设置
  • 日夜间
    随系统
    浅色
    深色
  • 主题色

美国“四院院士”:人工智能将成科技的最大风口

2019/7/27 17:13:49 来源:新浪科技 作者:河雨 责编:孤城

7月27日消息,2019年GMIC全球移动互联网大会在广州举行,在院士AI论坛上,美国“四院院士”(国家科学院、国家医学院、国家工程院、国家艺术与科学学院)、美国索尔克生物研究所计算神经生物学实验室主任特伦斯•谢诺夫斯基教授发表了题为《人工智能,将成科技的最大风口》的演讲。

特伦斯•谢诺夫斯基提到,过去200年,各种技术层出不穷,这样的技术深刻影响我们生活的方方面面,人工智能未来也会影响人类的发展。

人工智能,这个名词从1956年诞生,目标就是模仿人工智能在机器上实现,这是一个非常大的目标,但目前人类仍然远远没有达到如此的目标。

人类大脑里大概有上千亿个能平行工作的神经元,而电脑却不一样,它有处理器的,有内存,特伦斯•谢诺夫斯基表示,深度学习的灵感就是来自大脑运作机制。

特伦斯•谢诺夫斯基介绍说,深度学习能够在计算机识别方面,可以把误差率下降20%,这是经过很多年才有这样的成果,虽然对于某一些图像依然无法准确识别。

以下为演讲全文:

大家好。这是我第一次来到广州跟大家进行演讲,也是我首次参加GMIC,现在人工智能给科学发展起着推波助澜的作用,如虎添翼。引用莎士比亚的剧目中,莎士比亚的世界是跨文化、跨国界的,今天我们讨论的也是非常普适的内容。

首先我们回顾一下过去250年,从工业革命发展之初,我们从英国的工业革命兴起,蒸汽机的发明增强了人类使用动能的能力,一个蒸汽机取代了一百个劳动力,大部分世界人口当时仍然在农场进行手工劳动,这样的一些手工劳动都被蒸汽机取代了,就像美国已经高度自动化,从回到工业革命的时候蒸汽机的发明也是如此,大程度替代了很多人工劳动力,工业革命也带来人口迁移,从乡村转移到城镇,工业革命对于社会带来极深远的影响,过去200年可以看到,这样一些工业革命、科学技术大程度的使用,各种技术层出不穷,这样的技术深刻影响我们生活的方方面面。

当然也有不少缺陷,几十年来,比如说工业革命时期的伦敦,有着大量的雾霾、烟尘,因为使用了以煤为驱动的蒸汽机导致的,而且在煤厂工作的煤炭工也饱受呼吸疾病的折磨,这是技术带来便利的同时要面临的挑战,怎么在进行空气治理,减少呼吸疾病,是一大挑战。

技术发展的同时,也需要处理技术带来的后果,现在我们面临的技术人工智能也不例外,大家听到的很多热点科技词语,我给大家简单介绍一下,人工智能,这个名词从1956年诞生,目标就是模仿人工智能在机器上实现,这是一个非常大的目标。我们现在仍然远远没有达到如此的目标,人工智能范畴内,其中一个子范畴快速增长,下一位演讲嘉宾会给大家细述机器学习,机器学习是以另一种方向发展人工智能,过去是编程,你能编程说明你已经有了这样一个领域的知识去解决这个问题,而且解决问题的形式是通过编程,所以你能编程已经是这个领域的专家。

机器学习路径是不一样的,我们通过大量收集数据,通过机器进行学习,利用数据结构化进行学习,比如说学习一些图像对象、语言、词语序列等等,在机器学习范畴,又有另一个方法学,就是特定算法,是受到大脑启发触动的一个方向,我们大脑是非常复杂的一个设备,收集信息,有数千亿的脑神经元,将信息传递,比如说在场这么多人,通过上千亿脑神经元大脑进行信息处理,再将信息传递给在座各位。我们目前仍然不了解大脑内部运作,稍后给大家详解这一块的内容,但是我想说深度学习的灵感就是来自大脑运作机制。

