首頁熱門文章
美國“四院院士”：人工智能將成科技的最大風口
發布時間：2019-07-29 分類：趨勢研究
2019年GMIC全球移動互聯網大會在廣州舉行，在院士AI論壇上，美國“四院院士”（國家科學院、國家醫學院、國家工程院、國家藝術與科學學院）、美國索爾克生物研究所計算神經生物學實驗室主任特倫斯?謝諾夫斯基教授發表了題為《人工智能，將成科技的最大風口》的演講。
特倫斯?謝諾夫斯基提到，過去200年，各種技術層出不窮，這樣的技術深刻影響我們生活的方方面面，人工智能未來也會影響人類的發展。
人工智能，這個名詞從1956年誕生，目標就是模仿人工智能在機器上實現，這是一個非常大的目標，但目前人類仍然遠遠沒有達到如此的目標。
人類大腦里大概有上千億個能平行工作的神經元，而電腦卻不一樣，它有處理器的，有內存，特倫斯?謝諾夫斯基表示，深度學習的靈感就是來自大腦運作機制。
特倫斯?謝諾夫斯基介紹說，深度學習能夠在計算機識別方面，可以把誤差率下降20%，這是經過很多年才有這樣的成果，雖然對于某一些圖像依然無法準確識別。（河雨）
以下為演講全文：
大家好。這是我第一次來到廣州跟大家進行演講，也是我首次參加GMIC，現在人工智能給科學發展起著推波助瀾的作用，如虎添翼。引用莎士比亞的劇目中，莎士比亞的世界是跨文化、跨國界的，今天我們討論的也是非常普適的內容。
首先我們回顧一下過去250年，從工業革命發展之初，我們從英國的工業革命興起，蒸汽機的發明增強了人類使用動能的能力，一個蒸汽機取代了一百個勞動力，大部分世界人口當時仍然在農場進行手工勞動，這樣的一些手工勞動都被蒸汽機取代了，就像美國已經高度自動化，從回到工業革命的時候蒸汽機的發明也是如此，大程度替代了很多人工勞動力，工業革命也帶來人口遷移，從鄉村轉移到城鎮，工業革命對于社會帶來極深遠的影響，過去200年可以看到，這樣一些工業革命、科學技術大程度的使用，各種技術層出不窮，這樣的技術深刻影響我們生活的方方面面。
當然也有不少缺陷，幾十年來，比如說工業革命時期的倫敦，有著大量的霧霾、煙塵，因為使用了以煤為驅動的蒸汽機導致的，而且在煤廠工作的煤炭工也飽受呼吸疾病的折磨，這是技術帶來便利的同時要面臨的挑戰，怎么在進行空氣治理，減少呼吸疾病，是一大挑戰。
技術發展的同時，也需要處理技術帶來的后果，現在我們面臨的技術人工智能也不例外，大家聽到的很多熱點科技詞語，我給大家簡單介紹一下，人工智能，這個名詞從1956年誕生，目標就是模仿人工智能在機器上實現，這是一個非常大的目標。我們現在仍然遠遠沒有達到如此的目標，人工智能范疇內，其中一個子范疇快速增長，下一位演講嘉賓會給大家細述機器學習，機器學習是以另一種方向發展人工智能，過去是編程，你能編程說明你已經有了這樣一個領域的知識去解決這個問題，而且解決問題的形式是通過編程，所以你能編程已經是這個領域的專家。
機器學習路徑是不一樣的，我們通過大量收集數據，通過機器進行學習，利用數據結構化進行學習，比如說學習一些圖像對象、語言、詞語序列等等，在機器學習范疇，又有另一個方法學，就是特定算法，是受到大腦啟發觸動的一個方向，我們大腦是非常復雜的一個設備，收集信息，有數千億的腦神經元，將信息傳遞，比如說在場這么多人，通過上千億腦神經元大腦進行信息處理，再將信息傳遞給在座各位。我們目前仍然不了解大腦內部運作，稍后給大家詳解這一塊的內容，但是我想說深度學習的靈感就是來自大腦運作機制。
