CMU機器學習學院院長Tom Mitchell：計算機模擬人腦才剛剛起步

GMIC 2017 北京大會於4月27日在國家會議中心拉開帷幕。下午，卡內基美隆大學機器學習學院教授兼院長Tom Mitchell帶來了《突破人類和機器的邊界》主題演講，探討了智能從物理的材料當中實現突破的兩個方式。

Mitchell教授認為科學界目前還在探索的兩個主要方向就人腦智能和如何用機器打造人腦智能，在過去相當長一段時間內，腦科學和計算機科學是涇渭分明的兩個領域。近些年基於對腦科學認識的不斷加強，人工智能取得了新的發展。使得一些理論和假設在各個腦科學的方麵都取得了突破，機器識別率已經從過去的60%提高到了95%。他也提到了馬斯克要創辦的“腦機互聯”公司，認為這是非常好的一次嚐試。

通過對人類大腦的模仿，計算機在變得越來越強。而Tom Mitchell認為人腦與機器腦的探索都才剛剛起步。

演講中教授舉例很多非常精彩的實例，大數據文摘從現場帶來第一手資料，以下為演講速記——

今天我在這裏和大家來探討一下這個問題，也就是我們的智能如何從物理的材料當中實現突破，現在科學界還是很偉大的未被解答的問題，有兩個方式可以研究。首先研究大腦，因為大腦是有智能的，第二努力打造一種具有智能的機器，這是兩個學習智能的方法，已經是進行了很長時間了。

 大腦和智能機器 

 沒有交集但可交叉研究 

▼

我今天想說的是這兩個領域相互之間沒有交集，每個領域的專家對另外一個領域都是不太了解。

是否應該產生交集了呢？是否進行戰略的改變？我們要投入更多的資源來進行這兩者之間交集的研究，首先講的是第一點。這兩個研究領域它都是在過去十年裏麵取得了很多很大的進展。第二點，我們現在已經有一些實例，兩個維度都進行相應實例的研究，的確出現了一些交集，可以互相學習和借鑒。

所以我可以來進行這方麵一些探討，希望來激活兩者之間更交集的產生。可以看一下我們的人工智能在過去的十幾年取得了很大的進展，最近人工智能已經戰勝了我們圍棋的冠軍，還有國際象棋撲克，現在看到無人駕駛汽車，優步的確有無人駕駛汽車，我在那邊能夠看到這樣的無人駕駛汽車。過去十年裏麵，計算機它是準確度，過去60%變成95%的識別率，計算機的視覺進展很快。

去年10月份，微軟已經宣稱了它是在相應的一個數據組，也實現了主要的突破，比如前麵講到了下圍棋、下象棋，人工智能突破非常快，背後主要是機器學習它的一個深層次的機器學習。另外我們在腦科學方麵發展也非常迅勐，過去十幾年時間裏麵，有很多的一些技術和設備的發達，使得我們更好的采用無創FMI和其他的一些高科技，EG，這些微創或者無創的方法進入到人的大腦，來更好的去在這個毫米級去觀察大腦，然後在毫秒就可以有幾千個影像可以進行分析，可以看一下人腦的一些活性，研究人和動物相關的大腦，動物的大腦研究更加令人歡心鼓舞，通過基因方麵的研究，包括我們的老鼠和其他的一些動物，在基因上進行相應的工程，對相應的神經元，比如老師的神經元進行修飾、改變，你可以有相應的激光，讓它產生相應的放電，通過動物大腦基因的一些修飾、改變，這樣可以更好的對人的神經活動進行一些管理和控製。

通過這樣一些腦科學的發展，使得一些理論和假設在各個腦科學的方麵都取得了突破。現在老鼠在玉米附近跑的時候，可以解碼，老鼠在這樣的一個迷宮當中行走的時候，老鼠到底自己在迷宮當中對自己一個位置的感覺是怎樣，可以通過它的神經元放電的觀測來找到，所以在大腦的各個方麵進行突破性的進展，在大腦各個區域進行相應的振蕩，在不同的時間點進行觀測，當人們在社交的時候，大腦當中管社交的部分，這個時候會得到同步的激活，而且有自閉症的人和正常人不一樣的狀況，無論人工智能還是腦科學都取得了令人矚目的巨大進展。

所以就有這樣一個問題，為什麼不聚合起來，在研究方麵，無論腦科學還是人工智能方麵都是進行交叉的研究，首先計算機視覺，這個神經網絡的確使得計算機的視覺發生革命性的改變，相應的神經元10%到5%的變化，這樣的一個神經網絡，可以用來預測人腦當中的神經元的活動，包括它的視覺皮層相應的活動，這是一個深層次的神經網絡。我們可以來看一些細節，單個神經網絡當中的單元，通過輸入輸出可以看到相關的情況，它的輸入可以進行研究，它到底是怎樣的組合，這些單個神經元一個組成的網絡，一個輸出成為另外一個輸入的情況，如果對這樣深層次的網絡進行培訓，比如把輸入的影像通過輸出展現出這個影像到底是什麼，進行相應的深度學習。

