盘点丨MIT教授Poggio:过去23年,机器学习取得了哪些进步

《麻省理工科技评论》新兴科技峰会EmTech China今日于北京正式召开。麻省理工大学计算机科学&人工智能实验室教授Tomaso Poggio出席并做主题演讲。

以下是Poggio演讲全文(有删减):

我们可以看一下过去23年机器学习取得了哪些进步。

23年以前,我和Hassabis希望可以把计算机视觉和机器学习进行整合,然后创造出一个学习系统辨别行人。在这个短片中,我们可以看到机器识别出了行人和信号灯,基本上每秒钟会出现10个错误,当时是1995年,所以我们对这个结果还是非常满意的。

但是,Moblieye后来做到了每30英里只出现1个错误,把错误率降至当年的百万分之一,可以看出机器学习的准确性显著提高。

AlphaGo和Moblieye所取得的进步,背后是什么动因呢?

首先我认为是机器学习的算法,第一是深度学习,第二是强化学习,他们都是来自于认知科学以及神经科学。

深度学习的架构最早是在60年代研究猴子的视觉系统时被发明出来的,从而更好地研究他们大脑在学习时的神经结构,然后一直到Fukushima 提出了首个量化模型,再到20年前现代版的HMAX被提出。这些架构都是一脉相承的——从脑科学到现在的深度学习,本质上都是一样的层级架构。从下到上,神经的等级越来越高。这个结构的局部中并没有很多的连接,每一个高级的神经元只会和下一个等级的神经元相联系。

2012年我们也开发出了AlexNet,它也是性能最好的一个架构。基于神经科学,我们通过工程学的研究并不断地发展。这是很重要的,因为我们还没有真正实现人工智能。

深度学习可以帮助我们解决10%的难题,剩下的90%呢?我的答案是我们可能也需要来自神经科学以及认知科学的研究,我们需要更好地了解人的思维和大脑。这也是我们MIT大脑、心智和机器中心(CBMM)在研究的问题,五年前我们开始开展相关的研究,我们的使命就是要在理解认知方面获得新的进步,同时也需要去了解整个智能的架构和智能背后的科学原理。

CBMM想通过以下三条路径解决这个问题。

一:计算机科学+机器学习

二:神经科学

三:认知科学

我们会同谷歌这样的商业公司合作,探索在工程和科学领域合作的可能。

 过去几年中,技术发展和理论发展、包括深度神经网络领域的发展很显著。要了解深度神经网络的运作原理,需要回答背后的三个基本问题:

1、逼近理论:深层网络什么情况下会比浅层网络更有效?

2、最优化:应该如何设计经验风险函数?

3、学习理论:为什么深度学习不会产生过拟合?

这三个问题是机器学习的奠基石。他们的答案很复杂,要解决这种问题,我们需要一开始就思考深度学习的一些技术理论,以及它的局限性。

现在是应用人工智能的黄金时代,因为深度学习及其工程应用,终于帮助我们将传统的人工智能科学理论应用于了工程实际,而且能够为我们进行赋能。假如我们可以超越深度学习的理论,可以更好的去了解人类智能的话,我们也可以更加深刻地了解我们人类到底是什么。


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值