本文系網(wǎng)易智能工作室（公眾號smartman 163）出品。聚焦AI，讀懂下一個大時代！

　　【網(wǎng)易智能訊1月28日消息】今天上午，《麻省理工科技評論》新興科技峰會EmTech China在北京舉行。會上，MIT計算機(jī)科學(xué)和人工智能實驗室教授Tomaso Poggio發(fā)表了演講，闡述了過去五年人工智能領(lǐng)域的前沿探索，以及未來可能在哪里取得突破。

　　Tomaso Poggio表達(dá)了對深度學(xué)習(xí)的看法，他說，深度學(xué)習(xí)有點像這個時代的“煉金術(shù)”，但是需要從“煉金術(shù)”轉(zhuǎn)化為真正的化學(xué)。

　　Tomaso Poggio認(rèn)為，過去五年人工智能領(lǐng)域最重要的兩個成就是：AlphaGo和自動駕駛，而這兩個領(lǐng)域都有自己的學(xué)生，一個是AlphaGo的領(lǐng)導(dǎo)人哈薩比斯（Hassabis），另外一個就是Moblieye的CEO Amnon Shashua。

　　AlphaGo和Moblieye所取得的進(jìn)步，背后是什么動因呢？Tomaso Poggio認(rèn)為這要歸功于機(jī)器學(xué)習(xí)的算法，也就是深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，它們都來自于認(rèn)知科學(xué)以及神經(jīng)科學(xué)。

　　“但是，深度學(xué)習(xí)可以幫助我們解決10%的難題，剩下的90%需要來自神經(jīng)科學(xué)以及認(rèn)知科學(xué)的研究。”Tomaso Poggio稱，未來我們需要更好地了解人的思維和大腦。據(jù)悉，目前Tomaso Poggio正在領(lǐng)導(dǎo)麻省理工學(xué)院的CBMM中心研究這個問題，“我們的使命就是要在理解認(rèn)知方面獲得新的進(jìn)步，同時也需要去了解整個智能的架構(gòu)和智能背后的科學(xué)原理。”Tomaso Poggio說到。（小羿）

　　以下為Tomaso Poggio演講實錄：

　　Tomaso Poggio：今天我想和大家談一下人工智能領(lǐng)域正在發(fā)生什么。首先，我想說說我們在人工智能最近所取得的一些成功，尤其是過去五年，以及我們?nèi)斯ぶ悄芪磥砜赡茉谀睦锶〉猛黄啤Ｈ缓?，深度學(xué)習(xí)。深度學(xué)習(xí)有點像我們這個時代的煉金術(shù)，但是需要從煉金術(shù)轉(zhuǎn)化為真正的化學(xué)。這樣我們才能知道，深度學(xué)習(xí)在未來到底可以實現(xiàn)什么。

　　過去五年，人工智能領(lǐng)域最重要的兩個成就是：AlphaGo和自動駕駛。我在這行待得夠久了，因此兩個領(lǐng)域都有我的學(xué)生：一個是AlphaGo的Hassabis（哈薩比斯）先生，他是DeepMind員工，現(xiàn)在在谷歌；另外一個就是Moblieye的CEO Amnon Shashua，他現(xiàn)在已經(jīng)加入了英特爾。

　　接下來我們可以看一下過去23年機(jī)器學(xué)習(xí)取得了哪些進(jìn)步。

　　23年以前，我和哈薩比斯（Hassabis）希望可以把計算機(jī)視覺和機(jī)器學(xué)習(xí)進(jìn)行整合，然后創(chuàng)造出一個學(xué)習(xí)系統(tǒng)辨別行人。在這個短片中，我們可以看到機(jī)器識別出了行人和信號燈，基本上每秒鐘會出現(xiàn)10個錯誤，當(dāng)時是1995年，所以我們對這個結(jié)果還是非常滿意的。

　　但是，Moblieye后來做到了每30英里只出現(xiàn)1個錯誤，把錯誤率降至當(dāng)年的百萬分之一，可以看出機(jī)器學(xué)習(xí)的準(zhǔn)確性顯著提高。