学习与编程的权衡,红线是编程线,如果要雇一个程序员给你解决问题,这个成本是逐年增加的,1980到2040年成本是逐年增加的,编程员是很贵的,而且需要的是专家级编程员。所以相对来说,从发展开始,我们的机器学习,从上世纪80年代开始,成本非常高,电脑非常贵,但是现在人工智能、机器学习成本不断向下,2012年机器学习算法跟编程成本大致相同,从2012年开始就逐年下降,我们使用不同的数据组,不需要完全熟悉了解这个领域的知识,不需要完全了解这个对象,但是如果获得大量实例数据,我们机器可以通过特定的学习算法不断解决困难,我们使用神经网络处理系统在30年前就提出这样的理论,就是神经网络模式。

脑神经网络可以有效处理复杂的数据组,也可以有能力处理上亿的图像数据,我相信在座各位对于阿尔法狗大战是非常熟悉的,2017年打败了柯洁世界围棋冠军,当时震惊时间,不仅仅因为打败世界围棋冠军这么复杂的运动,同时人类还有很大的共鸣,认为机器打败人类,超越人类了。

之前在阿尔法狗打败世界冠军前,认为机器可以学得很好,但是仍然不能打败人类。我们用柯洁说的话,去年跟阿尔法狗对话,觉得它的下棋方式非常接近人类,今天已经像围棋之神一样在下棋,它每一步下棋的章法非常创新,是之前棋盘没有出现过的,非常创新,如果是人,我们称之为围棋天才。因为是通过人工智能,阿尔法狗出现创新下棋之举,所以也可以看到通过AI机器学习,机器也可以实现超神一般的创新。

人类大脑机制,非常简单的一个版本,大脑里有很多神经元,大概上千亿的,它们是平行工作的,这和数字化电脑不一样,因为电脑是有处理器的,是有内存的,而且这两个硬件都有瓶颈。记忆实际上是在神经元之间的连接,也就是突触当中存在,实际上十的十次方的神经元有十个十次方个连接,而且大脑里突触数量非常巨大,也就大脑内存是很巨大的。可以储存非常多的一些数据,这是大脑的好处,问题是人脑是毫秒级传输速度,所以和电脑比慢很多,因为在自然中,我没有这么多处理层,而且电脑计算速度更快,实际上我们居住的世界就是毫秒级的世界,不需要这么快的速度,我们在大脑中的信息传递是非常复杂的过程,还有就信息的储存、处理等等,让我们解决非常多的问题,这才是非常关键的。

还有一些挑战,比如说有很多神经元,有突触等等,最终是围绕着中枢神经系统,这是最重要的一个器官。我们要知道某一个连接的改变是否会改变信息的输入和输出,如果把这个连接改变了,就会受到影响,当时杰弗里和我一起,得出神经算法,也就是怎么样才能让突触处理正确的神经传递,几乎所有的科学家和工程师在这之前觉得这是不可能的,我想告诉一些年轻人,你不要相信专家说的话,因为很多专家总是知道这个事情不能做,但是他不知道这个事情可以做成的方法。所以我们发明了玻尔兹曼机,现在在网络神经学习中还在使用。

深度学习网络是怎样的?这里有各种各样的信息数据,图片、DAN信息等等,这边是输出,可能要对疾病进行诊断,各种各样的输入对于医生来说,看了就可以得出诊断,每一个信息点就是神经节点,最希望有一个架构师能够让这些信息一层层传递到输出端,可以有效的诊断这是什么疾病,比如说帮助病人治病,我们需要大量的病历输入才可以做到这一点。而且必须从已经确诊的病人那里获得信息,这才是有效的输入。机器不是说要去记住这些东西,要将其泛化,因为不同人给出的输入不一样,人脑可以进行非常好的泛化,这是我们希望可以让机器做的事情。

