三十年前就預知 AI 發展的傳奇男人:Yann LeCun 賦予機器人性

【我們為什麼會挑選這篇文章】三十年前,「人工智慧」還不如現在大鳴大放,但當時 Yann LeCun 對人工智慧的運算能力及潛力跟別人想得不太一樣。他把自己關在研究室裡鑽研出許多機器學習方法,如今許多相關的應用皆立足在他的研究之上。

Forbes》記者有幸能夠與這位關鍵大人物面對面訪問,談談他過去如何堅持挖深,帶領人類通往 AI 浩瀚的世界。(責任編輯:鄧天心)

20 世紀 80 年代中期,Mullet 髮型和粉紅格子夾克大行其道(譯者註:mullet 髮型是一種文化現象),精力充沛的 Richard Simmons 剛剛掀起健身狂潮,而人工智慧(AI)方面的研究卻幾乎陷於停滯狀態。

一方面,那時候電腦的運算能力還遠達不到要求。 早期的軟體驅動器在複雜程度上與現代的智慧型手機相比是小巫見大巫,電腦晶片在 1989 年以前也容納不了數百萬個組件,現今這個數字可以達到 80 億。

另一方面,一片揮之不去的陰霾使得關於人工智慧的一切幻想難以變為現實 1984 年,美國人工智慧學會舉行了一次重大的會議,會議中該領域的先驅 Marvin Minsky 站 出來警告商界 :投資者對人工智慧 的熱情最終帶來的只會是失望。 果不其然,人工智慧投資開始逐步走向崩潰。

現在看來,像 Yann LeCun 這樣有遠見的人沒有持太多的悲觀主義是一件幸事。 這位土生土長的法國人,在加入新澤西州 AT&T 貝爾實驗室的自適應系統研究部門時,甚至還不到 30 歲。

在那裡,他對人工智慧的熱情日益高漲。

LeCun 在貝爾實驗室研究出了許多新的機器學習方法,其中包括卷積神經網絡——由動物視覺皮質啟發的模型。 並且他的工作也促進了圖像和視頻識別,以及自然語言處理的進步。

「20 世紀 60 年代後期, 人工智慧下的統計學習方法就像被判了死刑 」,LeCun 回憶道。 「人們或多或少地放棄了它。不過由於人們對神經網絡的興趣,它在 80 年代後期又重新回到了我們面前。當訓練多層神經網絡的學習算法在 80 年代中期出現時,統計學習方法曾掀起了一股熱潮。」

在述說這場革命的過程中,LeCun 顯得有點謙虛過頭了。 他的發現創造了歷史,但他幾乎沒有提到過自己的名字或是成就。

LeCun 也拒絕止步於自己在電腦科學方面已獲得的成就;如今,他擔任 Facebook 的首席 AI 科學家,不知疲倦地努力實現新的突破。 現在,我們跟著他來享受一次特權之旅——零距離接觸這位學術明星——一起來探討人工智慧的成長歷程,最新的變化以及它的潛力。

人工智慧的開端

LeCun 熟知人工智慧的發展歷程,對其中的里程碑事件以及重要的人物如數家珍。 故事從 1956 年夏天在達特茅斯舉行的頭腦風暴會議開始,「人工智慧」一詞即創造於此。

僅僅一年之後,Frank Rosenblatt 在康奈爾航空實驗室發明了感知器。 其早期的實現之一是 Mark 1 感知器,這是一台龐大的矩形機器,包含 400 個光電池,它們被隨機地連接到簡單的圖案檢測器上,這些檢測器將被用於可訓練的分類器。

Mark 1 感知器:

http://www.dtic.mil/dtic/tr/fulltext/u2/236965.pdf

「這是首個能夠學會以一種非平凡的方式識別簡單圖案的神經網絡」,LeCun 說。 「你可以使用它們進行簡單的圖像識別,但它們不能識別出圖像中的物體,也不能用於任何推理或設計。」

一直到過去十年,模式識別系統都需要大量的手工作業來識別自然圖像中的物體。 「你必須做很多工作以構建一個可以對圖像做出表述的工程模塊——這種表述通常能被簡單的學習算法處理的一長串數字。因此,基本上你不得不手工完成這項工作。」

他補充說,早期的語音識別和機器翻譯也是類似的情況:手工操作意味著要付出更多的努力,但收穫甚微。

那麼,迄今為止,電腦科學究竟發生了什麼變化? 「在所有這些應用中,深度學習和神經網絡已經帶來了顯著的性能提升——並且大大減少了之前必要的手工勞動「,LeCun 說。 「這使得人們可以將這些應用擴展到許多不同的領域。」

那麼問題來啦,電腦在一開始如何學習?

