CMU机器学习学院院长Tom Mitchell：计算机模拟人脑才刚刚起步

GMIC 2017 北京大会于4月27日在国家会议中心拉开帷幕。下午，卡内基美隆大学机器学习学院教授兼院长Tom Mitchell带来了《突破人类和机器的边界》主题演讲，探讨了智能从物理的材料当中实现突破的两个方式。

Mitchell教授认为科学界目前还在探索的两个主要方向就人脑智能和如何用机器打造人脑智能，在过去相当长一段时间内，脑科学和计算机科学是泾渭分明的两个领域。近些年基于对脑科学认识的不断加强，人工智能取得了新的发展。使得一些理论和假设在各个脑科学的方面都取得了突破，机器识别率已经从过去的60%提高到了95%。他也提到了马斯克要创办的“脑机互联”公司，认为这是非常好的一次尝试。

通过对人类大脑的模仿，计算机在变得越来越强。而Tom Mitchell认为人脑与机器脑的探索都才刚刚起步。

演讲中教授举例很多非常精彩的实例，大数据文摘从现场带来第一手资料，以下为演讲速记——

今天我在这里和大家来探讨一下这个问题，也就是我们的智能如何从物理的材料当中实现突破，现在科学界还是很伟大的未被解答的问题，有两个方式可以研究。首先研究大脑，因为大脑是有智能的，第二努力打造一种具有智能的机器，这是两个学习智能的方法，已经是进行了很长时间了。

 大脑和智能机器 

 没有交集但可交叉研究 

▼

我今天想说的是这两个领域相互之间没有交集，每个领域的专家对另外一个领域都是不太了解。

是否应该产生交集了呢？是否进行战略的改变？我们要投入更多的资源来进行这两者之间交集的研究，首先讲的是第一点。这两个研究领域它都是在过去十年里面取得了很多很大的进展。第二点，我们现在已经有一些实例，两个维度都进行相应实例的研究，的确出现了一些交集，可以互相学习和借鉴。

所以我可以来进行这方面一些探讨，希望来激活两者之间更交集的产生。可以看一下我们的人工智能在过去的十几年取得了很大的进展，最近人工智能已经战胜了我们围棋的冠军，还有国际象棋扑克，现在看到无人驾驶汽车，优步的确有无人驾驶汽车，我在那边能够看到这样的无人驾驶汽车。过去十年里面，计算机它是准确度，过去60%变成95%的识别率，计算机的视觉进展很快。

去年10月份，微软已经宣称了它是在相应的一个数据组，也实现了主要的突破，比如前面讲到了下围棋、下象棋，人工智能突破非常快，背后主要是机器学习它的一个深层次的机器学习。另外我们在脑科学方面发展也非常迅猛，过去十几年时间里面，有很多的一些技术和设备的发达，使得我们更好的采用无创FMI和其他的一些高科技，EG，这些微创或者无创的方法进入到人的大脑，来更好的去在这个毫米级去观察大脑，然后在毫秒就可以有几千个影像可以进行分析，可以看一下人脑的一些活性，研究人和动物相关的大脑，动物的大脑研究更加令人欢心鼓舞，通过基因方面的研究，包括我们的老鼠和其他的一些动物，在基因上进行相应的工程，对相应的神经元，比如老师的神经元进行修饰、改变，你可以有相应的激光，让它产生相应的放电，通过动物大脑基因的一些修饰、改变，这样可以更好的对人的神经活动进行一些管理和控制。

通过这样一些脑科学的发展，使得一些理论和假设在各个脑科学的方面都取得了突破。现在老鼠在玉米附近跑的时候，可以解码，老鼠在这样的一个迷宫当中行走的时候，老鼠到底自己在迷宫当中对自己一个位置的感觉是怎样，可以通过它的神经元放电的观测来找到，所以在大脑的各个方面进行突破性的进展，在大脑各个区域进行相应的振荡，在不同的时间点进行观测，当人们在社交的时候，大脑当中管社交的部分，这个时候会得到同步的激活，而且有自闭症的人和正常人不一样的状况，无论人工智能还是脑科学都取得了令人瞩目的巨大进展。

所以就有这样一个问题，为什么不聚合起来，在研究方面，无论脑科学还是人工智能方面都是进行交叉的研究，首先计算机视觉，这个神经网络的确使得计算机的视觉发生革命性的改变，相应的神经元10%到5%的变化，这样的一个神经网络，可以用来预测人脑当中的神经元的活动，包括它的视觉皮层相应的活动，这是一个深层次的神经网络。我们可以来看一些细节，单个神经网络当中的单元，通过输入输出可以看到相关的情况，它的输入可以进行研究，它到底是怎样的组合，这些单个神经元一个组成的网络，一个输出成为另外一个输入的情况，如果对这样深层次的网络进行培训，比如把输入的影像通过输出展现出这个影像到底是什么，进行相应的深度学习。

