辛頓被一些人稱為“人工智能教父”，他在過去30年里一直致力于解決人工智能面臨的一些最大挑戰(zhàn)。除了在機(jī)器學(xué)習(xí)方面的開創(chuàng)性工作以外，他還撰寫以及與他人合作撰寫了200多篇經(jīng)過同行評議的論文，其中包括1986年發(fā)表的一篇關(guān)于機(jī)器學(xué)習(xí)技術(shù)（被稱為反向傳播學(xué)習(xí)算法）的論文。

他普及了深度神經(jīng)網(wǎng)絡(luò)的概念，即包含上述功能的人工智能模型，它們被安排在相互連接的層中，傳輸“信號”并調(diào)整連接的突觸強(qiáng)度（權(quán)重）。通過這種方式，人工智能模型從輸入數(shù)據(jù)中提取特征，并學(xué)習(xí)做出預(yù)測。

辛頓坦言，創(chuàng)新的速度甚至讓他自己都感到驚訝。“在2012年，我沒想到5年以后，我們就能夠使用相同的技術(shù)來在多種語言之間進(jìn)行翻譯。”

盡管如此，辛頓認(rèn)為目前的人工智能和機(jī)器學(xué)習(xí)方法都有其局限性。他指出，大多數(shù)的計(jì)算機(jī)視覺模型都沒有反饋機(jī)制，也就是說，它們不會試圖從更高層級的表征重建數(shù)據(jù)。相反，它們試圖通過改變權(quán)重來有區(qū)別地學(xué)習(xí)特征。“它們并沒有在每一層的特征探測器上檢查是否能夠重建下面的數(shù)據(jù)。”辛頓說道。

他和同事們最近轉(zhuǎn)向人類視覺皮層來尋找靈感。

辛頓說，人類的視覺采用了一種重建的方法來學(xué)習(xí)，事實(shí)證明，計(jì)算機(jī)視覺系統(tǒng)中的重建技術(shù)增強(qiáng)了它們對對抗攻擊的抵抗力。

“大腦科學(xué)家都同意這樣的觀點(diǎn)，如果你的大腦皮層有兩個區(qū)域處于感知通路中，并且相互連接，那么總有一個反向通路。”辛頓表示。

需要說明的是，辛頓認(rèn)為，神經(jīng)科學(xué)家需要向人工智能研究人員學(xué)習(xí)很多東西。事實(shí)上，他覺得未來的人工智能系統(tǒng)將主要是非監(jiān)督式的。他說，非監(jiān)督式學(xué)習(xí)——機(jī)器學(xué)習(xí)的一個分支，從未標(biāo)記、無法歸類和未分類的測試數(shù)據(jù)中收集知識——在學(xué)習(xí)共性和對潛在的共性做出反應(yīng)的能力方面，幾乎就像人類一般。

“如果你用一個有數(shù)十億個參量的系統(tǒng)，在某個目標(biāo)函數(shù)中實(shí)施梯度下降，它的效果會比你想象的好得多……規(guī)模越大，效果越好。”他說，“相比于讓大腦計(jì)算某個目標(biāo)函數(shù)的梯度，并根據(jù)梯度更新突觸的強(qiáng)度，這要更加合理。我們只需要弄清楚它是如何得到梯度的以及目標(biāo)函數(shù)是什么。”

這甚至可能會解開夢的奧秘。“為什么我們根本不記得我們的夢呢？”辛頓反問道。他認(rèn)為這可能與“反學(xué)習(xí)”有關(guān)。

辛頓說，“做夢的意義可能在于，你把整個學(xué)習(xí)過程顛倒過來。”

在他看來，這些知識可能會完全改變一些領(lǐng)域，比如教育。例如，他預(yù)計(jì)，未來的課程將更加個性化，有更強(qiáng)的針對性，將把人類生物化學(xué)過程考慮進(jìn)來。

“你可能會認(rèn)為，如果我們真正了解大腦的運(yùn)轉(zhuǎn)機(jī)制，我們應(yīng)該能夠改善教育等方面的狀況，我認(rèn)為我們會做到的。”辛頓稱，“如果你能最終了解大腦發(fā)生了什么，它是如何學(xué)習(xí)的，而不是沒有去進(jìn)行調(diào)整適應(yīng)，取得更好的學(xué)習(xí)效果，那會令人費(fèi)解。”

他警告說，實(shí)現(xiàn)這一點(diǎn)尚需時日。就近期而言，辛頓設(shè)想了智能助手的未來——比如谷歌的Google Assistant或亞馬遜的Alexa——它們可以與用戶互動，并在日常生活中給他們提供各種指導(dǎo)。

“未來幾年，我不確定我們能否從智能助手那里學(xué)到很多東西。但如果你仔細(xì)觀察，你會發(fā)現(xiàn)現(xiàn)在的智能助手相當(dāng)聰明，一旦它們真的能聽懂對話，它們就能和孩子們交談，并對他們進(jìn)行教育。”辛頓總結(jié)道。

【來源：網(wǎng)易智能】