Geoffrey Hinton讨论了人工智能如何能够让我们了解大脑

多伦多大学的教师，谷歌脑研究员，以及最近的图灵奖得主杰弗里·辛顿今天下午在山景城谷歌I / O开发者大会的炉边聊天中发表了讲话。他讨论了神经网络的起源 - 以生物神经元为模型的数学函数层 - 以及人工智能的可行性和含义，有朝一日可能像人类一样。

“在我看来，大脑没有别的办法，”神经网络的Hinton说。“[人类]是神经网络 - 我们能做的任何事情都可以做到......比[他们]任何权利更好。”

Hinton过去30年来一直在处理人工智能的一些最大挑战，他被一些人称为“人工智能教父”。除了他在机器学习方面的开创性工作外，他还撰写或合着了200多名同行 - 回顾论文，包括1986年关于称为反向传播的机器学习技术的论文。

Hinton推广了深度神经网络的概念，或者包含上述功能的AI模型，这些功能以相互连接的层排列，传输“信号”并调整连接的突触强度(权重)。通过这种方式，他们从输入数据中提取特征并学习进行预测。

深度神经网络在变形金刚中得到了完善，两年前谷歌研究人员在博客文章和随附文章(“注意力都是你需要的”)中详细介绍了这一点。由于动态计算权重的注意机制，变形金刚在语言翻译任务中可以胜过最先进的模型，同时需要较少的计算来训练。

韩丁承认，创新的步伐甚至让他感到惊讶。“[我不希望]在2012年，在未来五年内，我们可以使用相同的技术在多种语言之间进行翻译，”他说。

也就是说，Hinton认为当前的AI和机器学习方法有其局限性。他指出，大多数计算机视觉模型没有反馈机制 - 也就是说，他们不会尝试从更高层次的表示中重建数据。相反，他们试图通过改变权重来区别地学习特征。

“他们没有做各种级别的特征探测器检查他们可以重建下面的数据，”Hinton说。

他和同事最近转向人类视觉皮层寻求灵感。Hinton说，人类视觉需要一种重建的学习方法，并且事实证明，计算机视觉系统中的重建技术增强了他们对抗对抗性攻击的能力。

“脑科学家们都同意这样的观点，即如果你在感知途径中有两个皮层区域，并且从一个到另一个的连接，那么总会有一个向后的路径，”Hinton说。

要明确的是，Hinton认为神经科学家可以从AI研究人员那里学到很多东西。事实上，他认为未来的人工智能系统大多数都是无监督的。他说，无监督学习 - 机器学习的一个分支，可以从未标记的，未分类的和未分类的测试数据中收集知识 - 在学习共性和对他们的存在或缺席作出反应方面几乎是人类的。

“如果你采用具有数十亿参数的系统，并且你在一些目标函数中进行学术梯度下降，它的效果会比你预期的要好得多......你扩展的东西越大，它的效果越好，”他说。“这使得大脑计算某些目标函数的梯度并更新突触的强度以遵循该梯度更加合理。我们只需要弄清楚它是如何得到梯度的，以及目标函数是什么。“

这甚至可以揭开梦想的神秘面纱。“为什么我们根本不记得我们的梦想?”Hinton在言辞中反复地问道。

他认为这可能与“学习”有关，他在一篇关于玻尔兹曼机器的合着论文中提出的理论中解释道。这些人工智能系统 - 对称连接的网络和类似神经元的单元，可以随机决定是“开”还是“关” - 倾向于“发现......观察到的数据不那么令人惊讶”。

“做梦的全部意义[可能]，所以你把整个学习过程逆转，”辛顿说。

韩丁认为，这些学习可以改变整个领域，如教育。例如，他期待更多个性化的，有针对性的课程，考虑到人体生物化学。

“你会想到，如果我们真的了解正在发生的事情，我们应该能够让教育变得更好，我认为我们会这样做，”他说。“如果你能最终了解[在大脑中]发生了什么，以及它是如何学习而不是适应环境以便你能够更好地学习，那将是非常奇怪的。”

他提醒说这需要时间。在接下来的一个词中，Hinton设想智能助手的未来 - 比如Google智能助理或亚马逊的Alexa - 与用户互动并指导他们的日常生活。

Hinon的预测是在Google和Alphabet的前执行主席Eric Sc​​hmidt最近的一次演讲之后发布的。施密特同样相信，在未来，个性化的AI助手将使用我们的行为知识来让我们了解情况。

“在几年内，我不确定我们会学到多少东西。但是如果你看一下，助手现在非常聪明，一旦助手能够真正理解对话，助手就可以与孩子进行对话并教育他们，“Hinton总结道。

标签： 人工智能