当前位置:人工智能专家观点 → 正文

MIT人工智能实验室教授:深度学习是错的!智能突破口在人脑研究

责任编辑:cdeng |来源:企业网D1Net  2018-02-01 09:50:29 本文摘自:搜狐科技

在近日的EmTech China上,来自世界各地的十余名演讲者发表了演讲。其中,MIT计算机科学&人工智能实验室的Tomaso Poggio教授、商汤科技研究院院长王晓刚教授还有高通全球副总裁Charles Bergan都提到了同一个观点。他们都认为,现在我们所说的人工智能和人类智能产生的源头不同,人类学习并不需要上百万的例子,人的大脑也没有上千层神经网络,但人类的学习能力很强,这就意味着,现在的人工智能也许并不是真正的人工智能。

Tomaso Poggio教授:深度学习在生物学上说不通

Tomaso Poggio教授来自MIT计算机科学&人工智能实验室,他认为深度学习像是这个时代的炼金术,未来还要转化为真正的化学。

过去五年,人工智能取得了很大的成就,这些成就来自于机器学习的两种算法:深度学习和强化学习,而这两种算法都来自于认知科学和神经科学。深度学习可以帮助解决10%的难题,剩下的90%可能需要来自神经科学以及认知科学的研究。

为了更好的了解人的思维和大脑,Tomaso Poggio教授所在的MIT大脑、心智和机器中心(CBMM,Center for Brains, Minds and Machines)也在五年前开始了这样的研究,Poggio教授认为CBMM的使命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元问题。

除此之外,在后面的采访环节中,Poggio教授同样表示现在面临的最大的挑战就是如今的所谓“人工智能”可能从根本来说就是错的,因为它从生物学的层面上是说不通的(not plausible),因为人类就算是在婴儿时期也不需要通过上百万个例子来学习、来认知某一样事物,而这对于深度学习来说却是常事。提升机器学习智能的突破口可能在于人类大脑相关的研究。

商汤王晓刚:大脑没有一千多层神经网络

商汤科技研究院院长王晓刚教授说,现在商汤的神经网络已经可以做到1200+层,虽然相比2012年,增加了神经网络层数,也提升了学习能力,但这并不是提升学习能力的唯一办法。

因为人的大脑没有一千多层神经网络,学习能力也很强,这是因为大脑的信息传递机制很复杂,而传统的神经网络只是由低层传递到高层这样的简单传递机制。

之后,王晓刚教授展示了一个其团队在2016年设计的大规模物体检测网络。在这个网络里,不同的分辨率的特征信息之间可以在同一层神经网络进行传递,并且互相印证,其中还设计了不同的门来控制传递的信息流,如什么样的信息可以传递。

王教授说,最开始的时候,商汤用不同的神经网络解决不同的问题,但是事实上我们人类只有一个大脑,却可以用一个大脑解决各种各样的复杂问题,包括三维的物体形状的感知、文字的理解、在视频中去识别和跟踪物体以及对声音的处理。神经网络也是有这样的一个发展趋势,未来有希望运用一个网络去完成多种复杂的任务。

Charles Bergan:机器学习如何实现一次性学习(one-shot learning)

高通全球副总裁Charles Bergan认为,机器学习未来可能会发生的最大的改变就是像人类一样在某些方面可以实现一次性学习,他举例说,人类只需要摸过一块石头,就会知道石头是什么,而不需要像机器学习一样研究一百万块石头,虽然现在大家还不知道如何实现,但当这个理论被研究出来的时候,这就会是这个行业最大的变革。

黄铁军教授:30年之内将造出强人工智能的载体——人造大脑

去年12月23日,在北京大学举办的“人工智能前沿论坛”中,北京大学信息科学技术学院计算机科学技术系主任黄铁军教授也曾发表过相似的看法。

黄教授认为,强人工智能意味着自我意识,意味着通用智能达到人类水平,而强人工智能是人工智能的终极目标,而这个目标可能会在未来15-30年中达成。

人的智能依靠人的大脑和身体实现,但承载强人工智能的机器也许不是经典计算机,因为人工智能的参照物是人脑,而现在的经典计算机和人的大脑没什么相似之处。

要造一个大脑,就需要知道大脑的原理,而现在的生物科学还没有达到这个水平。

不过,这并不意味着真正的人工智能的“大脑”就无法被制造出来,因为历史上的工程技术在绝大多数情况下都领先于科学,比如飞机,飞机是先被做出来,然后科学界才研究出来了空气动力学。真正的创新是做出来一个科学原理无法解释的系统,然后再去找解释,找科学原理。

