美國“四院院士”：人工智能將成科技的最大風口
新浪科技訊 7月27日消息，2019年GMIC全球移動互聯網大會在廣州舉行，在院士AI論壇上，美國“四院院士”（國家科學院，國家醫學院，國家工程院，國家藝術與科學學院），美國索爾克生物研究所計算神經生物學實驗室主任特倫斯謝諾夫斯基教授發表了題為《人工智能，將成科技的最大風口》的演講。
特倫斯謝諾夫斯基提到，過去200年，各種技術層出不窮，這樣的技術深刻影響我們生活的方方面面，人工智能未來也會影響人類的發展。
人工智能，這個名詞從1956年誕生，目標就是模仿人工智能在機器上實現，這是一個非常大的目標，但目前人類仍然遠遠沒有達到如此的目標。
人類大腦里大概有上千億個能平行工作的神經元，而電腦卻不一樣，它有處理器的，有內存，特倫斯謝諾夫斯基表示，深度學習的靈感就是來自大腦運作機制。
特倫斯謝諾夫斯基介紹說，深度學習能夠在計算機識別方面，可以把誤差率下降20%，這是經過很多年才有這樣的成果，雖然對于某一些圖像依然無法準確識別。（河雨）
以下為演講全文：
大家好。這是我第一次來到廣州跟大家進行演講，也是我首次參加GMIC，現在人工智能給科學發展起著推波助瀾的作用，如虎添翼。引用莎士比亞的劇目中，莎士比亞的世界是跨文化，跨國界的，今天我們討論的也是非常普適的內容。
首先我們回顧一下過去250年，從工業革命發展之初，我們從英國的工業革命興起，蒸汽機的發明增強了人類使用動能的能力，一個蒸汽機取代了一百個勞動力，大部分世界人口當時仍然在農場進行手工勞動，這樣的一些手工勞動都被蒸汽機取代了，就像美國已經高度自動化，從回到工業革命的時候蒸汽機的發明也是如此，大程度替代了很多人工勞動力，工業革命也帶來人口遷移，從鄉村轉移到城鎮，工業革命對于社會帶來極深遠的影響，過去200年可以看到，這樣一些工業革命，科學技術大程度的使用，各種技術層出不窮，這樣的技術深刻影響我們生活的方方面面。
當然也有不少缺陷，幾十年來，比如說工業革命時期的倫敦，有著大量的霧霾，煙塵，因為使用了以煤為驅動的蒸汽機導致的，而且在煤廠工作的煤炭工也飽受呼吸疾病的折磨，這是技術帶來便利的同時要面臨的挑戰，怎么在進行空氣治理，減少呼吸疾病，是一大挑戰。
技術發展的同時，也需要處理技術帶來的后果，現在我們面臨的技術人工智能也不例外，大家聽到的很多熱點科技詞語，我給大家簡單介紹一下，人工智能，這個名詞從1956年誕生，目標就是模仿人工智能在機器上實現，這是一個非常大的目標。我們現在仍然遠遠沒有達到如此的目標，人工智能范疇內，其中一個子范疇快速增長，下一位演講嘉賓會給大家細述機器學習，機器學習是以另一種方向發展人工智能，過去是編程，你能編程說明你已經有了這樣一個領域的知識去解決這個問題，而且解決問題的形式是通過編程，所以你能編程已經是這個領域的專家。
機器學習路徑是不一樣的，我們通過大量收集數據，通過機器進行學習，利用數據結構化進行學習，比如說學習一些圖像對象，語言，詞語序列等等，在機器學習范疇，又有另一個方法學，就是特定算法，是受到大腦啟發觸動的一個方向，我們大腦是非常復雜的一個設備，收集信息，有數千億的腦神經元，將信息傳遞，比如說在場這么多人，通過上千億腦神經元大腦進行信息處理，再將信息傳遞給在座各位。我們目前仍然不了解大腦內部運作，稍后給大家詳解這一塊的內容，但是我想說深度學習的靈感就是來自大腦運作機制。
