你比AlphaGo聰明不知多少倍 | F2科學峰會
?圖片來自DeepMind
撰文 | 山世光（中科院計算所研究員、中科視拓（北京）科技有限公司創(chuàng)始人）
● ● ●
目前，我們對自身大腦的認知還處于非常低的階段?，F(xiàn)代腦科學作為一門年輕的學科，在短時間內得到了蓬勃發(fā)展。腦科學與人工智能的交叉融合勢必引發(fā)新的科技革命和產(chǎn)業(yè)革命，在可預見的未來深刻影響人類的思維范式和生活方式，成為人類認識世界的全新視角。
2018年未來科學大獎頒獎典禮暨F2科學峰會即將召開，其中一項議題就是“人工智能與腦科學”。本次峰會邀請到加州大學圣迭戈分校生物科學教授Terry Sejnowski和MIT人工智能實驗室教授Antonio Torralba等世界頂級專家探討人工智能與腦科學的交叉研究。
了解人工才能發(fā)展智能
2016年3月，AlphaGo橫空出世，與圍棋世界冠軍、職業(yè)九段棋手李世石進行圍棋人機大戰(zhàn)，以4比1的總比分獲勝；2016年末2017年初，該程序在中國棋類網(wǎng)站上以“大師”（Master）為注冊帳號與中日韓數(shù)十位圍棋高手進行快棋對決，連續(xù)60局無一敗績；2017年5月，在中國烏鎮(zhèn)圍棋峰會上，它與排名世界第一的世界圍棋冠軍柯潔對戰(zhàn)，以3比0的總比分獲勝。圍棋界公認阿爾法圍棋的棋力已經(jīng)超過人類職業(yè)圍棋頂尖水平。
一時間，AlphaGo風頭無兩，吸引了全世界的注意，不僅AI相關的創(chuàng)業(yè)概念備受風投青睞，甚至街頭巷尾八卦閑談，也開頭必談人工智能。
但是，在科學家看來，人工智能現(xiàn)在還處于“路漫漫而修遠兮”的狀態(tài)。以知名度最高的AlphaGo為例，科學家已經(jīng)實現(xiàn)讓程序自我學習；谷歌、優(yōu)步等公司的自動駕駛汽車也進入了路面實際應用。但是讓機器實現(xiàn)向人類一樣思考，卻遙遙無期。其中，最根本的原因，是我們現(xiàn)在對自己大腦的認識仍然處于非常初級的階段。哈佛大學的Jeff Lichtman教授在開課之前會問學生：“如果我們需要了解的大腦的知識是一英里長，那么我們現(xiàn)在處在什么距離上？”學生有的回答半英里，四分之一英里等等答案，但是他會覺得正確的答案是“三英寸”。如果以此延伸，AlphaGo離我們正常的大腦智能水平還有遙遠的距離。
正如斯坦福大學教授李飛飛在一場學術活動中展示的圖片，人們的大腦看到的是一個非常有意思的故事，知道這里面的人是誰，知道他們的關系、他們的情緒。更重要的是人的大腦能夠知道這幅圖的幽默點在哪里。但是計算機現(xiàn)在遠遠沒有達到這樣的認知。
腦科學助力人工智能發(fā)展
近幾十年人工智能的快速發(fā)展具體表現(xiàn)在一些智能算法的快速進步上，如深度學習的成功應用，其秘訣在于，構建一個大型的數(shù)據(jù)庫及大規(guī)模計算能力的提高。如今，深度學習在人臉識別、語音識別上的精度甚至超過了人類。數(shù)據(jù)顯示，微軟、谷歌、百度的語音識別錯誤率已經(jīng)低于人類的5%，人工智能將繼續(xù)在語言、圖像和視頻處理等方面取得更大的進展。
但是，深度學習等現(xiàn)有機器學習算法并沒有解決人工智能問題，很多專家甚至認為AI還處在初級階段。對生物大腦智能的恰當模擬或許是制造出人工智能的可行路徑之一。從這個意義上講，腦科學可以在神經(jīng)機制、心理機理等多方面為人工智能算法的設計提供線索，并啟發(fā)更具通用性和適應性的人工智能新算法。例如，現(xiàn)有深度學習都需要大量數(shù)據(jù)才能學好，如何使之可以像人一樣只需非常少量的樣本就可以學好？再比如，知識遷移是人類擁有的重要技能，現(xiàn)有機器學習方法如何從已經(jīng)逼近甚至超越人類智能能力的任務遷移到大量全新任務？等等，都有可能借鑒腦科學的發(fā)現(xiàn)來獲得啟發(fā)。
因此，如何將人工智能和腦科學的研究結合起來，碰撞出新的科學火花，讓人工智能和腦科學研究可以互為借助，彼此參照，交替前行，這是這個時代最前沿的話題。
科學大咖解讀學科交叉
Terry Sejnowski
2018年未來科學大獎暨F2科學峰會即將啟幕。在這場科學的盛宴中，其中一個議題就是“人工智能與腦科學”。據(jù)未來論壇青創(chuàng)聯(lián)盟成員、中科院計算所研究員山世光老師介紹，本場議題的主旨演講嘉賓，加州大學圣迭戈分校生物科學教授Terry Sejnowski在上世紀80年代就在人工智能研究方向聞名世界，Sejnowski教授和Hinton教授等共同提出了一種學習算法，從而發(fā)明了玻爾茲曼機（Boltzmann machine），在人工智能和計算神經(jīng)科學領域都有很重要的應用。Sejnowski教授是上世紀80年代名噪一時的NETtalk的主要研發(fā)者，他和同行一起推動了BP算法，即反向傳播算法（Back-propagation）的廣泛應用。此外，他和同事共同提出了用于獨立成分分析的Infomax算法，也是非常重要的貢獻。Sejnowski教授目前是美國四大科學院的院士。
Antonio Torralba
另一位主旨演講嘉賓、MIT人工智能實驗室教授Antonio Torralba則在2000年前后聲名鵲起，他是廣泛用于場景識別任務的GIST特征的主要貢獻者，以及SUN、LabelMe等數(shù)個場景識別數(shù)據(jù)庫的創(chuàng)建者。近年來他在深度學習以及神經(jīng)計算方面也有諸多貢獻，可謂MIT人工智能研究領域的中流砥柱。參與討論的嘉賓有斯坦福大學計算機科學系終身教授李飛飛、斯坦福大學文理學院講席教授駱利群以及上海紐約大學計算機科學教授張崢等眾多人工智能研究領域的世界級專家學者。任何以人工智能為研究方向的科研工作者、創(chuàng)業(yè)者，都可以從他們的討論中汲取養(yǎng)分，尋找方向。
注：本文由未來論壇提供。