 對腦神經的活動預測 

 推動人工智能的進步 

▼

這個時候我們就可以對這個網絡當中滯後的階段進行探測，看一下成為條件的時候它是怎麼編碼的，對臉部的編碼或者其他節點的編碼。

在2014年的時候，的確做了一些實驗，他們訓練了不同的網絡，每一個點都代表他們訓練過的這些神經網絡，在訓練了這些神經網絡之後，把同樣的影像給這些神經網絡看，通過FMI的掃描儀，它也是對人的大腦當中相應的部分，觀測到神經活動，預測到這樣一個情況就會更好，這是一個令人稱奇的結果。也就是說我們現在可以建立一種橋梁，也就是現在人工的神經網絡可以被我們用來訓練，來進行相應的一些預測。

在大腦當中的這些腦神經的活動進行預測，這樣打開了無限的可能，可以回答很多有趣的問題。也就是人的視覺到底是怎麼做的，可以用怎樣的設備設計更好的人工神經網絡幫助我們做這樣的預測。這樣人工的神經網絡可以進一步的推動，一層一層進行輸入、輸出，我們知道大腦當中的確是不一樣的，大腦當中它是有前輸和後輸的，在這個橋梁當中可以進行研究，人工的大腦和人的大腦當中到底什麼區別，可以相互借鑒、促進。

這裏有另外一個例子，這個也是來自於最近的一個研究，是自然語言的研究成果，也得到了很大的提升，包括自動翻譯，比如穀歌翻譯的一些係統，現在也是比之前要更加精確了，為什麼是這樣呢？主要是深層次的神經網絡，更可能是由於有一些儲存，通過大腦的研究，我們來研究大腦怎麼樣用這個神經活動來解釋相應的一些詞義，這些詞義給到我們更好的一些來回答問題的方式。對這些細節進行研究，所以我們產生一種模型或者理論，來幫助我們對我們大腦的活動進行預測，任何詞義給到人會出現怎樣的一個詞義，通過這樣一個模型的結構，給到任何輸入。比如說電話，首先這個模型產生一個代碼，用它預測它的神經活動，大腦當中有兩萬個不同的位置被預測出來。進一步通過矢量進行預測，比如這裏是芹菜，這邊是飛機的兩個矢量，兩個矢量的特征都和相應的詞對應，對這個芹菜可以看到左手邊是芹菜，和芹菜相關聯的字數，口味和芹菜相應的一個關聯度，對飛機來說，飛機出現很多的動詞，可以看到相關的一些詞就出現了。

通過這樣的一些模型當中的編碼，可以很好的出現一些皮層當中出現的詞，我們對模型進行培訓。我們看到在下麵對任何詞的神經活動，比如芹菜，把這些語義的特征組合起來，通過模型的學習，把這些特征進行關聯，吃這個詞和我們的芹菜這個詞是關聯度最高的，通過這樣的研究很有意義，給到一個新詞，比如說之前沒有培訓過，對它的一個預測在量子的分析當中我們發現，在83%的情況下有兩個新的詞，兩個FMI的詞的出現，哪個是第一個關聯，哪個是第二個關聯，有50%的可能性是正確的，有的詞從來沒有出現也是有很高的識別率，也就是對神經的活動，詞義的一個表達，是用了我們矢量表達法用在詞義的解釋上。

 猴子給人類的啟示 

關於強化學習

▼

這是技術的表達，在人工智能和人腦當中一個橋梁的關係。第三個例子是我們講的強化學習，這個是非常流行的，比如相關的培訓當中會出現一些強化的學習，有些強化學習的算法，很多時候用人工智能的這些強化學習的算法，很多時候對動物的一些獎勵學習，強化學習很好的方式。從一個猴子的單一細胞當中進行調用，在底部有一些橫線，每一個點都是對應到它的一個正在放電的神經元，在下麵可以看到有時間的序列，有的這個線這是給到一些糖給猴子吃，猴子認為這是獎勵，所以有些放電的現象。

在這個上麵，這個是所有的各種情況的一個總和，猴子吃糖之後的一些反應，可以看到他們的一個總合，的確給到了猴子糖吃以後就會神經元放電。這樣的一種神經元放電代表什麼呢，可能對這個獎勵，也就是這個糖有所感應，所以放電了。通過這樣的實驗來培訓這些猴子，給到猴子糖以後，後一秒就開始閃光，這個圖就變成這樣一個圖了。這個時候我們可以看到的情況就是給到了猴子糖以後，猴子的神經元沒有任何反應，而是當閃光以後，猴子的神經元才放電，說明並不是因為給了糖神經元才反應，而是對獎勵這個事情本身放電，就證明了，這是很酷的情況。

還有一種情況，沒有給糖，隻是閃光，猴子怎麼反應，沒有給糖，沒有任何獎勵，這個神經元就會怎麼樣來表達呢？所以閃光之後發現並沒有給糖，是一種抑鬱，而不是獎勵了，這個神經元它是在這個過程當中，一些物質是對這樣一種強化學習直接相關的。在這樣的信號之下，我們可以看到的是能出現獎勵，就是和這個時間的方程式，在這樣的一個情況下，很好來解釋了我們能看到它的神經元的一個表現，因此在我們的人工智能的算法和我們人的大腦之間或者動物的大腦之間，有這樣一種橋梁和關係，因此強化學習的算法對機器人的控製是可以用的，或者是可以用於打敗人類冠軍的阿爾法狗的訓練，因此通過這樣的一些大腦行為的觀測和檢測可以幫助我們進行這樣的一些人工神經網絡的訓練。

通過這些方式，我們剛才也講了矢量的應用和強化學習的獎勵、強化學習的方式，這樣一些人工智能的算法，在我們的大腦當中，觀測到了神經元的活動的關聯，因此給到我這樣一個激勵，現在已經是很好的時機，現在在人的腦科學和人工智能方麵取得巨大的進展的確到了好的時機可以進行兩者之間更多的交集，在人工智能和腦科學進行更多橋梁的搭建，包括其他一些領域，也可以進行更深度的一些關聯。

我前麵也舉出了一些實例，希望大家可以進一步研究，盡管人的大腦不是由矽組成的電腦，但是有可能任何產生智能的物理的方式，它都是有一些信息的約束條件的，形成這樣的一種結構，這樣的一種結構可以深層次的學習，從人工智能和人腦之間的學習當中可以找到更多的答案幫助我們推進科學的進步，再次感謝各位。

演講結束後，Tom Mitchell教授回答了現場記者的一些問題。

您如何看待第三次人工智能浪潮，會否像前兩次衰落？對於新入門的這些學習的學生，您現在有什麼新的建議？

Tom Mitchell：確實在過去比如在20世紀80年代、90年代的時候，我們看到人工智能它的發展是有起有落，現在發展到今天，它又處於一個起的階段，可是我們這次的起就不一定意味著有衰落。因為我們這子已經發現AI已經在商業方麵取得了非常巨大的成功，這是在過去前所未見的一種成功。因此我們業界就對此非常樂觀，包括在80年代的時候，日本所推出的這個第五代項目，它當時AI項目確實也取得了一定程度的成功，當時大家就處於一個比較盲目樂觀的狀態。

但是那個時候的成功並沒有給我們帶來更好的結果，現在完全是一個不同的時代了。所以在今天比如你可以和自己的手機對話，但是你難以想象在過去AI技術相關的這些設備甚至在五十年前它們都屬於像瞎子一樣的狀態，它們無法看到你，它們沒有辦法辨析你的語音，更沒有辦法像現在的電腦機器一樣和人進行競賽，而且它在過去也不可能理解人所開的玩笑，也不可能真正把語音轉變為文本，我們現在看到的這些成功都是過去完全沒有見到，前所未有的。

而且我們的業界也投入了更多的資源來發展人工智能，這個資源的多也是前所未見，而且在企業界我們在研發方麵所投入的時間精力和金錢也超過政府的層麵。這也是我們過去從未見到的，這也是為什麼我非常樂觀，人工智能將會在未來有一個騰飛。簡而言之，這是我們前所未見的一種進步，而且我們現在的人工智能可以讓電腦看到你，而且也能夠聽懂你，這是一個巨大的改變。而且我也相信在下一個十年我們還能夠看到我們與AI係統對話的前所未見的一些場景。因此，在機器學習方麵，我們可以開發出很多新的方式，來輔助我們去學習，也可以輔助我們的教學。

您對於成立AI這種公司有什麼樣的想法？AI這類的公司它能夠成功究竟是取決於它的一些技術呢還是取決於它的產品？

Tom Mitchell：我本人認為如果一個AI公司他沒有自己具體的一個產品的話，它的存在可能性是非常小的，尤其是在長期，而且現在我們能看到很多機遇，也就是AI公司所具有的機遇，特別他們要具體解決比如自動駕駛汽車還有自動的回複郵件等等，有很多這樣的人工智能的公司他們在開發這樣的產品。同時也有一個有趣的現象，我們也能夠看到有些AI公司成立以後，純是在開發技術，像deepmind，但是它也是一個比較特殊的例子，因為它最終長期發展的一個戰略就是消失掉，最後它被穀歌收購了，穀歌在推出的AI產品當中可以看到之前deepmind技術的一個影子，所以如果是真正想要不憑產品，在AI這個領域當中去尋求到更多的精彩的話，實際上是一個比較短視的戰略。這樣的話，在短期當中可能資金不會消失太多，但是長期可能會產生一些問題。而且也隻能寄望於被別的公司收購。