 对脑神经的活动预测 

 推动人工智能的进步 

▼

这个时候我们就可以对这个网络当中滞后的阶段进行探测，看一下成为条件的时候它是怎么编码的，对脸部的编码或者其他节点的编码。

在2014年的时候，的确做了一些实验，他们训练了不同的网络，每一个点都代表他们训练过的这些神经网络，在训练了这些神经网络之后，把同样的影像给这些神经网络看，通过FMI的扫描仪，它也是对人的大脑当中相应的部分，观测到神经活动，预测到这样一个情况就会更好，这是一个令人称奇的结果。也就是说我们现在可以建立一种桥梁，也就是现在人工的神经网络可以被我们用来训练，来进行相应的一些预测。

在大脑当中的这些脑神经的活动进行预测，这样打开了无限的可能，可以回答很多有趣的问题。也就是人的视觉到底是怎么做的，可以用怎样的设备设计更好的人工神经网络帮助我们做这样的预测。这样人工的神经网络可以进一步的推动，一层一层进行输入、输出，我们知道大脑当中的确是不一样的，大脑当中它是有前输和后输的，在这个桥梁当中可以进行研究，人工的大脑和人的大脑当中到底什么区别，可以相互借鉴、促进。

这里有另外一个例子，这个也是来自于最近的一个研究，是自然语言的研究成果，也得到了很大的提升，包括自动翻译，比如谷歌翻译的一些系统，现在也是比之前要更加精确了，为什么是这样呢？主要是深层次的神经网络，更可能是由于有一些储存，通过大脑的研究，我们来研究大脑怎么样用这个神经活动来解释相应的一些词义，这些词义给到我们更好的一些来回答问题的方式。对这些细节进行研究，所以我们产生一种模型或者理论，来帮助我们对我们大脑的活动进行预测，任何词义给到人会出现怎样的一个词义，通过这样一个模型的结构，给到任何输入。比如说电话，首先这个模型产生一个代码，用它预测它的神经活动，大脑当中有两万个不同的位置被预测出来。进一步通过矢量进行预测，比如这里是芹菜，这边是飞机的两个矢量，两个矢量的特征都和相应的词对应，对这个芹菜可以看到左手边是芹菜，和芹菜相关联的字数，口味和芹菜相应的一个关联度，对飞机来说，飞机出现很多的动词，可以看到相关的一些词就出现了。

通过这样的一些模型当中的编码，可以很好的出现一些皮层当中出现的词，我们对模型进行培训。我们看到在下面对任何词的神经活动，比如芹菜，把这些语义的特征组合起来，通过模型的学习，把这些特征进行关联，吃这个词和我们的芹菜这个词是关联度最高的，通过这样的研究很有意义，给到一个新词，比如说之前没有培训过，对它的一个预测在量子的分析当中我们发现，在83%的情况下有两个新的词，两个FMI的词的出现，哪个是第一个关联，哪个是第二个关联，有50%的可能性是正确的，有的词从来没有出现也是有很高的识别率，也就是对神经的活动，词义的一个表达，是用了我们矢量表达法用在词义的解释上。

 猴子给人类的启示 

关于强化学习

▼

这是技术的表达，在人工智能和人脑当中一个桥梁的关系。第三个例子是我们讲的强化学习，这个是非常流行的，比如相关的培训当中会出现一些强化的学习，有些强化学习的算法，很多时候用人工智能的这些强化学习的算法，很多时候对动物的一些奖励学习，强化学习很好的方式。从一个猴子的单一细胞当中进行调用，在底部有一些横线，每一个点都是对应到它的一个正在放电的神经元，在下面可以看到有时间的序列，有的这个线这是给到一些糖给猴子吃，猴子认为这是奖励，所以有些放电的现象。

在这个上面，这个是所有的各种情况的一个总和，猴子吃糖之后的一些反应，可以看到他们的一个总合，的确给到了猴子糖吃以后就会神经元放电。这样的一种神经元放电代表什么呢，可能对这个奖励，也就是这个糖有所感应，所以放电了。通过这样的实验来培训这些猴子，给到猴子糖以后，后一秒就开始闪光，这个图就变成这样一个图了。这个时候我们可以看到的情况就是给到了猴子糖以后，猴子的神经元没有任何反应，而是当闪光以后，猴子的神经元才放电，说明并不是因为给了糖神经元才反应，而是对奖励这个事情本身放电，就证明了，这是很酷的情况。

