Geoffrey Hinton讨论了人工智能如何能够让我们了解大脑

 
据悉，多伦多大学的教师，谷歌脑研究员，以及最近的图灵奖得主杰弗里·辛顿今天下午在山景城谷歌I / O开发者大会的炉边聊天中发表了讲话。他讨论了神经网络的起源 – 以生物神经元为模型的数学函数层 – 以及人工智能的可行性和含义，有朝一日可能像人类一样。
“在我看来，大脑没有别的办法，”神经网络的Hinton说。 “[人类]是神经网络 – 我们能做的任何事情…… [神经网络]比[他们]任何权利更好。”
Hinton过去30年来一直在处理人工智能的一些最大挑战，他被一些人称为“人工智能教父”。除了他在机器学习方面的开创性工作外，他还撰写或合着了200多篇同行评审论文。 ，包括1986年关于称为反向传播的机器学习技术的论文。
Hinton推广了深度神经网络的概念，或者包含上述功能的AI模型，这些功能以相互连接的层排列，传输“信号”并调整连接的突触强度(权重)。通过这种方式，他们从输入数据中提取特征并学习进行预测。
深度神经网络在变形金刚中得到了完善，两年前谷歌研究人员在博客文章和随附文章(“注意力都是你需要的”)中详细介绍了这一点。由于动态计算权重的注意机制，变形金刚在语言翻译任务中可以胜过最先进的模型，同时需要较少的计算来训练。
韩丁承认，创新的步伐甚至让他感到惊讶。 “[我不希望]在2012年，在未来五年内，我们可以使用相同的技术在多种语言之间进行翻译，”他说。
也就是说，Hinton认为当前的AI和机器学习方法有其局限性。他指出，大多数计算机视觉模型没有反馈机制 – 也就是说，他们不会尝试从更高层次的表示中重建数据。相反，他们试图通过改变权重来区别地学习特征。
“他们不会在每个级别的特征检测器上做一些事情，检查它们是否可以重建下面的数据，”Hinton说。
他和同事最近转向人类视觉皮层寻求灵感。 Hinton说，人类视觉需要一种重建的学习方法，并且事实证明，计算机视觉系统中的重建技术增强了他们对抗对抗性攻击的能力。
“脑科学家们都同意这样的观点，即如果你在感知途径中有两个皮层区域，并且从一个到另一个的连接，那么总会有一个向后的路径，”Hinton说。
要明确的是，Hinton认为神经科学家可以从AI研究人员那里学到很多东西。事实上，他认为未来的人工智能系统大多数都是无监督的。他说，无监督学习 – 机器学习的一个分支，可以从未标记的，未分类的和未分类的测试数据中收集知识 – 在学习共性和对他们的存在或缺席作出反应方面几乎是人类的。
“如果你采用具有数十亿参数的系统，并且你在一些目标函数中进行学术梯度下降，它的效果会比你预期的要好得多……你扩展的东西越大，它的效果越好，”他说。 “这使得大脑计算某些目标函数的梯度，并更新突触的强度以遵循该梯度更加合理。我们只需要弄清楚它是如何得到梯度的，以及目标函数是什么。“
它甚至可以揭开梦想的神秘面纱。 “为什么我们根本不记得我们的梦想?”Hinton在言辞中反复地问道。
他认为这可能与“学习”有关，他在一篇关于玻尔兹曼机器的合着论文中提出的理论中解释道。这些人工智能系统 – 对称连接的网络和类似神经元的单元，可以随机决定是“开”还是“关” – 倾向于“发现……观察到的数据不那么令人惊讶”。
“做梦的全部意义[可能]，所以你把整个学习过程逆转，”辛顿说。
韩丁认为，这些学习可以改变整个领域，如教育。例如，他期待更多个性化的，有针对性的课程，考虑到人体生物化学。
“你会想到，如果我们真的了解正在发生的事情，我们应该能够让教育变得更好，而我认为我们会这样做，”他说。 “如果你能够最终了解[在大脑中]发生了什么以及如何学习，并且不适应环境以便你可以更好地学习，那将是非常奇怪的。”
他警告说这需要时间。在更接近的一个词中，Hinton设想了智能助手的未来 – 比如Goog