對於AI人才培養有沒什麼建議？

Tom Mitchell：關於AI人才的培養問題，我覺得您這個想法非常的好，也十分有潛力。因為畢竟現在AI的人才是處於一個供不應求的狀態，所以我們也可以從中發現一些商機，比如說在網上可以去創造一些非常有趣、淺顯一些的，而且也是非常實用的在線課程。

但是對於有些學生來說，有些付費的在線課程它的成本比較高，所以我們現在應該鼓勵一些專門去研究繼續教育這方麵的企業，他們盡最大的努力去減少這些課堂的成本，同時也把這些課程的質量提高，讓他們成為一等一的世界級的AI課程，這也是我們學生所需要的。除此之外，我們也可以建議更多的學習AI的學生去網上包括像courseva這樣的平台去學習AI相關的課程，比如coursera網站上現在就有（安朱）教授關於人工智能機器學習很重要的課程，也很有意思，可以建議很多學生去看。因此，關於這些繼續教育企業他們能夠推出一些專門性的、知識性的，甚至是一對一的人工智能的教育，我認為對於學習AI的學生來說大有裨益。

AI在未來可能會給我們普通的生活以及我們的未來生活帶來一些什麼樣的負麵影響？像您這樣的科學家會去怎樣做，來保證我們有一個更加光明的AI方麵的未來？

Tom Mitchell：您剛才提的問題非常有趣，也很重要，因為我們需要看到一個技術它的正麵和負麵，而且也要知道它的潛力所在。AI確實在這幾年也是風靡全球，而且它是一個非常有利的技術，但是我們怎麼樣去使用它，讓它為我們人類謀到更大的福利？我認為是特別關鍵的。首先我認為AI在推動人類社會進步發展這方麵的作用是毋庸置疑的，因為它可以大大提高我們的生活質量，包括減少城市當中的汙染，減少城市當中的擁堵現象，還有幫我們實現不同語言之間的溝通，還有在醫學上實現更精確的診斷，這些都是可以提升我們生活質量的東西。這個技術發展的過程也是不可逆轉的，而且我覺得是不應該逆轉的。

但是另一方麵就可以看到AI的一些負麵的效應，以及有些人對於AI的利用，比如說有些人把病毒植入電腦當中，或者是開發出一些智能的AI病毒，來實現他們不可告人的目的。同時有些國家的軍方也有可能利用了人工智能這個技術來危害其他的各方，所以我僅僅舉以上這兩個例子，讓大家看清楚AI可以在負麵給大家帶來的危害。而且我們應該把AI視作一把雙刃劍，而且應該讓整個社會看到這個雙刃劍所在，知道它給我們帶來的不同的可能性。隻有用這種方法，我們才可以真正幫助社會在解決汙染問題，提升醫療質量，同時在減少貧困這方麵作出貢獻的同時，也讓更多的人去思考，包括政策決定者更多去思考它的負麵效應，以及我們怎麼樣預防這樣的負麵效應。

如何利用人工智能推動教育的發展？

Tom Mitchell：關於在AI方麵我們怎麼樣去利用AI去推進教育的發展，以及在這方麵遇到了什麼樣的挑戰？我們確實可以去建立一些全新的在線的教育係統，而且可以通過AI讓整個教學過程更加個性化，而且不斷的獲取學生最新的數據，之後再進一步的把教學的過程個性化。我們現在也有一些相關的科學研究，就提出了這樣的一種機器學習的場景，比如說我們設計一個考題給學生，讓學生對一個ABCDE進行排序，不同的選項進行排序，學生可能就會給出正確的或者是錯誤的答案，然後教師在他收到一些學生答案過後，對學生的成績進行分析，再進行教學，這是我們一種傳統的教學。

但現在出現這種新的機器學習和人工智能的工具過後，或許一個機器就可以收集高達十萬名學生的答卷，就可以去分析這些答卷當中學生出錯的規律，在過去一位老師他可能窮其一生，都不可能接觸多達十萬名學生。這就可以讓大家看到AI的潛力所在，也就是它可以實現大規模的數據收集，或許我們現在這種技術還沒有真正得到非常廣泛的應用，但是我認為這樣一個時代必將到來。

原文發布時間為：2014-04-28

本文來自雲棲社區合作夥伴“大數據文摘”，了解相關信息可以關注“BigDataDigest”微信公眾號