据。有时,一个亿万富翁也可以处理得很好。但是我们不喜欢人类的大脑,参数的数量远远超过训练数据的数量。输入的每一秒,人类大脑处理大约一万参数。,人类的大脑是这样一个巨大的系统是如何工作的,以及它是如何分析数据,我们也很少。

干草:宏观视图,在人工智能的发展,你认为我们已经达到的阶段吗?

辛顿:我想我们已经跨过了一个重要的门槛。直到最近,大多数的从业者在人工智能领域是通过逻辑来处理人工智能技术。这种人工智能是基于逻辑推理的水平,说的意义结构或内部使用的符号。现在我们有巨大的神经网络,一切都改变了。我们的策略是利用向量来代表的内部意义巨大,但也不再与逻辑推理的方法。我们正在做巨大的神经网络学习,不再需要编程的干预。以前,人们觉得这是一个寓言。

举个例子,一串英文字母及其对应的法语字符的字符串,如果有足够的一连串的话说,神经网络系统可以自动获得这两种语言,如果你给它一个英语句子,它可以给法国带来基本的和正确的英语。现在的技术还不是很成熟,但神经网络系统已经能够掌握方法的核心,但它仍有待改进的速度,我相信很快这一技术能够付诸实际应用了。20、30年前,人们会认为这个想法太荒谬,机器学习一种语言,当然,你需要大量的语义,常识等信息编程。如果只根据一些数据,但这些数据不包含的实际知识语言,让机器完全从稀薄的空气中,白痴,自动学习,这听起来有点好笑。现在,模仿介绍了神经网络的概念,这个想法听起来不是那么傻,因为大脑是它是如何工作的。所以我说,我们已经突破一个重要关口。现在人工智能社区大部分人,尤其是年轻人,都相信如果你想要一个系统用数百万位为计量单位的知识,最好的方法是让自己的研究,是通过手动输入。

干草:那你的逻辑方法,因为从这个疯狂的幻想走到边缘的核心技术,而且在发展和技术越来越规范。

辛顿:是的,在此之前我们中的许多人认为,如果有足够的计算能力和数据,现在的想法我们就能实现。我们的技术越来越成熟的现在,如果你能得到更多的劳动力,更大的数据集,所以我们的模型还可以不断优化。这就需要在编程时间是不能做任何事,所以神经网络系统都比以前更先进的人工智能算法。

认为人工智能的结果对大脑的工作机制的信心

海:我觉得这是令人惊叹的,你从1970年代开始研究人工智能。你在1978年获得了博士学位在爱丁堡大学的人工智能,因为计算机的发展水平的限制,你的研究也被屏蔽。在这段时间你不需要反对者解释,即使他们可能成为你的同事,投资者,或可能在其他方面帮助你。不知道现在人工智能研究二十几岁的人意识到他站在巨人的肩膀上,和这些巨头真正有远见的人,在路上排除所有障碍。你能谈谈你的动机是什么,让你获得博士学位后在人工智能将仍然需要得到你的未来职业发展方向的研究,毕竟,当时,如果你是从事人工智能产业,成功的可能性不太大。

辛顿:我认为原因在于,大脑必须有它的工作机制。大脑是如何学习呢?神经元是如何使用操作极其复杂的简单的事情吗?我的主要动力来源,我相信大脑的运行机制和数字计算机的运行机制,当然是不一样的,因为没有人在你的大脑编程。

我记得1973年,当有人向我解释,神经网络系统将永远不会发生。他们说:“递归算法的神经网络不能运行。当时,递归算法的本质是被视为智力。看来我只能给他们看的。所以我开始向他们展示,怎样真正的递归神经网络算法。真正的递归我的意思是如何使用节点之间的连接强度做点什么。例如,我们想要理解这句话:约翰不喜欢这项法案,因为他是不礼貌的玛丽。理解这里的条款“他粗鲁的玛丽”部分,我们将使用“他粗鲁的玛丽。”这句话作为一个独立的句子理解使用时神经节点和链接。所以我需要做的是存储在当前位置,开始理解条款,留下的主要条款,然后回来。我想展示,所以我将这个神经网络系统,没有它。所以我开始建造这能做真正的递归神经网络系统,通过设立临时重量记录在神经节点信息。我记得当我告诉我的团队提到过这个想法,但是他们不理解我为什么做这事。有趣的是,我想要打破当时的问题,现在变得非常流行技术。为什么几年前,因为我们想要探索人类如何自主学习,这个问题会弹出。所以人类花了40年意识到神经网络是我们想解决这个问题。

