|
选自Macleans 作者：Adrian Lee 机器之心编译出品 编译：chenxiaoqing，微胖，亚洲，赛坡
问：你对Alpha Go 获胜有什么看法？ Hinton：激动人心。为了这场比赛，我常常熬夜到凌晨两点看直播。在AlphaGo第一次对局李世乭之前，其实我们根本不知道AlphaGo是不是有些不清楚的致命缺陷。在第四局的时候我们看到了一些它的弱点。总结来说，它非常的让我们振奋。每个团队里的人都在比赛之前认为AlphaGo会赢的，但是没有人确定。幸运的是第一局并没有出现第四局的情况，如果AlphaGo输了第一局，他们会相当紧张的。 问：人工智能取得了围棋的胜利为什么意义重大？ Hinton：围棋很多时候取决于直觉。真正优秀的棋手会在眼中看到哪里适合放置下一个棋子。他们也会做大量推理，也就是算棋，但是他们最出色的还是神乎其神的直觉，而这正是人类觉得计算机无法做到的。但是有了这些神经网络，计算机也可以做到这点。它们可以思考所有可能的落子方法，并依靠直觉决定其中一种优于其他所有。这正是feed point neural network所做的事：它给了这个系统类似于真正棋手的直觉。接着它可以尝试所有的替代方法。神经网络为你提供了好的直觉，这是其他系统所缺少的，这也是人们还没有理解计算机到底能做到什么的原因所在。 问：在2014年，专家说过人工智能或许在未来有一天能够在围棋中获胜，但是主流思想是在那之前至少需要十年的时间。很显然，他们低估了人工智能。那么你在那时猜想过它会发生吗？ Hinton：我当时觉得如果有一个非常优秀的团队，管理有序，然后用一年的时候努力推进这项研究，并且利用神经网络，也许你可以做到，当然这只是一种可能性。但是Deep Mind团队真的做到了，因此我很惊讶他们的速度。 问：那么下一步，人工智能又想去征服哪一个更加复杂的游戏呢？ Hinton：从我们对于棋盘类游戏所得来说，我不认为还有其他——我想这真的是一个里程碑。当然还有很多其他游戏，在这些游戏里你与其他和你对话的人物作出反应。人工智能仍然无法处理这类游戏，因为它们还不能很好地理解自然语言，但是它正在进步之中。现在所用的翻译手段一定会有所改变，因为谷歌承诺会研发更好的机器翻译技术，这是发展理解自然语言的一部分，并且会有着深远影响——它会影响幻想游戏等等，但是它也能让你更好地进行检索，因为它可以更好地理解文件的意思。其实它已经在影响很多东西了——在Gmail里有Smart Reply，后者可以辨别快速回复的邮件，并在它认为合适的时候给你替代选择。它们做的很好。你也许会认为它是一种大量数据存储系统，类似「如果邮件是这样子的，那么这是个不错的回复，如果邮件是那样子的，那么他的这个是个不错的回复」。实际上它合成了邮件里的回复。神经网络处理了邮件中的所有字句，并在神经元中腾置出内部状态，利用这些内部状态生成回复。它已经用大量数据训练过，在这个过程中熟悉各种回复的格式，但是它的确是在生成回复，并且越来越靠近人类做同样的事的方式。 问：除了游戏，人工智能下一应用可能是什么? Hinton：这取决与你问的那些人（团队）。在我看来，除非我们的系统中有了如同大脑那样的参数，否则无法达到人类的水平。在大脑中，神经元突触之间有链接，而且会发生变化。你所有的知识都储存在这些突触间。10-15岁时，你大脑中大约有千万亿量的突触，这个数字是非常庞大的。所以这不同于我们现有的神经网络。它们相比大脑太小了，我们最大的也只有大约十亿级的突触量。要比大脑小百万倍。 问：你能为此做个预测吗？ Hinton：这个期限会超过5年，我拒绝谈及超过5年的的任何事情，因为我们无法看清5年后的事。你看过去的预测，比如世界上只有5台电脑的市场(据说是由IBM创始人托马斯·沃森所说）。你知道对未来做太久远的预测并不明智。 问：对AlphaGo有一种比较盛行的看法就是害怕它会比人类更聪明，甚至会统治人类。害怕深度学习造成的结果会不会是一种非常荒谬的看法呢？ Hinton：：我认为人们需要明白深度学习在背后可以做到很多事，而且做的更好。它已经用于谷歌搜索和图片搜索。在Gmail智能回复上也使用了深度学习，就在语音和视觉领域，我相信不久机器翻译也会出现。而且它还将会用于其他像是气象科学、节约能源、基因组学等领域的重点问题上。 所以这就像...只要你拥有好的机械技术，你就能像挖掘机在路上挖坑一样做事。当然，挖掘机可能会撞到你脑袋，但你并不会因此不设计挖掘机，这看起来会非常蠢。显然的，如果它们被错误使用，就会产生问题。任何新科技，如果被坏人使用，就会产生坏的影响。但这更像是一个政治问题而非技术问题。我认为，我们必需像看待挖掘机一样看待人工智能。它在很多事情上的表现都要比人类好。而且要比挖掘机的好处多得多，挖掘机只能在挖坑上帮助我们。当然，你能误用它。 问：还有一种担忧就是人工智能代表着人类即将被淘汰，害怕人类会因此不可避免的失去工作。 Hinton：很难预测5年后会发生什么，但我相信5年内不会发生这种事，而且我也相当自信它不会成为我必需解决的问题。人们可以考虑这种事情。但考虑重点并非是因为技术有威胁就限制它的发展，而是如何改进我们政治系统，防止人们用它做坏事。 问：在深度学习领域，计算能力有多重要？ Hinton：在深度学习中，我们使用的算法是二十世纪八九十年代开发的版本。当时人们很看好这些算法，但最终显示表现并不好。现在我们明白，当时之所以表现不好事因为计算能力有限，我们没有足够的数据集训练它们。如果我们想要达到人类大脑的水平，我们需要更多的计算，需要更好的硬件。比起20年前，我们更近了一步，但还有很长的路要走。合适的常识推理使得我们可以预测到这些事情。 问：计算能力的持续增长会不会让深度学习的应用继续扩大？ Hinton：在过去的20年中，我们经历了计算能力的爆炸式增长、虽然当时人们说它不能持续，它却做到了。但这里也有我们未曾考虑到的事情。比如AlphaGo，我不确定它使用的计算能力的具体细节，但如果说它使用了数百千瓦的功率做计算我也不会感到惊讶。李世石可能就使用了30瓦，这是大脑消耗的，相当于灯泡。所以，做出更大的神经网络硬件会是关键。而且想拥有高质量的常识，我们需要更大的神经网络，这是我的观点。 问：在上世纪80年代，人工智能领域的科学家曾经放弃了深度学习与神经网络研究，那么是什么改变了呢？ Hinton：主要原因是它开始有了效果。在那时，大型实用的人工智能问题没有解决，它也没有取代当时的技术。但是在2009年，我们在多伦多研发了针对语音识别的神经网络，比当时的技术要稍好一些，这一点很重要，因为当时的技术有着30年努力研究的基础，而我实验室里的几个研究生用了几个月就鼓捣出来了一个更好的技术。对于聪明人来说，很显然这项技术必定会取代那时的技术。 后来，谷歌首次将相关研究引进了自己的产品中，在2012年，谷歌推出安卓系统，并且在这个系统里语音识别的效果比之前都要好：将错误率降低到接近26%。之后，我实验室里的学生们利用由其他人所研发的技术并进一步提升了它，在那时其他技术最多只能降低错误率到26%，而我们的错误率可以到16%。在我们实现这个之后的一年，人们说「哇哦，这真的有作用」。