杨立昆是一个架构师,而且受到了视觉系统的启发,大概在上世纪60、70年代的时候,已经有一些生物学家学习了人的视觉系统,所以我们知道在人脑当中,信息是如何流动的,他们来研究了猴子的架构,因为人与猴子有一定的相似性。他们就是卷积神经网络的算法,他们设计了卷机神经网络算法,这边输入信息,将图像和神经元网络进行结合,传输后进行输出,这实际上有猴子的大脑,有一层层的神经输入架构,最上面的是猴子的大脑皮层最上端,一、二、三层等等输入,要怎么样大脑才能解决视觉输入的方法?杨立昆他们设计多层架构,使用早期的卷积神经网络,最终他们就有了识别物体的功能,还有就是网络中的单元,模仿人的大脑,而且有阈值,如果低于这个阈值没有输出,高于这个阈值才有。之后他们也进行了一系列的实验,进行了很多技术上的工作。

2012年的时候,这是ImageNet比赛,是一个深度学习应用,这个网络里面有概率分布,最高的概率Mite是老鼠,我可能猜不出是虫,可能以为是蜘蛛。这是它猜对了,这是一个小型摩托,后面猜对了是豹,上面都是猜对了的,图像可以很好的识别出来。下面这些就是没有猜对的图片,这是敞篷车,有人说这是散热器的罩,问另一个人,就说这是敞篷车,不同人看到的是不同面。第三幅图识别出是樱桃,实际上上面是狗,最后是madagascar猫,其实这并不是猫,人类识别是错误的,电脑识别出来是猴子。在训练集里标签标错了,所以出现了一些错误,但是实际上在性能级别上,深度学习能够在计算机识别方面,把误差率下降20%,如果能够下降这么多,已经非常厉害了,而且经过很多年才有这成果,对于某一些图像依然无法准确识别。关键要进行不断进行改善、演化。

今年图灵奖颁给我的朋友杨立昆、约书亚•本吉奥、杰弗里•辛顿,这相当于诺贝尔级别了,算对他们在深度学习里非常大的鼓励,而且深度学习现在成了很热的词,去年我写了一本书,总结深度学习发展历史,深度学习是怎么来的,还有学习算法是怎么来的,取得了哪一些成功,有哪一些失败,未来将向何处去,还有偏差带来的一些问题怎么解决等等,未来的挑战,最近这本书翻译为中文,已经有了中文版,就是右边的照片《深度学习》,我的出版商代表也过来了。这本书多少钱呢?待会你们想买一本打折的可以跟她私下谈。

这是我书中的一个章节,皮肤病医生看皮肤病,到底是癌症还只是良性的,已经治疗了两千例皮肤病医生收集的数据,用来做训练集,机器和16个皮肤病学家同场竞技,发现网络表现和医生是并驾齐驱的,诊断率可以达到92%之高,只要有一台手机,只要看到有一块皮肤病就可以拍照,马上可以得到诊断,不需要去看医生,也不需要去付很多医药费,有谁去看过皮肤病的?去医院看皮肤病真的很麻烦,有时候要做出诊断,需要好几个星期,甚至几个月时间,这样往往让病人苦不堪言,这是2017年写的,2018年出版的,现在我们看到有几个例子,这个看起来好可怕,实际上这是良性的,有一个看起来好像没有什么事却是恶性的,所以这要让医生来判断。

今天我在听一个电台节目的时候听到有一个公司,已经提供了这样的服务,如果患病拍照发到他们平台,他们AI系统就可以告诉你现在是否要就医还是说是良性的。有一个女朋友看到她男朋友背上有一些东西,随便拍了照片试一下,发给了这个平台,谁知道就是恶性的,她女朋友救了男朋友一命,因为及时就诊,收费才29美元。这是WAYMO自动驾驶汽车,舆论让你感觉明天就可以做成,其实要做几十年时间,因为有很多路况和复杂因素需要攻克和优化。

