AI教父傑弗里辛頓：AI反學習可能揭開人類夢境的奧秘

更多精彩，敬請關注矽谷洞察官方網站（http://www.svinsight.com）

近日，多倫多大學的教員、谷歌大腦（Google Brain）研究員傑弗里·辛頓（Geoffrey Hinton）發表了爐邊談話。他討論了神經網路的起源，以及人工智慧有朝一日可能像人類一樣推理的可行性和意義。

辛頓被一些人稱為「人工智慧教父」，他在過去30年里一直致力於解決人工智慧面臨的一些最大挑戰。除了在機器學習方面的開創性工作以外，他還撰寫以及與他人合作撰寫了200多篇經過同行評議的論文，其中包括1986年發表的一篇關於機器學習技術（被稱為反向傳播學習演算法）的論文。

他普及了深度神經網路的概念，即包含上述功能的人工智慧模型，它們被安排在相互連接的層中，傳輸「信號」並調整連接的突觸強度（權重）。通過這種方式，人工智慧模型從輸入數據中提取特徵，並學習做出預測。

辛頓坦言，創新的速度甚至讓他自己都感到驚訝。「在2012年，我沒想到5年以後，我們就能夠使用相同的技術來在多種語言之間進行翻譯。」

儘管如此，辛頓認為目前的人工智慧和機器學習方法都有其局限性。他指出，大多數的計算機視覺模型都沒有反饋機制，也就是說，它們不會試圖從更高層級的表徵重建數據。相反，它們試圖通過改變權重來有區別地學習特徵。「它們並沒有在每一層的特徵探測器上檢查是否能夠重建下面的數據。」辛頓說道。

他和同事們最近轉向人類視覺皮層來尋找靈感。

辛頓說，人類的視覺採用了一種重建的方法來學習，事實證明，計算機視覺系統中的重建技術增強了它們對對抗攻擊的抵抗力。

「大腦科學家都同意這樣的觀點，如果你的大腦皮層有兩個區域處於感知通路中，並且相互連接，那麼總有一個反向通路。」辛頓表示。

需要說明的是，辛頓認為，神經科學家需要向人工智慧研究人員學習很多東西。事實上，他覺得未來的人工智慧系統將主要是非監督式的。他說，非監督式學習——機器學習的一個分支，從未標記、無法歸類和未分類的測試數據中收集知識——在學習共性和對潛在的共性做出反應的能力方面，幾乎就像人類一般。

「如果你用一個有數十億個參量的系統，在某個目標函數中實施梯度下降，它的效果會比你想像的好得多……規模越大，效果越好。」他說，「相比於讓大腦計算某個目標函數的梯度，並根據梯度更新突觸的強度，這要更加合理。我們只需要弄清楚它是如何得到梯度的以及目標函數是什麼。」

這甚至可能會解開夢的奧秘。「為什麼我們根本不記得我們的夢呢？」辛頓反問道。他認為這可能與「反學習」有關。

辛頓說，「做夢的意義可能在於，你把整個學習過程顛倒過來。」

在他看來，這些知識可能會完全改變一些領域，比如教育。例如，他預計，未來的課程將更加個性化，有更強的針對性，將把人類生物化學過程考慮進來。

「你可能會認為，如果我們真正了解大腦的運轉機制，我們應該能夠改善教育等方面的狀況，我認為我們會做到的。」辛頓稱，「如果你能最終了解大腦發生了什麼，它是如何學習的，而不是沒有去進行調整適應，取得更好的學習效果，那會令人費解。」

他警告說，實現這一點尚需時日。就近期而言，辛頓設想了智能助手的未來——比如谷歌的Google Assistant或亞馬遜的Alexa——它們可以與用戶互動，並在日常生活中給他們提供各種指導。

「未來幾年，我不確定我們能否從智能助手那裡學到很多東西。但如果你仔細觀察，你會發現現在的智能助手相當聰明，一旦它們真的能聽懂對話，它們就能和孩子們交談，並對他們進行教育。」辛頓總結道。

更多精彩，敬請關注矽谷洞察官方網站（http://www.svinsight.com）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！