神經網絡就像是大腦的軟體模擬;它們處理諸如視覺圖像之類的訊息並試圖得出正確的答案。 但是,如果答案並不是很正確呢? 這就要說到「反向傳播」了,它是一種讓神經網絡能夠學習的反饋流算法。

LeCun 和反向傳播

1986 年,反向傳播迎來了突破性的發現 當時,Geoffrey Hinton 教授指出電腦可以通過反复執行任務來學習,每次都讓神經網絡「向誤差減小的方向調整」,他也成為最早描述該方法的研究者之一。

LeCun 不僅實現了 Hinton 的早期理論,他還幫助奠定了基礎 20 世紀 80 年代早期,Hinton 首先提出了反向傳播的觀點,但放棄了它,因為他認為它不起作用。

但在 1985 年,LeCun 撰寫了一篇論文,描述了一種反向傳播的形式,正如他所說,「這是一個不起眼的會議。論文是用法語寫的,基本上沒有什麼人閱讀,但至少出現了一個重要的人。」而那個人就是 Hinton。 LeCun 之後到了多倫多大學,在 Hinton 的指導下擔任博士後研究助理,再後來他開始在 AT&T 貝爾實驗室(晶體管的誕生地)工作。

「所有機器學習都是關於誤差矯正的」,LeCun 解釋道。 想像一下,向電腦展示「成千上萬的汽車和飛機圖像,每次參數自我調整一點,輸出就越接近正確的——如果你足夠幸運的話,最終會確定一個結構,這時每輛汽車和每架飛機都能被正確識別。」

當他描述最終結果時,LeCun 的回答讓人敬畏: 「學習的神奇之處在於,即使系統從未見過的圖像也會被正確分類 。」

有各種各樣的技巧可以讓反向傳播起作用,它仍然是一種神秘魔法——但現在我們有了一個秘訣。如果你遵循這個秘訣,它每次都會奏效。」

數據,AI 和商業:未來和局限

人工智慧時代的數據被喻為新黃金、新石油、新貨幣。

是的,當今人人都知道:從大數據審計到電子商務,數據對企業來說非常有價值。 但是 為了發揮出數據的作用,企業中的管理者就要區分數據能做什麼和不能做什麼

LeCun 認為:「對於用機器學習賦能業務,數據非常重要。你需要數據來訓練你的系統。擁有的數據越多,系統就越準確。因此,不管從技術目標還是業務角度來看,數據都是多多益善的。」

但使用一段時間,你就會發現數據成了油膩的培根:也就是說,它無法讓智慧 化的機器更加智慧。

「無論是 Facebook、Deep Mind、Google Brain 還是其他機構的研究者,我們在研究人工智慧時,都不使用內部數據來測試它們,」LeCun 說道。 「使用公共數據能夠將我們的方法與學術界其他人的進行比較。擁有更多數據對於開發更好的方法並不重要。實際上,我們使用盡可能少的數據量,來使模型達到很好的表現。」

在學術研究中尤其如此,其中關鍵角色不是要處理大量的數據,而是成為 LeCun 所說的「新思想的先鋒」。

「數據對於利用機器學習創造業務非常重要。你需要數據來訓練你的系統。擁有的數據越多,系統就越準確。」

——Yann LeCun

同時,構建人工智慧戰略的企業需要在尋找解決方案之前進行自我評估。「 這取決於 AI 對你的系統有多重要,」LeCun 指出。 「如果只想應用現有的 AI 方法,可以直接使用雲服務。那麼這樣會相對容易。」一些企業和出租技術可以幫助人工智慧的部署。