这辆汽车搭载了很多雷达和传感器,180度传感器不像我们人类视觉,只能看前方,它可以有180度的视角,无人驾驶汽车应用场景,现在的应用场景非常受限,我们看一下有可能的一些场景,如果我们一键启车,比优步和滴滴更好,可以提高车辆使用率,如果无人驾驶汽车能够实现,可以重新规划停车场和停车道,大量汽车利用率增高的时候,很多车在路上跑,不需要那么多停车场了,我们现在城市遍布的停车场、停车道可以再利用,可以变成公园、自行车专道,很多公司可能要关门大吉了,就是汽车维修店和汽车保险,更重要是可以挽救很多生命,因为疲劳驾驶是导致事故死亡的很大原因。还有酒驾、醉驾这种事件很多,每年高速公路,醉酒导致死亡4万人。

很大的便利是可以节省通行时间,尤其是出行高峰的时候,高峰时候堵车是很堵心的,如果我们使用无人驾驶汽车,都不用开车了,出行时间可以看看报纸,驾驶又完全自动安全,这样可以降低很大的交通事故死亡率。更重要的是我们可以更进一步畅想,盗车时代会被终结。此外还有一些新的就业岗位生成,很多人说卡车司机要失业了,不会的,我们如果使用无人驾驶的卡车,也要人去控制的,他的角色转化为安全监测岗位,这个岗位比开卡车好得多,而且更舒服,现在无人驾驶汽车仍然不能实现,因为有很多极端路况交通控制所以还不能实现,比如说卡车有一些货物掉在路上怎么办?所以我们还吸收有更多的训练数据集训练无人卡车,一旦有这种边远情况案例出现,比如说无人驾驶货载卡车货物掉路上时怎么处理,这些不是说完全没有人监控,我们需要有人监控,机器是监控不了的,所以我们仍然需要人去监控这些无人驾驶的卡车。

还催生另一个新的产业岗位,传感器技术供应链,这是一个全新的供应链,因为我们需要在无人驾驶车辆上边搭载几十亿个传感器,大量数据生成后,我们需要进行数据清理,这些都会催生很多很好的新工作岗位,这一个公司睿金科技来自中国郏县,他们有几千万人专门做数据清理的公司,听上去是挺烦燥的工作,但是比在“煤矿”上工作更好,其实是数据挖煤,这比现实中煤矿挖煤好得多。

接下来举一个语言翻译的例子,语言翻译在中国几千个语种,互相不能理解,所以我们训练机器预计下一个字词出现,这时候不需要分类数据,是非监督学习,这种叫做文字嵌入,如果机器能够训练得很好,我们期望的是学习内模通过自己的活动运算,可以了解和解构整个语义,同时要识别出大写的专有名词,非常有趣。比如说俄罗斯莫斯科这是对应关系,这是一个项量,将这个项量依附于德国,德国对应柏林,这个网络没有任何监督,就可以发现城市首都的关系,还有就是地理位置的关系,这在之前语言学领域从来没有做过,机器学习打开了整个语言学新的理论。

此外,我们机器从翻译上可以做时域序列解读,从底层慢慢学习,可以解读时态,还有语义强度、语气强度,还有增强机器工作记忆,句头首词到句末最后一个词都可以分析。现在谷歌翻译软件,单字单词翻译并不完美,我不想让大家有误解,认为这个网络已经可以理解句子的,不是的,但是比传统的翻译好多了,之前是字对字的硬设,这是行不通的,现在的翻译软件某一些语义是可以理解的,听上去翻译出来的中文或者英文,还是非常的奇怪,但是语义是通的。