學習與編程的權衡，紅線是編程線，如果要雇一個程序員給你解決問題，這個成本是逐年增加的，1980到2040年成本是逐年增加的，編程員是很貴的，而且需要的是專家級編程員。所以相對來說，從發展開始，我們的機器學習，從上世紀80年代開始，成本非常高，電腦非常貴，但是現在人工智能，機器學習成本不斷向下，2012年機器學習算法跟編程成本大致相同，從2012年開始就逐年下降，我們使用不同的數據組，不需要完全熟悉了解這個領域的知識，不需要完全了解這個對象，但是如果獲得大量實例數據，我們機器可以通過特定的學習算法不斷解決困難，我們使用神經網絡處理系統在30年前就提出這樣的理論，就是神經網絡模式。
腦神經網絡可以有效處理復雜的數據組，也可以有能力處理上億的圖像數據，我相信在座各位對于阿爾法狗大戰是非常熟悉的，2017年打敗了柯潔世界圍棋冠軍，當時震驚時間，不僅僅因為打敗世界圍棋冠軍這么復雜的運動，同時人類還有很大的共鳴，認為機器打敗人類，超越人類了。
之前在阿爾法狗打敗世界冠軍前，認為機器可以學得很好，但是仍然不能打敗人類。我們用柯潔說的話，去年跟阿爾法狗對話，覺得它的下棋方式非常接近人類，今天已經像圍棋之神一樣在下棋，它每一步下棋的章法非常創新，是之前棋盤沒有出現過的，非常創新，如果是人，我們稱之為圍棋天才。因為是通過人工智能，阿爾法狗出現創新下棋之舉，所以也可以看到通過AI機器學習，機器也可以實現超神一般的創新。
人類大腦機制，非常簡單的一個版本，大腦里有很多神經元，大概上千億的，它們是平行工作的，這和數字化電腦不一樣，因為電腦是有處理器的，是有內存的，而且這兩個硬件都有瓶頸。記憶實際上是在神經元之間的連接，也就是突觸當中存在，實際上十的十次方的神經元有十個十次方個連接，而且大腦里突觸數量非常巨大，也就大腦內存是很巨大的。可以儲存非常多的一些數據，這是大腦的好處，問題是人腦是毫秒級傳輸速度，所以和電腦比慢很多，因為在自然中，我沒有這么多處理層，而且電腦計算速度更快，實際上我們居住的世界就是毫秒級的世界，不需要這么快的速度，我們在大腦中的信息傳遞是非常復雜的過程，還有就信息的儲存，處理等等，讓我們解決非常多的問題，這才是非常關鍵的。
還有一些挑戰，比如說有很多神經元，有突觸等等，最終是圍繞著中樞神經系統，這是最重要的一個器官。我們要知道某一個連接的改變是否會改變信息的輸入和輸出，如果把這個連接改變了，就會受到影響，當時杰弗里和我一起，得出神經算法，也就是怎么樣才能讓突觸處理正確的神經傳遞，幾乎所有的科學家和工程師在這之前覺得這是不可能的，我想告訴一些年輕人，你不要相信專家說的話，因為很多專家總是知道這個事情不能做，但是他不知道這個事情可以做成的方法。所以我們發明了玻爾茲曼機，現在在網絡神經學習中還在使用。
深度學習網絡是怎樣的？這里有各種各樣的信息數據，圖片，DAN信息等等，這邊是輸出，可能要對疾病進行診斷，各種各樣的輸入對于醫生來說，看了就可以得出診斷，每一個信息點就是神經節點，最希望有一個架構師能夠讓這些信息一層層傳遞到輸出端，可以有效的診斷這是什么疾病，比如說幫助病人治病，我們需要大量的病歷輸入才可以做到這一點。而且必須從已經確診的病人那里獲得信息，這才是有效的輸入。?器不是說要去記住這些東西，要將其泛化，因為不同人給出的輸入不一樣，人腦可以進行非常好的泛化，這是我們希望可以讓機器做的事情。