學習與編程的權衡，紅線是編程線，如果要雇一個程序員給你解決問題，這個成本是逐年增加的，1980到2040年成本是逐年增加的，編程員是很貴的，而且需要的是專家級編程員。所以相對來說，從發展開始，我們的機器學習，從上世紀80年代開始，成本非常高，電腦非常貴，但是現在人工智能、機器學習成本不斷向下，2012年機器學習算法跟編程成本大致相同，從2012年開始就逐年下降，我們使用不同的數據組，不需要完全熟悉了解這個領域的知識，不需要完全了解這個對象，但是如果獲得大量實例數據，我們機器可以通過特定的學習算法不斷解決困難，我們使用神經網絡處理系統在30年前就提出這樣的理論，就是神經網絡模式。
腦神經網絡可以有效處理復雜的數據組，也可以有能力處理上億的圖像數據，我相信在座各位對于阿爾法狗大戰是非常熟悉的，2017年打敗了柯潔世界圍棋冠軍，當時震驚時間，不僅僅因為打敗世界圍棋冠軍這么復雜的運動，同時人類還有很大的共鳴，認為機器打敗人類，超越人類了。
之前在阿爾法狗打敗世界冠軍前，認為機器可以學得很好，但是仍然不能打敗人類。我們用柯潔說的話，去年跟阿爾法狗對話，覺得它的下棋方式非常接近人類，今天已經像圍棋之神一樣在下棋，它每一步下棋的章法非常創新，是之前棋盤沒有出現過的，非常創新，如果是人，我們稱之為圍棋天才。因為是通過人工智能，阿爾法狗出現創新下棋之舉，所以也可以看到通過AI機器學習，機器也可以實現超神一般的創新。
人類大腦機制，非常簡單的一個版本，大腦里有很多神經元，大概上千億的，它們是平行工作的，這和數字化電腦不一樣，因為電腦是有處理器的，是有內存的，而且這兩個硬件都有瓶頸。記憶實際上是在神經元之間的連接，也就是突觸當中存在，實際上十的十次方的神經元有十個十次方個連接，而且大腦里突觸數量非常巨大，也就大腦內存是很巨大的。可以儲存非常多的一些數據，這是大腦的好處，問題是人腦是毫秒級傳輸速度，所以和電腦比慢很多，因為在自然中，我沒有這么多處理層，而且電腦計算速度更快，實際上我們居住的世界就是毫秒級的世界，不需要這么快的速度，我們在大腦中的信息傳遞是非常復雜的過程，還有就信息的儲存、處理等等，讓我們解決非常多的問題，這才是非常關鍵的。
還有一些挑戰，比如說有很多神經元，有突觸等等，最終是圍繞著中樞神經系統，這是最重要的一個器官。我們要知道某一個連接的改變是否會改變信息的輸入和輸出，如果把這個連接改變了，就會受到影響，當時杰弗里和我一起，得出神經算法，也就是怎么樣才能讓突觸處理正確的神經傳遞，幾乎所有的科學家和工程師在這之前覺得這是不可能的，我想告訴一些年輕人，你不要相信專家說的話，因為很多專家總是知道這個事情不能做，但是他不知道這個事情可以做成的方法。所以我們發明了玻爾茲曼機，現在在網絡神經學習中還在使用。
深度學習網絡是怎樣的？這里有各種各樣的信息數據，圖片、DAN信息等等，這邊是輸出，可能要對疾病進行診斷，各種各樣的輸入對于醫生來說，看了就可以得出診斷，每一個信息點就是神經節點，最希望有一個架構師能夠讓這些信息一層層傳遞到輸出端，可以有效的診斷這是什么疾病，比如說幫助病人治病，我們需要大量的病歷輸入才可以做到這一點。而且必須從已經確診的病人那里獲得信息，這才是有效的輸入。機器不是說要去記住這些東西，要將其泛化，因為不同人給出的輸入不一樣，人腦可以進行非常好的泛化，這是我們希望可以讓機器做的事情。