多学科专家神经网络的深度

干草:你在2004年建立了神经计算和自适应感知(NCAP)项目,计算机科学家、生物学家、电子工程师和心理学家、神经科学家,物理学家在一起,复制人类的大脑机制。需要大量的学科知识作为支持。你可以找到一些关于这些主题的世界级大师,建立组织的故事吗?

辛顿:没有人是必要的是所有这些领域的专家,这是太难了。你所需要的是找到一个领域的专家,然后告诉他是什么项目。所以你可以问他问题,节省您的时间读取数据。你发现了一个神经科学家,例如,你可以问他,比如:“从一个点到另一个点有一个正向投影和反投影,然后有多少神经元参与这个戒指吗?从许多突触之间传输信息可以通过循环回到起始点?“理解类似这种问题你自己,你需要大量的时间来检查这些文件,你不知道你是指文档可以被信任。如果你有一个专家的帮助,只是问他,他会给你答案。的团队在各领域的专家是非常必要的,可以节省时间,减少弯路。

干草:程序NCAP的邀请,也许只有几个关键成员的跨学科和你知道,就像你刚才说的,你都知道组织建立的好处,可以节省时间和工作和不同学科的人。你能谈谈建立组织的过程中,你如何工作在多伦多大学的教授,在NCAP的研究?

辛顿:首先,我不想在建立NCAP那么多,我只是把我所知道的可以一起合作。标准有三个候选人:聪明,知道沟通合作,对神经系统是如何工作这事感兴趣。因为我一直在研究多年,积累了大量的人脉在这方面,当我们在一起,然后我们发现,唉,合作也很好。

干草:自2004年以来,越来越多的计算机操作能力,它肯定非常有助于你的学习。所以你认为,NCAP的当前研究成果是什么?

辛顿:NCAP有很多科研成果到目前为止,不仅是一个神经网络,我们总感觉和运动控制领域的研究。一个最具影响力的研究成果也属于神经网络的深度。2004年左右,业内人士普遍认为包含多个变量的神经网络训练是非常困难的,大多数人也认为NCAP通过纯粹的监督和培训无法构造神经网络。所以有机会说,历史的发展,我们开始把注意力集中在非监督培训:如何不知道整个网络的前提下输出应该正确的结果,一步一步进行训练。每一层是层结构和数据建模,下面是我们所说的培训。这是一个可以深度学习一个重要的突破,继续使用这种技术,神经网络的深度研究要容易得多。

后,发现如果你有足够的劳动力和数据支持,深度研究神经网络可以的。大多数时候你有很多的数据,如大型演讲或视觉数据的部分,不需要前培训。但正是促使神经网络训练的深度技术继续发展。我们是第一个知道通过培训可以解决的瓶颈,然后找出培训的方式。我认为,因为第一次NCAP的pre -训练提出了许多其他研究人员使用它作为一个突破。

火不是因为其原理和人工智能技术

干草:采访很多人工智能领域的领军人物,我发现很多让我惊讶,相对较新的组织将着眼于长期,策略是基于长期的考虑,他们更有可能选择不指望短期回报投资者。有很多组织成为非营利组织,这可能导致他们的技术研究和发展作为首要任务。真的很少见,也很幸运,所以许多顶尖人才将在继承历史发展目标,而不是短期利润。你怎么看待呢?

