对话 Geoffrey Hinton&Demis Hassabis :通用人工智能离我们有多远?
预测用户喜欢的音乐类型、检测出转移性肿瘤、生成脑癌的综合扫描、利用真实世界中拍摄的视频创造出虚拟环境、识别出被拐卖的人口、击败国际象棋大师以及专业的 Dota2 电竞团队、帮助 Alphabet 旗下的 Waymo 首次推出商业无人驾驶出租车服务、代替出租车司机掌控方向盘,上面提到的这些只是人工智能系统在 2018 年取得的诸多成就的冰山一角,这也证明了该领域的发展速度如火箭一般迅速。按照目前的变化速度,麦肯锡全球研究院的分析师预测,仅在美国,未来 12 年人工智能就将帮助人们实现 20% 到 25 % 的净经济收益(相当于全球范围内收益达到 13 亿美元)。
在目前的人工智能系统中,一些最令人印象深刻的工作都是起源于对深度神经网络(DNN)的研究,DNN 是一种基于数据表征的机器学习架构。它们是大致基于人脑建模的:DNN 包括与突触相连的人工神经元(即数学函数),它们能够通过突触结构将信号传递给其他神经元。神经元分层排列,这些信号(数据或输入的积)被送入 DNN,从一层传递到另一层,并通过调整每个神经连接的突触强度(权重)缓慢地对 DNN 进行「调优」。 随着时间的推移,经过数百甚至数百万个周期的迭代训练,网络可以从数据集中提取特征,并识别样本中的趋势,最终学会做出新的预测。
就在 30 年前,David Rumelhart、Geoffrey Hinton 和 Ronald Williams 合著的巨著「Learning representation by Back-propagating Errors」()详细阐述了一种基本的权重计算技术——反向传播。 在越来越便宜、越来越鲁棒的计算机硬件的辅助下,反向传播技术使计算机视觉、自然语言处理、机器翻译、药物设计和材料检测等领域的研究取得了巨大飞跃。
通用人工智能面临的挑战
那么,DNN 是超级智能机器人出现的先兆吗?Demis Hassabis 不这么认为(他的话具有一定权威性)。Demis Hassabis 是 DeepMind 的联合创始人,DeepMind 是一家总部位于伦敦的机器学习初创公司,创立宗旨是将神经科学和计算机科学知识用于创造通用人工智能。换句话说,这种系统可以成功地完成人类所能完成的任何智能化的任务。
「还有很长的路要走,」Demis Hassabis 在 12 月初于蒙特利尔举行的 2018 年神经网络会议( NeurIPS )上说。「从某种意义上来说,游戏或棋类游戏所处的环境十分简单,因为状态之间的过渡模型可以被定义得非常详细,而且易于学习。真实世界的 3D 环境和真实世界本身要复杂得多……但如果你有开发通用人工智能的计划,这也很重要」。
Hassabis 是一名国际象棋奇才,毕业于剑桥大学,早年曾担任视频游戏「主题公园」和「黑与白」的首席程序员。他曾在伦敦大学学院、麻省理工学院和哈佛大学学习神经科学,并在哈佛大学合作撰写了关于自传性记忆和情节记忆系统的研究论文。2010 年,他参与创立 DeepMind,仅仅三年后,DeepMind 就发布了一个只使用 Atari 游戏中的原始像素作为输入的开创性人工智能系统。
自从谷歌斥资 4 亿英镑收购 DeepMind 以来,该公司及其医学研究部门 DeepMind Health 一直以它们的产品 AlphaGo 占据各大媒体头条。 AlphaGo 是一种人工智能系统,在中国围棋比赛中击败了世界冠军李世石。谷歌还与伦敦大学学院医院持续合作,他们用于该医院的 CT 扫描图像的分割模型展示出了「接近人类专家的性能表现」。最近,DeepMind 的研究人员发明了一种蛋白质折叠算法 AlphaFold,该算法成功识别了 43 种蛋白质中 25 种蛋白质的最精确结构,获得了第 13 届蛋白质结构预测技术竞赛(Critical Assessment of Techniques for Protein Structure Prediction ,CASP)一等奖。 2018 年 12 月,DeepMind 在 Science 杂志上发表论文——AlphaZero 系统,这一系统是 AlphaGo 的继承者,可以在 3 种不同的游戏(国际象棋、日本将棋和围棋)中取得足以击败人类著名棋手的性能。
尽管 DeepMind 取得了令人印象深刻的成就,但 Hassabis 提醒人们,他们绝不是在暗示通用人工智能即将成为现实(现在还为时过早)。他说,与今天的人工智能系统不同,人类是利用自身掌握的关于世界知识来进行预测和规划。而与围棋、国际象棋和将棋的初学者相比,AlphaGo 和 AlphaZero 在信息方面处于劣势。
Hassabis 说:「首先,这些人工智能系统需要先学会看别人玩游戏,然后它们会学习自己玩游戏」。「人类玩家可以比算法更快地学会玩 Atari 游戏之类的游戏。因为他们可以相当迅速地判断图案中的像素的意义,以确定他们是否需要逃离这个图案代表的物体或朝这个方向前进」。
版权保护: 本文由 沃派博客-沃派网 编辑,转载请保留链接: http://www.bdice.cn/html/25054.html