还有一种情况，没有给糖，只是闪光，猴子怎么反应，没有给糖，没有任何奖励，这个神经元就会怎么样来表达呢？所以闪光之后发现并没有给糖，是一种抑郁，而不是奖励了，这个神经元它是在这个过程当中，一些物质是对这样一种强化学习直接相关的。在这样的信号之下，我们可以看到的是能出现奖励，就是和这个时间的方程式，在这样的一个情况下，很好来解释了我们能看到它的神经元的一个表现，因此在我们的人工智能的算法和我们人的大脑之间或者动物的大脑之间，有这样一种桥梁和关系，因此强化学习的算法对机器人的控制是可以用的，或者是可以用于打败人类冠军的阿尔法狗的训练，因此通过这样的一些大脑行为的观测和检测可以帮助我们进行这样的一些人工神经网络的训练。

通过这些方式，我们刚才也讲了矢量的应用和强化学习的奖励、强化学习的方式，这样一些人工智能的算法，在我们的大脑当中，观测到了神经元的活动的关联，因此给到我这样一个激励，现在已经是很好的时机，现在在人的脑科学和人工智能方面取得巨大的进展的确到了好的时机可以进行两者之间更多的交集，在人工智能和脑科学进行更多桥梁的搭建，包括其他一些领域，也可以进行更深度的一些关联。

我前面也举出了一些实例，希望大家可以进一步研究，尽管人的大脑不是由硅组成的电脑，但是有可能任何产生智能的物理的方式，它都是有一些信息的约束条件的，形成这样的一种结构，这样的一种结构可以深层次的学习，从人工智能和人脑之间的学习当中可以找到更多的答案帮助我们推进科学的进步，再次感谢各位。

演讲结束后，Tom Mitchell教授回答了现场记者的一些问题。

您如何看待第三次人工智能浪潮，会否像前两次衰落？对于新入门的这些学习的学生，您现在有什么新的建议？

Tom Mitchell：确实在过去比如在20世纪80年代、90年代的时候，我们看到人工智能它的发展是有起有落，现在发展到今天，它又处于一个起的阶段，可是我们这次的起就不一定意味着有衰落。因为我们这子已经发现AI已经在商业方面取得了非常巨大的成功，这是在过去前所未见的一种成功。因此我们业界就对此非常乐观，包括在80年代的时候，日本所推出的这个第五代项目，它当时AI项目确实也取得了一定程度的成功，当时大家就处于一个比较盲目乐观的状态。

但是那个时候的成功并没有给我们带来更好的结果，现在完全是一个不同的时代了。所以在今天比如你可以和自己的手机对话，但是你难以想象在过去AI技术相关的这些设备甚至在五十年前它们都属于像瞎子一样的状态，它们无法看到你，它们没有办法辨析你的语音，更没有办法像现在的电脑机器一样和人进行竞赛，而且它在过去也不可能理解人所开的玩笑，也不可能真正把语音转变为文本，我们现在看到的这些成功都是过去完全没有见到，前所未有的。

而且我们的业界也投入了更多的资源来发展人工智能，这个资源的多也是前所未见，而且在企业界我们在研发方面所投入的时间精力和金钱也超过政府的层面。这也是我们过去从未见到的，这也是为什么我非常乐观，人工智能将会在未来有一个腾飞。简而言之，这是我们前所未见的一种进步，而且我们现在的人工智能可以让电脑看到你，而且也能够听懂你，这是一个巨大的改变。而且我也相信在下一个十年我们还能够看到我们与AI系统对话的前所未见的一些场景。因此，在机器学习方面，我们可以开发出很多新的方式，来辅助我们去学习，也可以辅助我们的教学。

您对于成立AI这种公司有什么样的想法？AI这类的公司它能够成功究竟是取决于它的一些技术呢还是取决于它的产品？

Tom Mitchell：我本人认为如果一个AI公司他没有自己具体的一个产品的话，它的存在可能性是非常小的，尤其是在长期，而且现在我们能看到很多机遇，也就是AI公司所具有的机遇，特别他们要具体解决比如自动驾驶汽车还有自动的回复邮件等等，有很多这样的人工智能的公司他们在开发这样的产品。同时也有一个有趣的现象，我们也能够看到有些AI公司成立以后，纯是在开发技术，像deepmind，但是它也是一个比较特殊的例子，因为它最终长期发展的一个战略就是消失掉，最后它被谷歌收购了，谷歌在推出的AI产品当中可以看到之前deepmind技术的一个影子，所以如果是真正想要不凭产品，在AI这个领域当中去寻求到更多的精彩的话，实际上是一个比较短视的战略。这样的话，在短期当中可能资金不会消失太多，但是长期可能会产生一些问题。而且也只能寄望于被别的公司收购。

