2015/7/13 下午12:06:19 星期一
当前位置: 主页 > 周而复始 >

ACM 对 2018 图灵奖获得者 Geoffrey Hinton、Yann LeCun、Yoshua Bengio
时间:2019-05-31 14:06

ACM 对 2018 图灵奖获得者 Geoffrey Hinton、Yann LeCun、Yoshua Bengio 的专访

时间:05-28 15:13 阅读:4135次 转载来源:搜狐财经

原标题:ACM 对 2018 图灵奖获得者 Geoffrey Hinton、Yann LeCun、Yoshua Bengio 的专访

雷锋网 AI 科技评论按曾经,人工神经网络在AI领域内可谓是饱受争议,很多学者并不看好该技术方面的研究。而就在不久前, 有“深度学习三巨头”之称的Yoshua Bengio、Yann LeCun、Geoffrey Hinton 共同获得了 2018 年的图灵奖;同时他们在该领域的研究成果也成为了当今从搜索到内容过滤等各个方面不可或缺的组成部分。

那么现在炙手可热的深度学习和人工智能(AI)领域发展究竟如何?在这里,ACM对三位先驱者进行了相关问题的专访,以下内容将向大家分享三位学者激动人心的发现,以及他们眼中当下仍存在的挑战。

Q:现在关于人工智能的异议已经远比你们刚开始研究时要多,其中一些是广为人知的,有些则不是。所以,你们不希望再被问到关于 AI 的什么问题呢?

GEOFFREY HINTON:比如这个问题,「神经网络只是泡沫吗?」因为在过去,人工智能领域的研究者们提出了许多宏伟的想法,但通常难以实现。而神经网络并不是,它的确行之有效,并且还可以扩展。在无需更多代码的情况下,通过向其提供更多数据和更高速的计算机时,它的性能还会变得更好。

YANN LECUN:的确如此,深度学习的基本思想并没有消失,但当人们问道是否只需简单地扩展当前的方法,就能使机器更加智能化时,它的表现仍旧不够理想,我们还需要创新。

YOSHUA BENGIO:目前的技术在工业和科学方面,已经有多年的应用经验。但对于我们三个人而言,作为研究者,在获取更详细的信息方面还不够有耐心,,因为我们远离了人类级人工智能,并且对于理解自然或人工智能法则方面还有所欠缺。

Q:有哪些问题还没能得到充分的讨论呢?

HINTON:对于大脑是如何工作的,人工智能给了我们哪些启发?这个问题有人问过,但问的人还不够多。

BENGIO:而且更糟糕的是,尽管深度学习的灵感来源于大脑和认知,但如今参与其中的大部分工程师们并不关心这些问题。如果将其运用在工业中,倒是可以被理解;但就研究而言,如果我们不与那些试图理解大脑运作方式的人多沟通,我认为这是一个巨大的损失。

HINTON:换句话说,神经科学家现在正在认真对待 AI。过去几年来,神经科学家认为,「人工神经网络与真正大脑的不同之处,在于它不会告诉我们关于大脑如何工作的任何信息。」但现在,神经科学家非常认真的专研大脑中正在进行反向传播的可能性,这确实是非常令人兴奋的。

LECUN:现在几乎所有关于人类和动物视觉的研究都使用卷积网络作为标准概念模型,这在以前是几乎不可能发生的情况。

HINTON:我认为这对社会科学也会渐渐的产生巨大影响,因为它会改变我们对人的看法。曾经我们认为人是理性的存在,人的特殊之处在于他们使用推理来得出结论;而现在我们可以更好的去理解「把人比为大规模的类比制造机」的概念。它们很慢地形成这些象征性事物,然后这些事物决定了得到的类比。当然,我们也可以做推理,没有它我们就不会有数学,但这并不是我们思考的根本方式。

Q:作为先驱研究者,你们怎么看待过去的所取得的成绩呢?

HINTON:我认为创造标准技术的人确实有他的独特之处,既不是天赋所在,也并非其它更精湛的技术,而在于和那些在某个领域采用标准做事方式的人相比,能更好去理解标准方式的意义罢了。

BENGIO:学生们有时也会谈论神经网络,仿佛像在描述圣经一般。

LECUN:它打造了一代人的独断主义。然而,一些最具创新性的想法很可能来自比我们更年轻的人。

Q:该领域的进展着实令人惊叹,那么在 20 或 30 年前,你们可能会对什么感到惊讶?

LECUN:我对很多事情都感到惊讶。比如:深度学习改革竟然来得如此之晚;而它一旦开始后的发展速度竟然如此之快。我本以为事情能够逐步发生,但人们在 20 世纪 90 年代中期到 21 世纪初中期之间放弃了神经网络的整体观念。有证据表明在那之前它们依旧在被使用,而一旦大家接受了新的观念,深度学习改革发生得非常快。首先是语音识别,然后是图像识别,现在是自然语言理解。