黑科技康奈尔大学教授John Hopcroft:人工智能的前沿研究及对社会的影响

2017年7月10日

,人工智能,AI,约翰?霍普克洛夫特,智能医疗,深度学习,GPS

2017年7月9日,由浙江省人民政府指导,杭州市人民政府主办,ACM(美国计算机协会)、IEEE(美国电气和电子工程师协会)、中国学会、浙江省委人才办公室、浙江省科技厅协办的“未来已来”全球人工智能高峰论坛在浙江杭州未来科技城拉开帷幕。作为支持媒体参与了本次报道。

图灵奖获得者、康奈尔大学教授(John Hopcroft)发表了《人工智能的前沿研究和对社会的影响》重要讲话。

大家好,我感到非常高兴能够来到这个峰会,和大家讨论一下关于人工智能现在的革命。人工智能已经产生了非常革命性的影响,会根本改变人们的工作和生活。那对于人工智能的影响,它其实就相当于之前我们已经发生过的农业革命和工业革命。而这些国家和人民都必须要不断的改变自己,才能够从人工智能中获益。

一个新的革命正在不断的发生,让我们把信息和工作变得越来越自动化,这些工作会消失,一些旧的工作永远不会再来了。然而,到底有多少人口比例是需要工作,才可以满足社会的正常运作呢?我们还将面临一系列社会问题,所以我今天要和大家讲一下现在的信息革命和它背后的驱动力

过去几年,我们一直让体力活变得自动化,而现在我们让智力活也变得自动化了。我们已经给了很多体力工作者做培训,他们可以完成一些自动化的工作。之后他们可能还会随着自动化技术的到来而失业。

那么,革命背后的驱动力是什么呢?在1960年,人们做了一个非常简单的,关于神经网络的模型。我们可以把人类的数据分成两部分,看一下这个数据能不能线性分布。如果数据不能线性分布的话,就会把这些数据影射到更高的位度,这是20年前科学的研究结果。而这也是我们对于自动化机器背后的推动力,需要支持项量机数据,完成更高位度影射的工作。

什么是项量机,如果把数据影射到更高的网络,可以看一下这个方程式中,它是一个核心程序的方程式。它可以进行图像识别,可以识别主要的用户。大家在讲到人工智能的时候,我想要指出有很多事情并不需要任何的编码,它们只需要一些计算能力就可以完成。

在过去70年有的发展,为什么会有深度学习呢其实是由于一个竞争叫做图像识别竞赛,它是有120万个图像,有1千个不同的类别。在这个竞赛中,大家就是要设计出一个电脑的程序,识别出越来越多不同类型的图像。谁能识别多,谁就赢。我们可以看到2011年这个错误率最低是25%,2012年下降到15%。两年之后,也就是2014年,Googlenet出现,把错误率下降到1.67%。2015年resNet出现了,把错误率下降到3.57%。如果用人来做,错误率是5%,计算机比人类的实力更强,它们的错误率更低。它们也可以完成100层次的深度学习,人们可以将深度学习应用到各个领域,并且获得成功。但是他们还没有完成的是,为什么深度学习可以产生这么好的效果,基本上在图像识别领域,他们有一个机制叫做卷积层。

在卷积层中有一个个小的窗口,把图像分成不同类别。在卷积层中分成了三层,还有另外三层叫做全连接层,最后会出现柔性最大值的传输函数。我们通过不断调节网络中的阐述,就可以调节最后出现的结果,这个就叫做监督式学习,会给神经网络或者计算机网络提供一个培训的项目,并且能够让他们自主的进行学习,产出一个好的结果。

可能大家有点担心的一件事情,之前有些人说,深度学习的机制是骗人的。你可能把这个图像编辑成猫,或者改了几个象素,那么深度学习程序就会把猫的形象转变成了一个汽车的形象。就是相当于一种虚伪欺骗性的深度学习,我们不希望深度学习成为这样一种机制。而我们发现这种欺骗性的深度学习不是一个大的问题,因为我们发现在更改象素的时候,象素不再和相邻象素相关联。在深度学习的程序中,可以告诉你到底哪些象素是互相关联的,是起作用的,然后你可以防止这个象素的变更导致图像最后的变更。

有些人对人工智能非常有兴趣,他们做了一些研究。他们每隔10秒就在十字路口拍一张照片,探测出人先通过还是车先通过。他们把这些图片都连接起来放到向量机中,把合成的照片都放到向量机中,产生一个矩阵。如果说矩阵是L+S的话,就会判断出在这个十字路口接下来会发生什么事情。这个和AI没有什么关系,只是拍了一张照片进行研究,但这些都是从计算能力演变过来的。对于计算不仅仅是一个基本的计算,而同样也融入到生物学,对于生物学有很大的发展。

我先给大家说一下对于AI的想法,我一般问的问题,AI是真实的吗。就目前来看的话,人工智能实际上是一个更高领域的模式识别。实际上AI的项目现在还没有办法萃取一个事物的精华,知道它的功能,AI现在并没有办法了解这些。它知道一个自行车长什么样子,可能在未来40年的革命之后,它就能够帮助我们了解一些事物的特性。

AI的变革,在20年前有一个知识向量机,现在基本上在每一个商业领域都广泛的应用。另外一些发展,就是一些巨大的及能力,大量的数据,还有沟通能力。之后在2011年,也就是六年前,深度学习出现了。大概在三年之前,我们可以做一个无监督的学习。当然每年都会有更多的突破,有人说感觉所有的公司都在往AI方向发展,但我觉得并不是这样。因为有可能在工业革命的过程当中,每一个公司都想往制造、交付上来做。

美国和中国有哪些区别?实际上中国和德国对于我们现在正在发生的变革有更多的意识。而且政府想问对于人口如何应对,同样德国也在考虑这个问题。不幸的是,美国似乎并没有明白这样会发生的变革。在中国,我们关注更多的是它的应用,我可以明白这个原因,因为这肯定是可以驱动经济。我们关注更多的不是背后的理论,美国关注更多的是它背后的理论,最大的区别是教育系统。在中国一个教职工和教学机构,都是通过他们带来了多少研究基金和发布的论坛来进行评比。在美国,我们评估这个教职工和学校,是通过教学质量和专业声誉作为评判的。

我想给中国一个建议,就是改变我们评估这个教职工和学校的评估矩阵。另外,我也想说基础和应用研究的区别。一些人认为区别在于研究的基础性,实际上并不是这个原因。而实际上的区别是关于我们为什么要做这个研究,应用研究是因为一些国家或者公司提出一个需求。在美国,应用的研究是在一个国家的实验室里面关注于他们特定解决的问题。而基础的研究是因为某一个教职工对某一个话题感兴趣,并没有任何实用的价值。

最后我想和大家说,我们现在是在变革之中,所有个人、公司和国家都能够意识到即将到来的革命。并且能够做好计划,让它为我们创造巨大的价值。

谢谢。

This entry was posted in 人工智能 and tagged , , , , , . Bookmark the permalink.

发表评论

电子邮件地址不会被公开。 必填项已用*标注