Alpha Go 之父恩师Tomaso Poggio：深度学习需要从炼金术走向化学

记者 | 周翔

AI科技大本营1月28日消息，《麻省理工科技评论》新兴科技峰会EmTech China在北京召开，营长也受邀参加，会上有多位人工智能领域的重磅大佬出没，Tomoso Poggio 教授就是其中一位。

说起 Tomoso Poggio ，也许很多人不太熟悉，但他的几个学生都已经名满天下。比如：DeepMind 创始人、Alpha Go 之父 Demis Hassabis；艾伦人工智能研究所首席科学家 Christof Koch；Mobileye 创始人兼 CTO Amnon Shashua 等等。

Tomaso Poggio 教授目前是 MIT 计算机科学&人工智能实验室（CSAIL）教授，曾获得ICCV 2017 “Azriel Rosenfeld 终生成就奖”，也是 DeepMind 最早期的投资人之一。

今天 Tomoso Poggio 用凝练的语言为我们解释了人工智能领域正在发生什么，未来可能在哪里取得突破。提及业内人士经常自嘲的“深度学习就像这个时代的炼金术”这个观点，Tomoso Poggio认为的确如此，但需要将炼金术转化为真正的“化学”，这样我们才能知道，深度学习在未来到底可以实现什么。

以下为 Tomoso Poggio 教授演讲实录，AI 科技大本营做了不改变原意的整理。

今天我想和大家谈一下人工智能领域正在发生什么。

首先，我想说说我们在人工智能最近所取得的一些成功，尤其是过去五年，以及我们人工智能未来可能在哪里取得突破。然后是深度学习，深度学习有点像我们这个时代的炼金术，但是需要从炼金术转化为真正的化学。这样我们才能知道，深度学习在未来到底可以实现什么。

过去五年，人工智能领域最重要的两个成就是：AlphaGo和自动驾驶。我在这行待得够久了，因此两个领域都有我的学生：一个是AlphaGo的Hassabis先生，他是DeepMind员工，现在在谷歌；另外一个就是Moblieye的CEO Amnon Shashua，他现在已经加入了英特尔。

接下来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1995年，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的大脑&意识&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。关于智能的科学会帮助我们回答最宏大的问题，了解生命的起源包括宇宙的起源，以及时间的源头。大脑中智能的产生，是科学现在需要解决的首要问题。

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：

逼近理论：深层网络什么情况下会比浅层网络更有效？

最优化：应该如何设计经验风险函数？

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，也可以更加深刻地了解我们人类自己。