楊立昆是一個架構師，而且受到了視覺系統的啟發，大概在上世紀60，70年代的時候，已經有一些生物學家學習了人的視覺系統，所以我們知道在人腦當中，天津理工大學信息門戶 信息是如何流動的，他們來研究了猴子的架構，因為人與猴子有一定的相似性。他們就是卷積神經網絡的算法，他們設計了卷機神經網絡算法，這邊輸入信息，將圖像和神經元網絡進行結合，傳輸后進行輸出，這實際上有猴子的大腦，有一層層的神經輸入架構，最上面的是猴子的大腦皮層最上端，一，二，三層等等輸入，要怎么樣大腦才能解決視覺輸入的方法？楊立昆他們設計多層架構，使用早期的卷積神經網絡，最終他們就有了識別物體的功能，還有就是網絡中的單元，模仿人的大腦，而且有閾值，如果低于這個閾值沒有輸出，高于這個閾值才有。之后他們也進行了一系列的實驗，進行了很多技術上的工作。
2012年的時候，這是ImageNet比賽，是一個深度學習應用，這個網絡里面有概率分布，最高的概率 Mite是老鼠，我可能猜不出是蟲，可能以為是蜘蛛。這是它猜對了，這是一個小型摩托，后面猜對了是豹，上面都是猜對了的，圖像可以很好的識別出來。下面這些就是沒有猜對的圖片，這是敞篷車，有人說這是散熱器的罩，問另一個人，就說這是敞篷車，不同人看到的是不同面。第三幅圖識別出是櫻桃，實際上上面是狗，最后是madagascar貓，其實這并不是貓，人類識別是錯誤的，電腦識別出來是猴子。在訓練集里標簽標錯了，所以出現了一些錯誤，但是實際上在性能級別上，深度學習能夠在計算機識別方面，把誤差率下降20%，如果能夠下降這么多，已經非常厲害了，而且經過很多年才有這成果，對于某一些圖像依然無法準確識別。關鍵要進行不斷進行改善，演化。
今年圖靈獎頒給我的朋友楊立昆，約書亞本吉奧，杰弗里辛頓，這相當于諾貝爾級別了，天津理工大學信息門戶 算對他們在深度學習里非常大的鼓勵，而且深度學習現在成了很熱的詞，去年我寫了一本書，總結深度學習發展歷史，深度學習是怎么來的，還有學習算法是怎么來的，取得了哪一些成功，有哪一些失敗，未來將向何處去，還有偏差帶來的一些問題怎么解決等等，未來的挑戰，最近這本書翻譯為中文，已經有了中文版，就是右邊的照片《深度學習》，我的出版商代表也過來了。這本書多少錢呢？待會你們想買一本打折的可以跟她私下談。
這是我書中的一個章節，皮膚病醫生看皮膚病，到底是癌癥還只是良性的，已經治療了兩千例皮膚病醫生收集的數據，用來做訓練集，機器和16個皮膚病學家同場競技，發現網絡表現和醫生是并駕齊驅的，診斷率可以達到92%之高，只要有一臺手機，只要看到有一塊皮膚病就可以拍照，馬上可以得到診斷，不需要去看醫生，也不需要去付很多醫藥費，有誰去看過皮膚病的？去醫院看皮膚病真的很麻煩，有時候要做出診斷，需要好幾個星期，甚至幾個月時間，這樣往往讓病人苦不堪言，這是2017年寫的，2018年出版的，現在我們看到有幾個例子，這個看起來好可怕，實際上這是良性的，有一個看起來好像沒有什么事卻是惡性的，所以這要讓醫生來判斷。
