AI反学习或将揭开人类梦境的奥秘

近日，多伦多大学的教员、谷歌大脑（Google Brain）研究员杰弗里·辛顿（Geoffrey Hinton）发表了炉边谈话。他讨论了神经网络的起源，以及人工智能有朝一日可能像人类一样推理的可行性和意义。

辛顿被一些人称为“人工智能教父”，他在过去30年里一直致力于解决人工智能面临的一些最大挑战。除了在机器学习方面的开创性工作以外，他还撰写以及与他人合作撰写了200多篇经过同行评议的论文，其中包括1986年发表的一篇关于机器学习技术（被称为反向传播学习算法）的论文。

他普及了深度神经网络的概念，即包含上述功能的人工智能模型，它们被安排在相互连接的层中，传输“信号”并调整连接的突触强度（权重）。通过这种方式，人工智能模型从输入数据中提取特征，并学习做出预测。

辛顿坦言，创新的速度甚至让他自己都感到惊讶。“在2012年，我没想到5年以后，我们就能够使用相同的技术来在多种语言之间进行翻译。”

尽管如此，辛顿认为目前的人工智能和机器学习方法都有其局限性。他指出，大多数的计算机视觉模型都没有反馈机制，也就是说，它们不会试图从更高层级的表征重建数据。相反，它们试图通过改变权重来有区别地学习特征。“它们并没有在每一层的特征探测器上检查是否能够重建下面的数据。”辛顿说道。

他和同事们最近转向人类视觉皮层来寻找灵感。

辛顿说，人类的视觉采用了一种重建的方法来学习，事实证明，计算机视觉系统中的重建技术增强了它们对对抗攻击的抵抗力。

“大脑科学家都同意这样的观点，如果你的大脑皮层有两个区域处于感知通路中，并且相互连接，那么总有一个反向通路。”辛顿表示。

需要说明的是，辛顿认为，神经科学家需要向人工智能研究人员学习很多东西。事实上，他觉得未来的人工智能系统将主要是非监督式的。他说，非监督式学习——机器学习的一个分支，从未标记、无法归类和未分类的测试数据中收集知识——在学习共性和对潜在的共性做出反应的能力方面，几乎就像人类一般。

“如果你用一个有数十亿个参量的系统，在某个目标函数中实施梯度下降，它的效果会比你想象的好得多……规模越大，效果越好。”他说，“相比于让大脑计算某个目标函数的梯度，并根据梯度更新突触的强度，这要更加合理。我们只需要弄清楚它是如何得到梯度的以及目标函数是什么。”

这甚至可能会解开梦的奥秘。“为什么我们根本不记得我们的梦呢？”辛顿反问道。他认为这可能与“反学习”有关。

辛顿说，“做梦的意义可能在于，你把整个学习过程颠倒过来。”

在他看来，这些知识可能会完全改变一些领域，比如教育。例如，他预计，未来的课程将更加个性化，有更强的针对性，将把人类生物化学过程考虑进来。

“你可能会认为，如果我们真正了解大脑的运转机制，我们应该能够改善教育等方面的状况，我认为我们会做到的。”辛顿称，“如果你能最终了解大脑发生了什么，它是如何学习的，而不是没有去进行调整适应，取得更好的学习效果，那会令人费解。”

他警告说，实现这一点尚需时日。就近期而言，辛顿设想了智能助手的未来——比如谷歌的Google Assistant或亚马逊的Alexa——它们可以与用户互动，并在日常生活中给他们提供各种指导。

“未来几年，我不确定我们能否从智能助手那里学到很多东西。但如果你仔细观察，你会发现现在的智能助手相当聪明，一旦它们真的能听懂对话，它们就能和孩子们交谈，并对他们进行教育。”辛顿总结道。