他们的质疑态度持续了很多年，也发表了论文批评这个技术。但是几年后，这些人全部都抱住了人工智能的大腿。 几年过去，错误率从16%一直降到大约4%。深度学习已经非常非常好了，并且也让大公司和学术界意识到深度学习学习的巨大能量。 问：这种知识回归的故事似乎只会发生在科学领域里。作家托马斯库恩谈及「范式转换」时，谈到过这个现象——这些科学革命并不必然产生更好的想法，仅仅是不同的想法。文化层面大体似乎已经失去了这一概念。深度学习回归就是这类只会发生在科学领域中的事情吗？ Hinton：我认为，这就是科学和宗教的区别所在。在科学领域中，你能看到看似疯狂的事情，但是，长远看来，你可能是对的。我们能获取真正好的证据，最终，整个研究社区会苏醒过来。你正在与之争论的科学家很有可能不会苏醒过来，但是，年轻一代会改变，这就是深度学习领域正在发生的事情。并不是说老的传统人工智能研究人员们相信这个，坚信这个理念的是那些年轻的研究生们，他们都见证着事情发展的方向。 上世纪五十年代，我年轻时，也有过这样一些体验。我父亲是一位昆虫学家，相信大陆漂移说。那个时候，这无异于胡说八道。到了五十年代中期，大陆漂移说流行起来。有位叫做Alfred Wegener的人在三四十年前就想到了大陆漂移说，但是，他没有机会看到这个学说流行起来。这些学说以一些非常天真的想法为基础，比如非洲契合南美洲的方式，地质学家们仅仅投来鄙视的目光。他们认为那种观点纯属垃圾，异想天开。 我记得我父亲曾经卷入一个非常有趣的争论，有关一只无法行进很远也不能飞的龙虱。你能在澳洲的北海岸线看到这些动物，百万年来，他们无法从一个条溪流行进至另一条溪流。而且龙虱出现在了新几内亚的北海岸线，你在这里也看到了相同的龙虱，只有一些略微不同。这种事情能发生的唯一方式就是：新几内亚从澳洲大陆分离出来并转向相反的方向，新几内亚的北海岸线过去与澳洲海岸线相联。看看地质学家对这一观点的反应，是件很有趣的事情，他们认为，「龙虱不能移动大陆。」拒绝看证据。 问：当面对那些驳回你的想法的论证时，是否想过放弃？ Hinton：人们非常非常反对这种想法。当时事情很棘手。但是，我的看法是，大脑一定是按照某种方式运行，它当然不会像普通计算机程序那样运作，特别是，那种认为任何事情都必须编入人工智能的想法很疯狂。你与世界互动，试图搞清楚世界如何运作。在我看来，将许多知识植入人工智能系统唯一的希望就是研发学习算法，允许机器学习这一知识。长期而言，那种方法是唯一有可能成功的办法。结果证明，我是对的。 问：特别证明了你（的观点和想法是对的）？ Hinton：是的。我试着不去吹嘘，但是，它看起来不像我和其他一些人长期以来倡导的研究方法，如今真的比传统人工智能管用的多。 本文由机器之心编译，转载请联系本公众号获得授权。 ------------------------------------------------ 加入机器之心（全职记者/实习生）：hr@almosthuman.cn 投稿或寻求报道：editor@almosthuman.cn 广告&商务合作：bd@almosthuman.cn 机器之心是Comet Labs旗下的前沿科技媒体。Comet Labs是由联想之星发起、独立运作的全球人工智能和智能机器加速投资平台，携手全球领先的产业公司和投资机构，帮助创业者解决产业对接、用户拓展、全球市场、技术整合、资金等关键问题。旗下业务还包括：Comet旧金山加速器、Comet北京加速器、Comet垂直行业加速器。 ↓↓↓点击「阅读原文」查看机器之心网站，获取更多精彩内容 |
|
|