辛顿:是的,我有时间说。首先,不仅有技术,有应用程序。现在神经网络火,不是因为它的原则,而是因为它真的能做的事情。语音识别、物体识别、机器翻译等这些应用程序非常震惊,人们更愿意投资于这个方向,支持基础研究在这个领域。

我认为,“营利性”是比“非营利”更复杂,例如,谷歌的钱用来做基础研究的大学,这很好,这是非常重要的对于一个大公司。使得大学毕业生可以使用高质量的,所以大公司愿意花钱去做基本的研究型大学,公司也可以从中受益,这样的关系是很微妙的。

在大学,有很多政治压力,在英国,美国,加拿大,政治压力来研究更多的应用程序。政客们花的钱有很好的理由是这样的:“我们给钱,因为可以回到五年后,可以提供就业机会,或五年后能够盈利。”这不是正常的路线的基础研究。真正有价值的研究必须从未知的好奇心。所以钱大学应用研究在我看来是错误的。我认为大学应该做基础研究,应用程序应由该公司。我们大学研究倾向于应用程序,这是在自然科学领域,是错误的。这只是政治家或一些经理的科学很好,因为很有吸引力。

谈论谷歌的人工智能,AlphaGo与直觉

干草:现在你在学术界和产业界建立应用程序之间的一座桥梁,在多伦多大学的工作,任教的同时也加入了谷歌。我得知你在多伦多大学的时间从早上九点半到下午1:30,可能在谷歌办公室时间是下午2 – 6点。双方注意兼顾。你能谈谈两者之间的联系和不同的职业吗?

辛顿:我在谷歌立场是非常特别的,我不再参与之前,我从事研究工作。我工作在神经网络领域的多年来,所以我有很多的想法生产和是负的。有很多想法是否认的,因为电脑是不够牢固。我现在的工作是提供Google神经网络团队可能会把他们目前的工作老思想的启发,并形成与我多年来的嗅觉的正确的解决方案来帮助他们做事。我现在做的是谷歌为具体应用模式提供基础研究。这和大多数的谷歌员工从事具体的开发工作为特定的应用程序是不一样的。(DeepMind部门部门使AlphaGo),有很多员工做的是寻找新的方法。在神经网络团队,有人会关注基础科学研究和开发新算法的神经网络。

干草:你提到了DeepMind部门,在前面AlphaGo和李se-dol不利于广泛讨论。你认为这个的重要性?标志着现有的科学研究?吸引越来越多的人从事人工智能研究或打开一个公司吗?你能谈谈你的观点在这个问题上吗?

辛顿:AlphaGo有趣的是,它有一个正常的电脑没有的东西,这是直观:观察,然后选择一个正确的地方移动。你为什么选择这里?因为这里的感觉。这是在神经系统和逻辑操作的基础上,人工智能和人工智能之间的区别是理性的。事实上,我们现在要做的是逐渐神经网络覆盖之前逻辑运算AI的应用范围,因为我们现在有一个直观的计算机。

人工智能的隐患

干草:太好了!许多投资者投资提出了人工智能的安全担忧。人们想要确认这一领域的发展,是否可以控制人工智能所带来的隐患。你为人工智能的同时给我们带来了机遇和危险?

辛顿:我将挖掘机进行类比,挖掘机挖洞在路上的速度远远快于人工挖孔,与此同时,挖掘机可以敲你的头。显然,当人们设计挖掘机一直在考虑如何控制它,不要敲的路人。我认为这也是同一领域的计算机。我们发展的人工智能将考虑会发生什么事故时,将邪恶的人正在考虑使用或滥用的可能性。

显然所有的高新技术有可能被滥用,但不会被滥用,这取决于政策和法规。事实上你害怕是政客们利用人工智能作为武器,所以我认为这不是技术本身。无论多么人工智能产业将继续发展,将人类的美好,这取决于政策。像自动答录机,自动答录机出现在那个时候,许多银行的员工,所以我失去了我的工作,然后他们必须有一些投诉。但是现在回头看一遍,没有人会说:“我们不应该启用自动答录机。”因为它是更方便,取代了简单重复的工作。当时被很多人发现更有趣的工作。现在,我觉得这都是一样的。

发表评论

电子邮件地址不会被公开。 必填项已用*标注