观点
您现在的位置:首页 > 观点 > Geoffrey Hinton讨论了人工智能如何能够让我们了解大脑

Geoffrey Hinton讨论了人工智能如何能够让我们了解大脑

发布时间:2019/05/10 观点 浏览次数:39

 

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

姓 名:
邮箱
留 言: