对话|人工智能先驱Yoshua Bengio
Yoshua Bengio
今年1月份，微软收购深度学习初创公司Maluuba时，Maluuba公司德高望重的顾问、深度学习先驱Yoshua Bengio也接手了微软的人工智能研究顾问工作。最近，Bengio以蒙特利尔学习算法研究所负责人的身份访问了微软位于华盛顿州雷德蒙的园区，并与员工们举行了座谈。本文是此次座谈内容的实录。（本文译自A conversation with AI pioneer Yoshua Bengio， 请点击文末的阅读原文或直接将网址复制至浏览器中打开即可查看。https://blogs.microsoft.com/next/2017/04/06/a-conversation-ai-pioneer-yoshua-bengio/#Fu2Sooc4EsSOMJLH.99）
https://v.qq.com/txp/iframe/player.html?vid=h03919r4w2b&width=500&height=375&auto=0
Bengio：深度学习是机器学习方法之一，而机器学习则是让计算机从有关我们周围世界或其中某个特定方面的范例中学习，从而让计算机变得更加智能的一种方式。
在所有的机器学习方法中，深度学习是最独特的，因为它的灵感源自我们对人脑探索与研究。深度学习试图让计算机学会很多不同层次的抽象和表达，这可能是使此类系统如此成功的原因。
● 能否给我们举个例子，说明人们是如何运用深度学习的？
Bengio：深度学习最常见的运用方法被称为“监督学习”，我们向计算机提供在多种不同情境下应该如何行事的范例。例如，我们向计算机提供数百万个真人朗读句子的语音数据，当然也包括这每一个句子背后的声音数据对应的文本数据，我们希望计算机能够从这些对应的数据中学会将声音转换成文字。计算机像人类一样获得了在现实世界中的信息输入，它将通过对众多样本数据处理方法的学习来模拟人类完成任务的过程。
● 深度学习出现迄今已有数十年。您能否谈谈深度学习是如何从早期的起步阶段努力发展到如今广泛渗透进生活里的各类应用中的？
Bengio：这一切都发端于20世纪50年代末，当时人们真正开始思考人工智能，并且意识到：“嘿，我们应该研究大脑是怎么运转的，并从中获取一些线索，用来打造一些更加智能的机器。”但随后深度学习研究一度沉寂，之后又于20世纪80年代初卷土重来并持续到90年代初，尔后再次淡出——因为它的成效并不能满足当时人们过高的期望。时至今日，深度学习研究已迎来第三波浪潮。大约五年前，深度学习技术开始在各类应用中取得惊人突破：诸如语音识别、图像识别以及近期的机器翻译等自然语言相关的应用。
https://v.qq.com/txp/iframe/player.html?vid=q03919cpdpl&width=500&height=375&auto=0
● 作为深度学习的大咖，您认为目前最令人兴奋的研究工作是什么？
Bengio：现在我对所谓“无监督学习”领域中所取得的进步感到非常兴奋。在这一领域内，目前最尖端的机器学习和深度学习系统的表现仍远远逊色于人类。一个两岁的幼童都可以通过观察世界并与之互动来学习新知。例如，她不必专门通过上课，而可以通过玩耍和观察来了解重力和压力等物理学知识。这就是无监督学习。我们（的机器）现在还远远不具备这种强大的能力，但好消息是我们已经在这一方面取得了令人惊叹的进步。这非常重要，因为如果要让机器超越它们目前擅长但有限的解决特定问题的能力，我们一定要掌握无监督学习。
● 在微软, 我们讨论的更多的是将人工智能视作是帮助人类完成任务、增强人们体验与能力的手段。您认为在人工智能辅助人类上最有潜力的方面都有哪些？
Bengio：谈到我们在人工智能领域，特别是自然语言领域取得进步的第一个重要应用，那就是让计算机能够以更自然的方式与人类交流。眼下，我们与计算机打交道时常常会感到很懊恼，因为我们不知道如何更高效地与计算机进行沟通从而获取我们想要的信息。自然语言处理能力将让很多并非程序员出身的普通人能够更加便利地使用计算机。除此之外，计算机切实理解用户的需要和问题，不仅搜寻信息还可能找出原因，并帮助用户完成工作，这样的创想都是非常有前景的。
● 我想回到您前面谈过的话题：深度学习通常被认为是从人脑的运转方式中获得了灵感。为什么说深层神经网络受到了我们对大脑工作方式理解的启发，这又如何影响其研究潜力呢？
Bengio：从神经网络研究的早期开始，人们就有一个想法，大脑中运行的计算可否这样加以抽象化：大脑中的每个神经元都在进行一种非常简单的数学运算。神经网络所做的就是将所有这些小运算组合在一起，但由神经元所执行的每项计算都是可以变化和调整的。这对应于我们大脑中神经元突触的变化——这就是我们人类学习的方式。事实证明，计算机学会如何将许多元素结合在一起，这种机器学习方式是非常强大的。
https://v.qq.com/txp/iframe/player.html?vid=f0391dm1kv8&width=500&height=375&auto=0
● 我们目前对大脑工作方式的了解程度如何？
Bengio：大脑至今仍然是一个很大的谜。你不妨把它想象成一个大拼图。我们已经手握拼图的所有组件，世界各地成千上万的神经科学家正在研究其中许多不同的组件，但我们却忽略了全局。我和其他一些人相信并且希望的是，我们在深度学习中所取得的进步也将有助于我们发现这一全局。当然，我们不确信，但眼下科学界还有很多令人兴奋的想法，将更多的从机器学习和深度学习中获得的数学理念与神经科学相结合，以便更好地了解大脑。当然，我们也希望反过来也一样有效，因为目前深度学习还根本不能与人类智慧相提并论。人类和人类大脑能够做到机器不能做的事情，所以也许我们也能够通过对大脑工作原理的了解来启发和影响未来的深度学习系统。
● 我们常常听到很多对人工智能可以做什么的猜测。您能否给我们大致描述一下，我们距离创造能够实际模仿人类思维和行为的人造智能或深度学习技术还有多远？
Bengio：有很多人向我提出过这个问题，而我的回答总是“我不知道”，而且我相信，没有一个严肃的科学家能给你一个直接的答案，因为还有太多未知数。我的意思是说，从字面上看，我们之所以从事这个领域的研究，就是因为我们不知道如何解决某些问题。但我们知道的是我们正在取得进展。我们也可以猜测，事情正朝着正确的方向发展。但是，比如说，还需要多长时间才能切实地解决一些更难的问题、更复杂的抽象问题？这是不可能有答案的。究竟是5年，15年，还是50年吗？现在我们面临一些障碍，但我们认为自己可以克服。但是，也可能一山更比一山高。
● 你能否谈谈深度学习在人们运用人工智能的各种工具中所处的地位？
Bengio：深度学习正在改变过去几十年间人们对于人工智能的观念，将一些理念从相对传统的方式转向人工智能并实现两者的整合，并对其中一些好的想法兼收并蓄。其中最著名的例子就是深度学习与强化学习的融合。
因此，强化学习也是机器学习的一种，其中计算机并不会了解人类在特定情形下会怎么做。学习者这一方只能在一系列行动的实践之后看到行为的结果是好还是坏。在这方面研究的许多最新进展都体现在游戏等方面，但强化学习对于自动驾驶汽车等应用而言仍将是非常重要的。
你也许还想看：