深度學習“奠基人”特倫斯:人工智慧演算法框架可被科學家掌控
圖片來源:攝圖網
1989年,特倫斯·謝諾夫斯基在MIT以蒼蠅的視覺網路迭代發展舉例,將當時並不被看好的神經網路概念普及給支援邏輯計算程式的教員們。到今天,“深度神經網路”已成為人工智慧的核心框架,為大眾口口相傳。
這是大自然經過上億年發展給人類帶來的智慧,也意味著科學發展需經歷幾十年甚至百年後,才得以更智慧的姿態普惠日常。
今天的人工智慧也是如此。經歷過20世紀前期關於發展路徑的分歧和摸索後,科學家們終於意識到,基於腦科學的研究,將成為AI的助推器。近年來,包括中國、美國、歐盟、日韓等國家和經濟體正將這作為重要工程推進。
這一定程度源於業界對AI“不可解釋性”的擔憂。尚處在發展早期的人工智慧,卻無法為人類所解釋其運作原理,將必然阻礙AI的長遠發展。
不過特倫斯·謝諾夫斯基卻不這麼看,在近日接受21世紀經濟報道記者採訪時他明確表示,相比AI,人腦被頭骨層層包裹,裡面一片黑暗,才是真正的“黑盒子”,但AI背後的演算法框架其實可為數學家們掌控。現代科學家們正在研究,在未來十年一個週期的時間內,如何藉助對腦科學的研究,更好讓AI落地。我們現在還處在第一步而已。
深度學習路徑的由來
人工智慧技術的誕生要追溯到20世紀50年代,當時學界對於如何構建人工智慧產生了兩種路徑分歧。一類觀點主張基於邏輯和計算機程式,另一類則主張直接從資料中學習。
前者曾主導AI發展早期的數十年間研究和應用,但後者才是目前大眾所知曉的AI技術實現路徑。
特倫斯·謝諾夫斯基現在是美國“四院院士”、美國索爾克生物研究所計算神經生物學實驗室主任,也是人工智慧發展早期支援後者觀點的少數人之一。即使曾經歷美國政府機構大幅縮減人工智慧資金投入,卻並未影響到他所在觀點方的探索之路。
在前述特倫斯對MIT教員的探討過程中,他指出,蒼蠅眼中的視覺網路進化了數億年,其視覺演算法嵌入了本身的網路。這也是為什麼可以利用蒼蠅眼神經迴路的佈線圖和資訊流對視覺系統進行逆向工程,但為什麼不能在數字計算機上這樣做,因為硬體本身需要軟體來制定要解決什麼問題。
這也是通用裝置與專用裝置的差異性所決定。此後,一批不依賴於數字邏輯構建搭建的機器人開始有所發展。
到今天,我們大多從AlphaGo在兩次大型對戰中戰勝世界級冠軍選手的故事瞭解到其得以發展下來的原委。Google旗下團隊通過讓機器學習圍棋的多樣化棋局數作為基礎資料,AlphaGo除了具備評估盤局的深度學習網路,還有解決時間信用分配問題的系統,通過這些得以評估落子的行動順序。
在接受採訪時,特倫斯提到此後出現的“取代人類”相關質疑。“柯潔在輸掉比賽後提到,人類學了這麼多年才懂得如何下圍棋,但AlphaGo教會我,其實我對圍棋一無所知。但難道機器人戰勝人類之後,人們就不下圍棋了?並不是。”他指出,AlphaGo實際上在幫助人類懂得新的棋法,由此一來,人類也可以變成更好的棋手。“AlphaGo沒有要取代人類,實際上在推進人類變得更好。”
仍處在初級階段
但現階段的AI真的能開始教人類了嗎?其實還沒有。
縱觀科學技術的發展歷程,從基礎科學,到真正實現商業化,都至少經歷了50年時間。而目前人工智慧的應用還是基於30年前完成的基礎研究而來。
這意味著我們處在人工智慧時代非常初級的階段,也被稱為是“弱人工智慧時期”。
人工智慧從1956年誕生,目標是模仿人工的智慧並在機器上實現,目前遠遠沒有達到這個程度。當然他也指出,“現在有了AI可以引發巨大的變化,這是我們之前無法預測的,但我們必須跟蹤理解它,最終要利用它造福公眾,並且要預防預料外的結果。”
至少目前,AI在場景中的應用已經可以帶來一些驚喜,比如翻譯。特倫斯指出,五年前Google將深度學習相關技術應用到翻譯軟體中,“幾乎是一夜之間,過往幾千年來的文化壁壘就此被打破了。”他表示,有了通用翻譯器後,人類文化間的偏見也有望就此被消除。