楊立昆是一個架構師，而且受到了視覺系統的啟發，大概在上世紀60、70年代的時候，已經有一些生物學家學習了人的視覺系統，所以我們知道在人腦當中，信息是如何流動的，他們來研究了猴子的架構，因為人與猴子有一定的相似性。他們就是卷積神經網絡的算法，他們設計了卷機神經網絡算法，這邊輸入信息，將圖像和神經元網絡進行結合，傳輸后進行輸出，這實際上有猴子的大腦，有一層層的神經輸入架構，最上面的是猴子的大腦皮層最上端，一、二、三層等等輸入，要怎么樣大腦才能解決視覺輸入的方法？楊立昆他們設計多層架構，使用早期的卷積神經網絡，最終他們就有了識別物體的功能，還有就是網絡中的單元，模仿人的大腦，而且有閾值，如果低于這個閾值沒有輸出，高于這個閾值才有。之后他們也進行了一系列的實驗，進行了很多技術上的工作。
2012年的時候，這是ImageNet比賽，是一個深度學習應用，這個網絡里面有概率分布，最高的概率 Mite是老鼠，我可能猜不出是蟲，可能以為是蜘蛛。這是它猜對了，這是一個小型摩托，后面猜對了是豹，上面都是猜對了的，圖像可以很好的識別出來。下面這些就是沒有猜對的圖片，這是敞篷車，有人說這是散熱器的罩，問另一個人，就說這是敞篷車，不同人看到的是不同面。第三幅圖識別出是櫻桃，實際上上面是狗，最后是madagascar貓，其實這并不是貓，人類識別是錯誤的，電腦識別出來是猴子。在訓練集里標簽標錯了，所以出現了一些錯誤，但是實際上在性能級別上，深度學習能夠在計算機識別方面，把誤差率下降20%，如果能夠下降這么多，已經非常厲害了，而且經過很多年才有這成果，對于某一些圖像依然無法準確識別。關鍵要進行不斷進行改善、演化。
今年圖靈獎頒給我的朋友楊立昆、約書亞?本吉奧、杰弗里?辛頓，這相當于諾貝爾級別了，算對他們在深度學習里非常大的鼓勵，而且深度學習現在成了很熱的詞，去年我寫了一本書，總結深度學習發展歷史，深度學習是怎么來的，還有學習算法是怎么來的，取得了哪一些成功，有哪一些失敗，未來將向何處去，還有偏差帶來的一些問題怎么解決等等，未來的挑戰，最近這本書翻譯為中文，已經有了中文版，就是右邊的照片《深度學習》，我的出版商代表也過來了。這本書多少錢呢？待會你們想買一本打折的可以跟她私下談。
這是我書中的一個章節，皮膚病醫生看皮膚病，到底是癌癥還只是良性的，已經治療了兩千例皮膚病醫生收集的數據，用來做訓練集，機器和16個皮膚病學家同場競技，發現網絡表現和醫生是并駕齊驅的，診斷率可以達到92%之高，只要有一臺手機，只要看到有一塊皮膚病就可以拍照，馬上可以得到診斷，不需要去看醫生，也不需要去付很多醫藥費，有誰去看過皮膚病的？去醫院看皮膚病真的很麻煩，有時候要做出診斷，需要好幾個星期，甚至幾個月時間，這樣往往讓病人苦不堪言，這是2017年寫的，2018年出版的，現在我們看到有幾個例子，這個看起來好可怕，實際上這是良性的，有一個看起來好像沒有什么事卻是惡性的，所以這要讓醫生來判斷。
今天我在聽一個電臺節目的時候聽到有一個公司，已經提供了這樣的服務，如果患病拍照發到他們平臺，他們AI系統就可以告訴你現在是否要就醫還是說是良性的。有一個女朋友看到她男朋友背上有一些東西，隨便拍了照片試一下，發給了這個平臺，誰知道就是惡性的，她女朋友救了男朋友一命，因為及時就診，收費才29美元。這是WAYMO自動駕駛汽車，輿論讓你感覺明天就可以做成，其實要做幾十年時間，因為有很多路況和復雜因素需要攻克和優化。