　　AlphaGo和Moblieye所取得的進(jìn)步，背后是什么動因呢？

　　首先我認(rèn)為是機(jī)器學(xué)習(xí)的算法，第一是深度學(xué)習(xí)，第二是強(qiáng)化學(xué)習(xí)，它們都是來自于認(rèn)知科學(xué)以及神經(jīng)科學(xué)。

　　深度學(xué)習(xí)的架構(gòu)最早是在60年代研究猴子的視覺系統(tǒng)時被發(fā)明出來的，從而更好地研究他們大腦在學(xué)習(xí)時的神經(jīng)結(jié)構(gòu)，然后一直到Fukushima提出了首個量化模型，再到20年前現(xiàn)代版的HMAX被提出。這些架構(gòu)都是一脈相承的——從腦科學(xué)到現(xiàn)在的深度學(xué)習(xí)，本質(zhì)上都是一樣的層級架構(gòu)。從下到上，神經(jīng)的等級越來越高。這個結(jié)構(gòu)的局部中并沒有很多的連接，每一個高級的神經(jīng)元只會和下一個等級的神經(jīng)元相聯(lián)系。

　　2012年我們也開發(fā)出了AlexNet，它也是性能最好的一個架構(gòu)?；谏窠?jīng)科學(xué)，我們通過工程學(xué)的研究并不斷地發(fā)展。這是很重要的，因為我們還沒有真正實現(xiàn)人工智能。

　　深度學(xué)習(xí)可以幫助我們解決10%的難題，剩下的90%呢？我的答案是我們可能也需要來自神經(jīng)科學(xué)以及認(rèn)知科學(xué)的研究，我們需要更好地了解人的思維和大腦。這也是我們MIT大腦、心智和機(jī)器中心（CBMM）在研究的問題，五年前我們開始開展相關(guān)的研究，我們的使命就是要在理解認(rèn)知方面獲得新的進(jìn)步，同時也需要去了解整個智能的架構(gòu)和智能背后的科學(xué)原理。關(guān)于智能的科學(xué)會幫助我們回答最宏大的問題，了解生命的起源包括宇宙的起源，以及時間的源頭。大腦中智能的產(chǎn)生，是科學(xué)現(xiàn)在需要解決的元問題。

　　CBMM想通過以下三條路徑解決這個問題。

　　一：計算機(jī)科學(xué)+機(jī)器學(xué)習(xí)

　　二：神經(jīng)科學(xué)

　　三：認(rèn)知科學(xué)

　　我們會同谷歌這樣的商業(yè)公司合作，探索在工程和科學(xué)領(lǐng)域合作的可能。

　　過去幾年中，技術(shù)發(fā)展和理論發(fā)展、包括深度神經(jīng)網(wǎng)絡(luò)領(lǐng)域的發(fā)展很顯著。要了解深度神經(jīng)網(wǎng)絡(luò)的運(yùn)作原理，需要回答背后的三個基本問題：

　　1、逼近理論：深層網(wǎng)絡(luò)什么情況下會比淺層網(wǎng)絡(luò)更有效？

　　2、最優(yōu)化：應(yīng)該如何設(shè)計經(jīng)驗風(fēng)險函數(shù)？

　　3、學(xué)習(xí)理論：為什么深度學(xué)習(xí)不會產(chǎn)生過擬合？

　　這三個問題是機(jī)器學(xué)習(xí)的奠基石。他們的答案很復(fù)雜，要解決這種問題，我們需要一開始就思考深度學(xué)習(xí)的一些技術(shù)理論，以及它的局限性。

　　現(xiàn)在是應(yīng)用人工智能的黃金時代，因為深度學(xué)習(xí)及其工程應(yīng)用，終于幫助我們將傳統(tǒng)的人工智能科學(xué)理論應(yīng)用于了工程實際，而且能夠為我們進(jìn)行賦能。假如我們可以超越深度學(xué)習(xí)的理論，可以更好的去了解人類智能的話，我們也可以更加深刻地了解我們?nèi)祟惖降资鞘裁础?/p>

　　 關(guān)注網(wǎng)易智能公眾號（smartman163），獲取人工智能行業(yè)最新報告。