初級階段的人工智慧相關技術仍面臨著諸多挑戰。不過特倫斯明確向21世紀經濟報道記者表示,不太可能存在“深度神經網路”之外的其他人工智慧技術框架。
“現在我們的發展在朝著兩個方向走。第一是利用原有的框架,藉助大資料應用解決各種問題;第二是一些研究人員在嘗試突破各種邊界和限制。”他舉例道,一些科學家嘗試把人類聚焦感官資料的能力(比如在嘈雜環境中聚焦某一個聲音)帶到深度學習中,讓深度學習網路也擁有選擇特定問題、特定資訊的能力。
“過去五年中,我們有了很大進展,當然要做的工作還有很多。新技術的發展是以十年為一個週期計算,可能AI在未來20-30年才會實現它的潛力。包括自動駕駛技術的發展,也是需要經過十幾年甚至幾代人的努力來實現。”這是特倫斯反覆強調的觀點,人工智慧技術尚處在發展的第一個階段,科學家們在嘗試理解更復雜的內涵並解釋它。
比如研究人類的大腦運作機制,包括大腦是如何從經驗中得出推論,但有時人類得出的結論並不總基於邏輯,其中還存在認知偏差。“人類的大腦很奇妙,我相信會有很多東西讓我們很興奮,包括未來研究人的大腦神經科學和人工智慧的交融。”他如此說道。
圖片來源:攝圖網 腦科學研究的啟示
實際上,深度學習框架的靈感也正來自對人類大腦運作機制的研究。
特倫斯向21世紀經濟報道記者表示,“深度學習網路很龐大,它在做的是簡化大腦中的處理機制。”他分析道,大腦中有上千億個神經元,其中有很多彼此相連的突觸,科學家在學習它的框架,並且用裡面的一些一般性原則進行簡化用於深度學習框架的發展。比如卷積神經網路(CNN)是用來處理視覺訊號,把視覺輸入變成神經訊號作為輸出,去識別影象以及和各種事物做聯結。
世界各國對於腦科學的研究在近年來正成為一個重要工程在推進。美國在2013年提出“BRAIN計劃”,目的就是創造新的神經技術,以加速對大腦功能和障礙的進一步瞭解,特倫斯也是這個計劃的參與者。
“我們關於大腦研究專案有一個5-10年計劃。期望在這段時間內要提升人類測量和探知大腦的能力,研究出新方法和新工具,這也是所謂創新神經科學要做到的事。”他指出,希望基於此,形成新的深度學習規則。
提及進展,他告訴21世紀經濟報道記者,“這肯定不是按照一年為單位計算,而是10-20年來看。現在我們進行的腦科學研究,是在建立一個科學家社群,培養學生,為他們提供相應工具,從而幫助技術更好地發展。我們現在處於早期的準備狀態,在幫助科學家收集更多資料,最終推進AI的發展。當然程序還是比較快的。”
要探知的話題有很多,比如人腦對資訊的處理和傳輸速度是毫秒級,遠比電腦要慢。但大腦中的資訊傳遞是非常複雜的過程,瞭解資訊如何儲存和處理後,才是人類有效改良AI的關鍵。
還有一些挑戰,假如神經元中的突觸連線有所改變,是否會改變資訊的輸入和輸出強度,需要多久才能發現資訊傳遞帶來的影響等。
近日埃隆·馬斯克宣佈旗下公司Neuralink專案推出侵入式腦機介面方案;Facebook團隊也宣佈能夠通過讀取腦損傷參與者的大腦,做到實時解碼一小部分對話中的口語單詞和短語。這都是對人腦研究的最新重大進展。特倫斯對此熱切關注,其中一個原因是,Neuralink公司聯合創始人之一Flip Sabes此前是特倫斯所在研究室的學生。
“我的研究室訓練出了世界上最棒的認知神經科學家!”提及此,他十分興奮。“這是我們邁出的重要一步,可以讓我們解碼更大量的神經元資訊。在過去20年內,學界已經在嘗試將晶片植入到大腦前額葉的位置,解碼大腦給四肢發出的動作訊號,以此幫助治療脊椎類疾病引起的運動能力喪失。”
他向記者介紹道,通過腦機介面這類技術,可以提取到人類的感官資訊,“馬斯克一旦成功,在未來我們就不需要用鍵盤打字,可以直接提取大腦資訊,用意念進行谷歌或者百度搜索。這會帶來一個全新的世界和聯結方式。不過它不會馬上發生,可能要再過幾十年。”