今天我在聽一個電臺節目的時候聽到有一個公司，已經提供了這樣的服務，如果患病拍照發到他們平臺，他們AI系統就可以告訴你現在是否要就醫還是說是良性的。有一個女朋友看到她男朋友背上有一些東西，隨便拍了照片試一下，發給了這個平臺，誰知道就是惡性的，她女朋友救了男朋友一命，因為及時就診，收費才29美元。這是WAYMO自動駕駛汽車，輿論讓你感覺明天就可以做成，其實要做幾十年時間，因為有很多路況和復雜因素需要攻克和優化。
這輛汽車搭載了很多雷達和傳感器，180度傳感器不像我們人類視覺，只能看前方，它可以有180度的視角，無人駕駛汽車應用場景，現在的應用場景非常受限，我們看一下有可能的一些場景，如果我們一鍵啟車，比優步和滴滴更好，可以提高車輛使用率，如果無人駕駛汽車能夠實現，可以重新規劃停車場和停車道，大量汽車利用率增高的時候，很多車在路上跑，不需要那么多停車場了，我們現在城市遍布的停車場，停車道可以再利用，可以變成公園，自行車專道，很多公司可能要關門大吉了，就是汽車維修店和汽車保險，更重要是可以挽救很多生命，因為疲勞駕駛是導致事故死亡的很大原因。?有酒駕，醉駕這種事件很多，每年高速公路，醉酒導致死亡4萬人。
很大的便利是可以節省通行時間，尤其是出行高峰的時候，高峰時候堵車是很堵心的，如果我們使用無人駕駛汽車，都不用開車了，出行時間可以看看報紙，駕駛又完全自動安全，這樣可以降低很大的交通事故死亡率。更重要的是我們可以更進一步暢想，盜車時代會被終結。此外還有一些新的就業崗位生成，很多人說卡車司機要失業了，不會的，我們如果使用無人駕駛的卡車，也要人去控制的，他的角色轉化為安全監測崗位，這個崗位比開卡車好得多，而且更舒服，現在無人駕駛汽車仍然不能實現，因為有很多極端路況交通控制所以還不能實現，比如說卡車有一些貨物掉在路上怎么辦？所以我們還吸收有更多的訓練數據集訓練無人卡車，一旦有這種邊遠情況案例出現，比如說無人駕駛貨載卡車貨物掉路上時怎么處理，這些不是說完全沒有人監控，我們需要有人監控，機器是監控不了的，所以我們仍然需要人去監控這些無人駕駛的卡車。
還催生另一個新的產業崗位，傳感器技術供應鏈，這是一個全新的供應鏈，因為我們需要在無人駕駛車輛上邊搭載幾十億個傳感器，大量數據生成后，我們需要進行數據清理，這些都會催生很多很好的新工作崗位，這一個公司睿金科技來自中國郟縣，他們有幾千萬人專門做數據清理的公司，聽上去是挺煩燥的工作，但是比在“煤礦”上工作更好，其實是數據挖煤，這比現實中煤礦挖煤好得多。
接下來舉一個語言翻譯的例子，語言翻譯在中國幾千個語種，互相不能理解，所以我們訓練機器預計下一個字詞出現，這時候不需要分類數據，是非監督學習，這種叫做文字嵌入，如果機器能夠訓練得很好，我們期望的是學習內模通過自己的活動運算，可以了解和解構整個語義，同時要識別出大寫的專有名詞，非常有趣。比如說俄羅斯莫斯科這是對應關系，這是一個項量，將這個項量依附于德國，德國對應柏林，這個網絡沒有任何監督，就可以發現城市首都的關系，還有就是地理位置的關系，這在之前語言學領域從來沒有做過，機器學習打開了整個語言學新的理論。