這輛汽車搭載了很多雷達和傳感器，180度傳感器不像我們人類視覺，只能看前方，它可以有180度的視角，無人駕駛汽車應用場景，現在的應用場景非常受限，我們看一下有可能的一些場景，如果我們一鍵啟車，比優步和滴滴更好，可以提高車輛使用率，如果無人駕駛汽車能夠實現，可以重新規劃停車場和停車道，大量汽車利用率增高的時候，很多車在路上跑，不需要那么多停車場了，我們現在城市遍布的停車場、停車道可以再利用，可以變成公園、自行車專道，很多公司可能要關門大吉了，就是汽車維修店和汽車保險，更重要是可以挽救很多生命，因為疲勞駕駛是導致事故死亡的很大原因。還有酒駕、醉駕這種事件很多，每年高速公路，醉酒導致死亡4萬人。
很大的便利是可以節省通行時間，尤其是出行高峰的時候，高峰時候堵車是很堵心的，如果我們使用無人駕駛汽車，都不用開車了，出行時間可以看看報紙，駕駛又完全自動安全，這樣可以降低很大的交通事故死亡率。更重要的是我們可以更進一步暢想，盜車時代會被終結。此外還有一些新的就業崗位生成，很多人說卡車司機要失業了，不會的，我們如果使用無人駕駛的卡車，也要人去控制的，他的角色轉化為安全監測崗位，這個崗位比開卡車好得多，而且更舒服，現在無人駕駛汽車仍然不能實現，因為有很多極端路況交通控制所以還不能實現，比如說卡車有一些貨物掉在路上怎么辦？所以我們還吸收有更多的訓練數據集訓練無人卡車，一旦有這種邊遠情況案例出現，比如說無人駕駛貨載卡車貨物掉路上時怎么處理，這些不是說完全沒有人監控，我們需要有人監控，機器是監控不了的，所以我們仍然需要人去監控這些無人駕駛的卡車。
還催生另一個新的產業崗位，傳感器技術供應鏈，這是一個全新的供應鏈，因為我們需要在無人駕駛車輛上邊搭載幾十億個傳感器，大量數據生成后，我們需要進行數據清理，這些都會催生很多很好的新工作崗位，這一個公司睿金科技來自中國郟縣，他們有幾千萬人專門做數據清理的公司，聽上去是挺煩燥的工作，但是比在“煤礦”上工作更好，其實是數據挖煤，這比現實中煤礦挖煤好得多。
接下來舉一個語言翻譯的例子，語言翻譯在中國幾千個語種，互相不能理解，所以我們訓練機器預計下一個字詞出現，這時候不需要分類數據，是非監督學習，這種叫做文字嵌入，如果機器能夠訓練得很好，我們期望的是學習內模通過自己的活動運算，可以了解和解構整個語義，同時要識別出大寫的專有名詞，非常有趣。比如說俄羅斯莫斯科這是對應關系，這是一個項量，將這個項量依附于德國，德國對應柏林，這個網絡沒有任何監督，就可以發現城市首都的關系，還有就是地理位置的關系，這在之前語言學領域從來沒有做過，機器學習打開了整個語言學新的理論。
此外，我們機器從翻譯上可以做時域序列解讀，從底層慢慢學習，可以解讀時態，還有語義強度、語氣強度，還有增強機器工作記憶，句頭首詞到句末最后一個詞都可以分析。現在谷歌翻譯軟件，單字單詞翻譯并不完美，我不想讓大家有誤解，認為這個網絡已經可以理解句子的，不是的，但是比傳統的翻譯好多了，之前是字對字的硬設，這是行不通的，現在的翻譯軟件某一些語義是可以理解的，聽上去翻譯出來的中文或者英文，還是非常的奇怪，但是語義是通的。