我在我的智能手机上有一个翻译软件,是谷歌翻译APP,我相信在座各位也有自己的翻译软件APP,我用它可以使用日文、中文字词,可以翻译为英文,我已经用了很多次了,语音识别可以将中文的语音翻译为英文语音,这在某一种程度已经可以实现了。人类语种翻译是变的,比如说有一个非常有趣的句子:我们的意志力精神,反映我们的意志之力。这是从俄语翻译为英文后反对离题万里,所以我们翻译最重要是语义翻译、句义翻译,20世纪语言学主要领域主要是词法上做很多研究,其实语言最重要的就是语义理解、语义解构,词与词的关系,这些词组排列完后是怎样的意思,这是语义。现在人工智能已经往这个方向深化。

人工智能驱动的翻译技术有多么的神奇,这是我们取得的另一个进展,这是语言网络,有三个语种—英韩日,从英语翻译为韩语、日语都做了实验,但是还没有韩语翻译为日语,有英翻韩、英翻日,但是没有韩翻日,我们做的这个实验已经做了英翻韩、英翻日,能不能韩翻日,某种程度上可以,说明机器可以学习了,在一定程度上通过学习,可以韩翻日,也就是说你的训练更多,语言组越多,训练得越好,网络就可以更加相通,机器的翻译就能够学习得更好。所以我们这种语言学网络,可以给予我们更多的洞见,可以让我们更加理解各语种之间的转化和翻译机理。我们大脑在运算的时候,总是需要大脑海马体和皮层运作,我给大家分享一个概念,就是强化学习,怎么样通过增强学习达成目标,这个模式就是阿尔法狗怎么打败柯洁的秘密。

我再分享一点,最近在无监督学习中的一大突破,前提是需要大量数据组,我们把网络里面输入了很多名人图像,很多都是西方人,为什么看起来都像名人呢?这个网络很厉害,它实际上可以生成关于名人的新的图像,之前是没有存在过的,所有的图片都是不存在的,只是给出的案例中依据自动生成的,而且可以生成很多图像,但是这些都不是真实的人,都不是真实存在的,还可以不断的继续下去,所以这个例子就向我们展示了未来,生成性的网络,就像我们的大脑,我们大脑也会不断生成信息,我们坐那里,就会有各种各样的想法出现。

现在我们到哪一步了?还是在初期,就好象是莱特兄弟做了第一台飞机的时候,离喷气式飞机还有很长一段路要走,莱特兄弟几年前出了一本关于他们的传记,很好看,里面写着说莱特兄弟研究鸟很久,因为鸟可以飞过千山万水,不用经常拍动翅膀,而且他们对于空气动力学非常感兴趣,还建立了风动,所以莱特兄弟本质上就是工程师,我们从自然当中可以学到很多东西,莱特兄弟研究了自然,研究了鸟,然后他们发现大自然是这样解决问题的,而且要解决这些困难的问题并不难,大自然已经会了,大自然中已经蕴含着解开这些奥秘的钥匙了。我们还处于很早期的阶段,但是也在不断的进步,去年12月的时候,在蒙特利尔有100万人参加了会议,接下来12月我们觉得应该会有4万人来参加这个大会,我相信2020年来参加这个会议的人会更多。

非常感谢各位的参与,感谢各位的聆听,我们还处于人工智能早期阶段,还有很多问题需要解决,我们也看到了非常令人兴奋的成就和成果,恐怕有一些问题要花很多年才能解决,但是实际上有一些问题像自动驾驶汽车不能说以年来解决问题的,而是以十几年时间来计算,有时候需要几代人努力,但是回顾一下工业革命,这不是一夜之间发生的,而是经过几代人努力才实现的,所以各位的孩子就会从你们手中接过这个成果,从充满AI的世界中长大。那时候就像大家看到飞机一样,人工智能会非常的普遍,谢谢各位。

注:根据速记整理,未经特伦斯•谢诺夫斯基审校

广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家所有文章均包含本声明。

软媒旗下网站: IT之家 辣品 - 超值导购,优惠券 最会买 - 返利返现优惠券 iPhone之家 Win7之家 Win10之家 Win11之家

软媒旗下软件: 魔方 云日历 酷点桌面 Win7优化大师 Win10优化大师 软媒手机APP应用