DeepMind创办人论文:想突破人工智慧应用的天花板,需要

2020-06-06 作者: 围观:219 40 评论
DeepMind创办人论文:想突破人工智慧应用的天花板,需要

DeepMind 创办人发论文指出, AI 近期成果虽多, 但仍没发挥我们「大脑」优势

Demis Hassabis 这个名字在人工智慧界绝对称得上是如雷贯耳。

身为希腊裔塞浦路斯人和新加坡华裔混血的他,在年少时就展现出了极高的过人天赋,年仅十三岁便成为了世界国际象棋大师。不过他的职业生涯并非以人工智慧为起点展开的,毕业于剑桥大学的他最早凭着自己做出的两部电脑游戏而为人熟知。

他在 AI 传奇之路的开始还要回溯到 2010 年的 9 月,那时他在伦敦和另外两位同事创立了一家人工智慧新创公司。Demis 把自己对于游戏的热爱也倾注到了这家刚刚诞生的公司里,其从创立之初到现在的宗旨始终如一—— 通过人工神经网络让电脑以人类的方式学习如何玩电脑游戏。

在拿到 Elon Musk 等人的投资后,Google 一眼发现了这家目标看似莫名其妙的公司的巨大价值,豪掷 4 亿英镑将他们编入旗下。

这家新创公司,叫做 DeepMind。

在 AlphaGo 横扫李世石和柯杰之后,其在围棋界已经达到了独孤求败的境界。DeepMind 正在逐步将目光转移到打造应用场景更为广泛的人工智慧产品上,比如说让电脑学会关係推理。

近来,Demis Hassabis 出山发表了自己对于人工智慧未来看法的见解。

他坚信,若想让人工智慧完全发挥自己最大的潜力,唯一的途径是回到神经科学领域,重新深入钻研人类大脑和智慧的奥妙,从中汲取灵感。

当下,绝大部分的 AI 系统的核心都只是一层层搭建起的数学模型,其从人类大脑工作模式中得到的启发相当有限。

我们要明白的是,机器学习并非一把通往所有人工智慧奥秘的万能钥匙,其中的细分领域千差万别。就拿我们最熟悉的语音识别和图像识别举例,虽然主观感觉上它们的工作原理应该十分相似,但其实它们需要不同的数学结构模型;而且最后的成果算法只能用来解决极其具体的个例,应用範围相当有限。

打造出能打包处理生活中各种大事小事的人工智慧,一直都是机器学习届长久以来的夙愿。但残酷的真相是,将目前各种偏科生算法拓展成多才多艺的「好学生」的难度,远远超乎我们的想像。这很大程度上是因为,人类思想中最为精髓的知觉、想像力和记忆等特质在人工智慧的世界还属于襁褓期,甚至压根不存在。

在一篇于本週四在神经科学界最为权威的期刊《神经》 上发表的 论文 中,Hassabis 和另外三位共同作者指出,若想突破人工智慧应用的天花板,我们必须要对人类自己的智慧有着更为深入的了解。                   

他们详细地阐述了为何要提倡採取这种方法。

首先,他们认为,如果我们能对自身大脑的工作机理有着更好的理解,这无疑能极大地拓展我们为人工智慧开发出的数学模型和算法的种类和深度。其次,在构建最先进的 AI 系统并对其进行海量测试时,我们自身也会反思什幺才是真正的「智慧」,有机会对这个玄奥的问题产生新的理解。

论文花了大量篇幅来回顾神经科学和人工智慧漫长的发展历程,力图对这两者间的关係产生新的认知。他们指出,利用多层人工神经元来理解输入数据的深度学习和在大量尝试与失败的积累中成长起来的强化学习,都与神经科学有着千丝万缕的联繫。                   

这篇论文也犀利地指出,人工智慧领域近期取得的成果依然没有有效发挥神经科学本身的优势,更加智慧的 AI 离不开进一步的人格特徵——比如说对现实世界的直觉认知以及更加有效的学习方式。

Hassabis 和他的同事认为,若想解决此问题,还应加强人工智慧和神经科学二者间的联繫,使它们齐头并进。

持有相似观点的可不只有 Demi Hassabis 这位 AI 真正的大佬一人。纽约大学心理学教授及前 Uber AI 实验室主任 Gary Marcus 提出我们可以将在研究孩童认知发展时探索到的知识,应用到机器学习系统的提升之中。

大道理都讲完了,但若是想把这些先进的理念转化到实际的人工智慧应用中去可绝非一件轻鬆的差事。在国外科技媒体 the Verge 对 Demis Hassabis 的专访中,他说道:

不要说在两个领域均成为泰斗级人物,若是能在其中一个领域成为专家都已经是相当了不起的成就了。

Demis Hassabis 和 DeepMind 希望能寻找在两方面都有着深厚功力的人才,构建起人工智慧和神经科学间的桥樑,以简洁的方式向世人揭示它们之间的紧密关係。

:

不坐着下围棋了,DeepMind 训练机器人可灵活 动起来!AI 突破关係推理,DeepMind 人工神经网路击 败人类!围棋再无 Master,DeepMind 创办人宣布 AlphaGo 退役