我在我的智能手機上有一個翻譯軟件，是谷歌翻譯APP，我相信在座各位也有自己的翻譯軟件APP，我用它可以使用日文、中文字詞，可以翻譯為英文，我已經用了很多次了，語音識別可以將中文的語音翻譯為英文語音，這在某一種程度已經可以實現了。人類語種翻譯是變的，比如說有一個非常有趣的句子：我們的意志力精神，反映我們的意志之力。這是從俄語翻譯為英文后反對離題萬里，所以我們翻譯最重要是語義翻譯、句義翻譯，20世紀語言學主要領域主要是詞法上做很多研究，其實語言最重要的就是語義理解、語義解構，詞與詞的關系，這些詞組排列完后是怎樣的意思，這是語義。現在人工智能已經往這個方向深化。
人工智能驅動的翻譯技術有多么的神奇，這是我們取得的另一個進展，這是語言網絡，有三個語種—英韓日，從英語翻譯為韓語、日語都做了實驗，但是還沒有韓語翻譯為日語，有英翻韓、英翻日，但是沒有韓翻日，我們做的這個實驗已經做了英翻韓、英翻日，能不能韓翻日，某種程度上可以，說明機器可以學習了，在一定程度上通過學習，可以韓翻日，也就是說你的訓練更多，語言組越多，訓練得越好，網絡就可以更加相通，機器的翻譯就能夠學習得更好。所以我們這種語言學網絡，可以給予我們更多的洞見，可以讓我們更加理解各語種之間的轉化和翻譯機理。我們大腦在運算的時候，總是需要大腦海馬體和皮層運作，我給大家分享一個概念，就是強化學習，怎么樣通過增強學習達成目標，這個模式就是阿爾法狗怎么打敗柯潔的秘密。
我再分享一點，最近在無監督學習中的一大突破，前提是需要大量數據組，我們把網絡里面輸入了很多名人圖像，很多都是西方人，為什么看起來都像名人呢？這個網絡很厲害，它實際上可以生成關于名人的新的圖像，之前是沒有存在過的，所有的圖片都是不存在的，只是給出的案例中依據自動生成的，而且可以生成很多圖像，但是這些都不是真實的人，都不是真實存在的，還可以不斷的繼續下去，所以這個例子就向我們展示了未來，生成性的網絡，就像我們的大腦，我們大腦也會不斷生成信息，我們坐那里，就會有各種各樣的想法出現。
現在我們到哪一步了？還是在初期，就好象是萊特兄弟做了第一臺飛機的時候，離噴氣式飛機還有很長一段路要走，萊特兄弟幾年前出了一本關于他們的傳記，很好看，里面寫著說萊特兄弟研究鳥很久，因為鳥可以飛過千山萬水，不用經常拍動翅膀，而且他們對于空氣動力學非常感興趣，還建立了風動，所以萊特兄弟本質上就是工程師，我們從自然當中可以學到很多東西，萊特兄弟研究了自然，研究了鳥，然后他們發現大自然是這樣解決問題的，而且要解決這些困難的問題并不難，大自然已經會了，大自然中已經蘊含著解開這些奧秘的鑰匙了。我們還處于很早期的階段，但是也在不斷的進步，去年12月的時候，在蒙特利爾有100萬人參加了會議，接下來12月我們覺得應該會有4萬人來參加這個大會，我相信2020年來參加這個會議的人會更多。
非常感謝各位的參與，感謝各位的聆聽，我們還處于人工智能早期階段，還有很多問題需要解決，我們也看到了非常令人興奮的成就和成果，恐怕有一些問題要花很多年才能解決，但是實際上有一些問題像自動駕駛汽車不能說以年來解決問題的，而是以十幾年時間來計算，有時候需要幾代人努力，但是回顧一下工業革命，這不是一夜之間發生的，而是經過幾代人努力才實現的，所以各位的孩子就會從你們手中接過這個成果，從充滿AI的世界中長大。那時候就像大家看到飛機一樣，人工智能會非常的普遍，謝謝各位。
下一篇：
年薪200萬！人工智能高薪的背后……