关键字:人工智能深度学习人脑研究

本文摘自:搜狐科技

x MIT人工智能实验室教授:深度学习是错的!智能突破口在人脑研究 扫一扫
分享本文到朋友圈
当前位置:人工智能专家观点 → 正文

MIT人工智能实验室教授:深度学习是错的!智能突破口在人脑研究

责任编辑:cdeng |来源:企业网D1Net  2018-02-01 09:50:29 本文摘自:搜狐科技

在近日的EmTech China上,来自世界各地的十余名演讲者发表了演讲。其中,MIT计算机科学&人工智能实验室的Tomaso Poggio教授、商汤科技研究院院长王晓刚教授还有高通全球副总裁Charles Bergan都提到了同一个观点。他们都认为,现在我们所说的人工智能和人类智能产生的源头不同,人类学习并不需要上百万的例子,人的大脑也没有上千层神经网络,但人类的学习能力很强,这就意味着,现在的人工智能也许并不是真正的人工智能。

Tomaso Poggio教授:深度学习在生物学上说不通

Tomaso Poggio教授来自MIT计算机科学&人工智能实验室,他认为深度学习像是这个时代的炼金术,未来还要转化为真正的化学。

过去五年,人工智能取得了很大的成就,这些成就来自于机器学习的两种算法:深度学习和强化学习,而这两种算法都来自于认知科学和神经科学。深度学习可以帮助解决10%的难题,剩下的90%可能需要来自神经科学以及认知科学的研究。

为了更好的了解人的思维和大脑,Tomaso Poggio教授所在的MIT大脑、心智和机器中心(CBMM,Center for Brains, Minds and Machines)也在五年前开始了这样的研究,Poggio教授认为CBMM的使命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元问题。

除此之外,在后面的采访环节中,Poggio教授同样表示现在面临的最大的挑战就是如今的所谓“人工智能”可能从根本来说就是错的,因为它从生物学的层面上是说不通的(not plausible),因为人类就算是在婴儿时期也不需要通过上百万个例子来学习、来认知某一样事物,而这对于深度学习来说却是常事。提升机器学习智能的突破口可能在于人类大脑相关的研究。

商汤王晓刚:大脑没有一千多层神经网络

商汤科技研究院院长王晓刚教授说,现在商汤的神经网络已经可以做到1200+层,虽然相比2012年,增加了神经网络层数,也提升了学习能力,但这并不是提升学习能力的唯一办法。

因为人的大脑没有一千多层神经网络,学习能力也很强,这是因为大脑的信息传递机制很复杂,而传统的神经网络只是由低层传递到高层这样的简单传递机制。

之后,王晓刚教授展示了一个其团队在2016年设计的大规模物体检测网络。在这个网络里,不同的分辨率的特征信息之间可以在同一层神经网络进行传递,并且互相印证,其中还设计了不同的门来控制传递的信息流,如什么样的信息可以传递。

王教授说,最开始的时候,商汤用不同的神经网络解决不同的问题,但是事实上我们人类只有一个大脑,却可以用一个大脑解决各种各样的复杂问题,包括三维的物体形状的感知、文字的理解、在视频中去识别和跟踪物体以及对声音的处理。神经网络也是有这样的一个发展趋势,未来有希望运用一个网络去完成多种复杂的任务。

Charles Bergan:机器学习如何实现一次性学习(one-shot learning)

高通全球副总裁Charles Bergan认为,机器学习未来可能会发生的最大的改变就是像人类一样在某些方面可以实现一次性学习,他举例说,人类只需要摸过一块石头,就会知道石头是什么,而不需要像机器学习一样研究一百万块石头,虽然现在大家还不知道如何实现,但当这个理论被研究出来的时候,这就会是这个行业最大的变革。

黄铁军教授:30年之内将造出强人工智能的载体——人造大脑

去年12月23日,在北京大学举办的“人工智能前沿论坛”中,北京大学信息科学技术学院计算机科学技术系主任黄铁军教授也曾发表过相似的看法。

黄教授认为,强人工智能意味着自我意识,意味着通用智能达到人类水平,而强人工智能是人工智能的终极目标,而这个目标可能会在未来15-30年中达成。

人的智能依靠人的大脑和身体实现,但承载强人工智能的机器也许不是经典计算机,因为人工智能的参照物是人脑,而现在的经典计算机和人的大脑没什么相似之处。

要造一个大脑,就需要知道大脑的原理,而现在的生物科学还没有达到这个水平。

不过,这并不意味着真正的人工智能的“大脑”就无法被制造出来,因为历史上的工程技术在绝大多数情况下都领先于科学,比如飞机,飞机是先被做出来,然后科学界才研究出来了空气动力学。真正的创新是做出来一个科学原理无法解释的系统,然后再去找解释,找科学原理。

关键字:人工智能深度学习人脑研究

本文摘自:搜狐科技

电子周刊
回到顶部

关于我们联系我们版权声明隐私条款广告服务友情链接投稿中心招贤纳士

企业网版权所有 ©2010-2024 京ICP备09108050号-6 京公网安备 11010502049343号

^