对于AI人才培养有没什么建议？

Tom Mitchell：关于AI人才的培养问题，我觉得您这个想法非常的好，也十分有潜力。因为毕竟现在AI的人才是处于一个供不应求的状态，所以我们也可以从中发现一些商机，比如说在网上可以去创造一些非常有趣、浅显一些的，而且也是非常实用的在线课程。

但是对于有些学生来说，有些付费的在线课程它的成本比较高，所以我们现在应该鼓励一些专门去研究继续教育这方面的企业，他们尽最大的努力去减少这些课堂的成本，同时也把这些课程的质量提高，让他们成为一等一的世界级的AI课程，这也是我们学生所需要的。除此之外，我们也可以建议更多的学习AI的学生去网上包括像courseva这样的平台去学习AI相关的课程，比如coursera网站上现在就有（安朱）教授关于人工智能机器学习很重要的课程，也很有意思，可以建议很多学生去看。因此，关于这些继续教育企业他们能够推出一些专门性的、知识性的，甚至是一对一的人工智能的教育，我认为对于学习AI的学生来说大有裨益。

AI在未来可能会给我们普通的生活以及我们的未来生活带来一些什么样的负面影响？像您这样的科学家会去怎样做，来保证我们有一个更加光明的AI方面的未来？

Tom Mitchell：您刚才提的问题非常有趣，也很重要，因为我们需要看到一个技术它的正面和负面，而且也要知道它的潜力所在。AI确实在这几年也是风靡全球，而且它是一个非常有利的技术，但是我们怎么样去使用它，让它为我们人类谋到更大的福利？我认为是特别关键的。首先我认为AI在推动人类社会进步发展这方面的作用是毋庸置疑的，因为它可以大大提高我们的生活质量，包括减少城市当中的污染，减少城市当中的拥堵现象，还有帮我们实现不同语言之间的沟通，还有在医学上实现更精确的诊断，这些都是可以提升我们生活质量的东西。这个技术发展的过程也是不可逆转的，而且我觉得是不应该逆转的。

但是另一方面就可以看到AI的一些负面的效应，以及有些人对于AI的利用，比如说有些人把病毒植入电脑当中，或者是开发出一些智能的AI病毒，来实现他们不可告人的目的。同时有些国家的军方也有可能利用了人工智能这个技术来危害其他的各方，所以我仅仅举以上这两个例子，让大家看清楚AI可以在负面给大家带来的危害。而且我们应该把AI视作一把双刃剑，而且应该让整个社会看到这个双刃剑所在，知道它给我们带来的不同的可能性。只有用这种方法，我们才可以真正帮助社会在解决污染问题，提升医疗质量，同时在减少贫困这方面作出贡献的同时，也让更多的人去思考，包括政策决定者更多去思考它的负面效应，以及我们怎么样预防这样的负面效应。

如何利用人工智能推动教育的发展？

Tom Mitchell：关于在AI方面我们怎么样去利用AI去推进教育的发展，以及在这方面遇到了什么样的挑战？我们确实可以去建立一些全新的在线的教育系统，而且可以通过AI让整个教学过程更加个性化，而且不断的获取学生最新的数据，之后再进一步的把教学的过程个性化。我们现在也有一些相关的科学研究，就提出了这样的一种机器学习的场景，比如说我们设计一个考题给学生，让学生对一个ABCDE进行排序，不同的选项进行排序，学生可能就会给出正确的或者是错误的答案，然后教师在他收到一些学生答案过后，对学生的成绩进行分析，再进行教学，这是我们一种传统的教学。

但现在出现这种新的机器学习和人工智能的工具过后，或许一个机器就可以收集高达十万名学生的答卷，就可以去分析这些答卷当中学生出错的规律，在过去一位老师他可能穷其一生，都不可能接触多达十万名学生。这就可以让大家看到AI的潜力所在，也就是它可以实现大规模的数据收集，或许我们现在这种技术还没有真正得到非常广泛的应用，但是我认为这样一个时代必将到来。

原文发布时间为：2017-04-28

本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号