最大的挑戰是那些希望建立自己的工程團隊的公司。 LeCun 說:「總體來說,現在對人工智慧工程師和科學家們的需求很高,而人才很稀缺,所以你必須付高價來僱傭他們。」

兩種學習方式,一個光明的未來

 

LeCun 概述了人工智慧中兩種不同類型的學習:監督學習和無監督學習。 監督學習適用於大部分機器學習的場景。 利用監督學習,研究人員們訓練模型來更好地識別圖像或其他形式的輸入。 比如你可以把它想像成旋鈕,通過自動調整,使機器的輸出更接近你想要的。

雖然無監督學習或「自我監督」的學習在當今機器學習中佔比很小,但卻擁有很大的潛力。 LeCun 說:「這種學習方法是從本質上預測我們在世界上所感知到的一切。」

現在的情況似乎是,需要預測將要發生什麼才能獲得下一步的突破。

但可以肯定的是,對於科學家、學術界和高科技巨頭來說,探索無監督學習的吸引力太大了。

這個研究的回報將能夠完成我們目前不能做的所有應用。 所以,希望能擁有智慧虛擬助理,同他們交談並理解你所說的一切。 他們會切實地在日常生活中真正地幫助到你。

「這有點像電影《雲端情人》,你看過那部電影嗎?」

簡單介紹一下:這部電影在 2013 年由 Spike Jonze 執導,講的是 Joaquin Phoenix 扮演的一個孤獨作家,愛上了由 Scarlett Johansson 配音的虛擬助手。LeCun 毫不掩蓋對它的喜愛之情。

(《雲端情人》電影海報)

「這部影片描繪了人工智慧成熟後,人們和他們的虛擬助手之間可能會發生交流,」他補充道說。 「我們離發展出這樣的 AI 技術還有很長的路要走。主要是因為現有的機器缺乏常識。」

「家貓都比最聰明的機器要更通人性」——Yann LeCun

常識? 但是在很多情況下機器不會比人類做出更好的決定嗎? 機器必須具有常識或者表現出來麼?

LeCun 解釋了為什麼他們不這樣做:「我們沒有能力讓機器學習龐大的背景知識:我們在生命的最初幾周和幾個月中得到了關於世界的大量背景知識,這和很多動物類似。」

因此,我們都知道機器人不能觸水,就更別說洗碗水了。

LeCun 認為:「我們製造不出靈巧的機器人,因為這些都超出了目前機器人技術的最新水平。 不是我們無法製造機器人,而是我們不知道如何建立他們的大腦。 我們不知道如何訓練機器人理解我們的日常活動,例如繞過障礙以及如何放置物品。」

鑑於 LeCun 在人工智慧應用方面的地位,他的話聽起似乎有些草率。 但是,當他考慮到人工智慧在醫療等領域的飛速發展時,他仍然對人工智慧的未來抱有很大的希望與好奇。

他認為,通過醫學圖像分析,可以訓練卷積神經網絡來檢測 CT 掃描圖或 MRIS 中的腫瘤,或者從皮膚圖像中檢測黑色素瘤,這將對放射學產生深遠的影響。

這正應了 LeCun 在 7 月 8 日,也就是 58 歲說過的一句話:「深度網絡既優雅又閃耀。」

相關報導: https://www.forbes.com/sites/insights-intelai/2018/07/17/yann-lecun-an-ai-groundbreaker-takes-stock/#84757b4586c8

__

(本文經合作夥伴 大數據文摘 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈AI 開拓者 Yann LeCun:深度網絡優雅又閃耀 〉,圖片來源:YouTube

延伸閱讀

深度學習專家 Yann LeCun:全球首位機械公民 Sophia 是場騙局,根本 BullShxt!

解除機器深度學習迷思,臉書 AI 負責人 Yann LeCun 解釋給你聽

【沒人信我時,還有你】「AI 教父」Hinton 與深度學習 40 年的奇幻旅程


全方位掌握消費者數位軌跡

AI 如何有效提升電商業績、降低導入成本?

《領取白皮書》

點關鍵字看更多相關文章: