哈萨比斯恩师：深度学习只能帮助我们解决10%的难题

　　 本文系网易智能工作室（公众号smartman 163）出品。聚焦AI，读懂下一个大时代！

　　【网易智能讯1月28日消息】今天上午，《麻省理工科技评论》新兴科技峰会EmTech China在北京举行。会上，MIT计算机科学和人工智能实验室教授Tomaso Poggio发表了演讲，阐述了过去五年人工智能领域的前沿探索，以及未来可能在哪里取得突破。

　　Tomaso Poggio表达了对深度学习的看法，他说，深度学习有点像这个时代的“炼金术”，但是需要从“炼金术”转化为真正的化学。

　　Tomaso Poggio认为，过去五年人工智能领域最重要的两个成就是：AlphaGo和自动驾驶，而这两个领域都有自己的学生，一个是AlphaGo的领导人哈萨比斯（Hassabis），另外一个就是Moblieye的CEO Amnon Shashua。

　　AlphaGo和Moblieye所取得的进步，背后是什么动因呢？Tomaso Poggio认为这要归功于机器学习的算法，也就是深度学习和强化学习，它们都来自于认知科学以及神经科学。

　　“但是，深度学习可以帮助我们解决10%的难题，剩下的90%需要来自神经科学以及认知科学的研究。”Tomaso Poggio称，未来我们需要更好地了解人的思维和大脑。据悉，目前Tomaso Poggio正在领导麻省理工学院的CBMM中心研究这个问题，“我们的使命就是要在理解认知方面获得新的进步，同时也需要去了解整个智能的架构和智能背后的科学原理。”Tomaso Poggio说到。（小羿）

　　以下为Tomaso Poggio演讲实录：

　　Tomaso Poggio：今天我想和大家谈一下人工智能领域正在发生什么。首先，我想说说我们在人工智能最近所取得的一些成功，尤其是过去五年，以及我们人工智能未来可能在哪里取得突破。然后，深度学习。深度学习有点像我们这个时代的炼金术，但是需要从炼金术转化为真正的化学。这样我们才能知道，深度学习在未来到底可以实现什么。

　　过去五年，人工智能领域最重要的两个成就是：AlphaGo和自动驾驶。我在这行待得够久了，因此两个领域都有我的学生：一个是AlphaGo的Hassabis（哈萨比斯）先生，他是DeepMind员工，现在在谷歌；另外一个就是Moblieye的CEO Amnon Shashua，他现在已经加入了英特尔。

　　接下来我们可以看一下过去23年机器学习取得了哪些进步。

　　23年以前，我和哈萨比斯（Hassabis）希望可以把计算机视觉和机器学习进行整合，然后创造出一个学习系统辨别行人。在这个短片中，我们可以看到机器识别出了行人和信号灯，基本上每秒钟会出现10个错误，当时是1995年，所以我们对这个结果还是非常满意的。

　　但是，Moblieye后来做到了每30英里只出现1个错误，把错误率降至当年的百万分之一，可以看出机器学习的准确性显著提高。

　　AlphaGo和Moblieye所取得的进步，背后是什么动因呢？

　　首先我认为是机器学习的算法，第一是深度学习，第二是强化学习，它们都是来自于认知科学以及神经科学。

　　深度学习的架构最早是在60年代研究猴子的视觉系统时被发明出来的，从而更好地研究他们大脑在学习时的神经结构，然后一直到Fukushima提出了首个量化模型，再到20年前现代版的HMAX被提出。这些架构都是一脉相承的——从脑科学到现在的深度学习，本质上都是一样的层级架构。从下到上，神经的等级越来越高。这个结构的局部中并没有很多的连接，每一个高级的神经元只会和下一个等级的神经元相联系。

　　2012年我们也开发出了AlexNet，它也是性能最好的一个架构。基于神经科学，我们通过工程学的研究并不断地发展。这是很重要的，因为我们还没有真正实现人工智能。

　　深度学习可以帮助我们解决10%的难题，剩下的90%呢？我的答案是我们可能也需要来自神经科学以及认知科学的研究，我们需要更好地了解人的思维和大脑。这也是我们MIT大脑、心智和机器中心（CBMM）在研究的问题，五年前我们开始开展相关的研究，我们的使命就是要在理解认知方面获得新的进步，同时也需要去了解整个智能的架构和智能背后的科学原理。关于智能的科学会帮助我们回答最宏大的问题，了解生命的起源包括宇宙的起源，以及时间的源头。大脑中智能的产生，是科学现在需要解决的元问题。

　　CBMM想通过以下三条路径解决这个问题。

　　一：计算机科学+机器学习

　　二：神经科学

　　三：认知科学

　　我们会同谷歌这样的商业公司合作，探索在工程和科学领域合作的可能。

　　过去几年中，技术发展和理论发展、包括深度神经网络领域的发展很显著。要了解深度神经网络的运作原理，需要回答背后的三个基本问题：

　　1、逼近理论：深层网络什么情况下会比浅层网络更有效？

　　2、最优化：应该如何设计经验风险函数？

　　3、学习理论：为什么深度学习不会产生过拟合？

　　这三个问题是机器学习的奠基石。他们的答案很复杂，要解决这种问题，我们需要一开始就思考深度学习的一些技术理论，以及它的局限性。

　　现在是应用人工智能的黄金时代，因为深度学习及其工程应用，终于帮助我们将传统的人工智能科学理论应用于了工程实际，而且能够为我们进行赋能。假如我们可以超越深度学习的理论，可以更好的去了解人类智能的话，我们也可以更加深刻地了解我们人类到底是什么。

　　 关注网易智能公众号（smartman163），获取人工智能行业最新报告。