此外，我們機器從翻譯上可以做時域序列解讀，從底層慢慢學習，可以解讀時態，還有語義強度，語氣強度，還有增強機器工作記憶，句頭首詞到句末最后一個詞都可以分析。現在谷歌翻譯軟件，單字單詞翻譯并不完美，我不想讓大家有誤解，認為這個網絡已經可以理解句子的，不是的，但是比傳統的翻譯好多了，之前是字對字的硬設，這是行不通的，現在的翻譯軟件某一些語義是可以理解的，聽上去翻譯出來的中文或者英文，還是非常的奇怪，但是語義是通的。
我在我的智能手機上有一個翻譯軟件，是谷歌翻譯APP，我相信在座各位也有自己的翻譯軟件APP，我用它可以使用日文，中文字詞，可以翻譯為英文，我已經用了很多次了，語音識別可以將中文的語音翻譯為英文語音，這在某一種程度已經可以實現了。人類語種翻譯是變的，比如說有一個非常有趣的句子：我們的意志力精神，反映我們的意志之力。這是從俄語翻譯為英文后反對離題萬里，所以我們翻譯最重要是語義翻譯，句義翻譯，20世紀語言學主要領域主要是詞法上做很多研究，其實語言最重要的就是語義理解，語義解構，詞與詞的關系，這些詞組排列完后是怎樣的意思，這是語義。現在人工智能已經往這個方向深化。
人工智能驅動的翻譯技術有多么的神奇，這是我們取得的另一個進展，這是語言網絡，有三個語種—英韓日，從英語翻譯為韓語，日語都做了實驗，但是還沒有韓語翻譯為日語，有英翻韓，英翻日，但是沒有韓翻日，我們做的這個實驗已經做了英翻韓，英翻日，能不能韓翻日，某種程度上可以，說明機器可以學習了，在一定程度上通過學習，可以韓翻日，也就是說你的訓練更多，語言組越多，訓練得越好，網絡就可以更加相通，機器的翻譯就能夠學習得更好。所以我們這種語言學網絡，可以給予我們更多的洞見，可以讓我們更加理解各語種之間的轉化和翻譯機理。我們大腦在運算的時候，總是需要大腦海馬體和皮層運作，我給大家分享一個概念，就是強化學習，怎么樣通過增強學習達成目標，這個模式就是阿爾法狗怎么打敗柯潔的秘密。
我再分享一點，最近在無監督學習中的一大突破，前提是需要大量數據組，我們把網絡里面輸入了很多名人圖像，很多都是西方人，為什么看起來都像名人呢？這個網絡很厲害，它實際上可以生成關于名人的新的圖像，之前是沒有存在過的，所有的圖片都是不存在的，只是給出的案例中依據自動生成的，而且可以生成很多圖像，但是這些都不是真實的人，都不是真實存在的，還可以不斷的繼續下去，所以這個例子就向我們展示了未來，生成性的網絡，就像我們的大腦，我們大腦也會不斷生成信息，我們坐那里，就會有各種各樣的想法出現。
現在我們到哪一步了？還是在初期，就好象是萊特兄弟做了第一臺飛機的時候，離噴氣式飛機還有很長一段路要走，萊特兄弟幾年前出了一本關于他們的傳記，很好看，里面寫著說萊特兄弟研究鳥很久，因為鳥可以飛過千山萬水，不用經常拍動翅膀，而且他們對于空氣動力學非常感興趣，還建立了風動，所以萊特兄弟本質上就是工程師，我們從自然當中可以學到很多東西，萊特兄弟研究了自然，研究了鳥，然后他們發現大自然是這樣解決問題的，而且要解決這些困難的問題并不難，大自然已經會了，大自然中已經蘊含著解開這些奧秘的鑰匙了。我們還處于很早期的階段，但是也在不斷的進步，去年12月的時候，在蒙特利爾有100萬人參加了會議，接下來12月我們覺得應該會有4萬人來參加這個大會，我相信2020年來參加這個會議的人會更多。
非常感謝各位的參與，感謝各位的聆聽，我們還處于人工智能早期階段，還有很多問題需要解決，我們也看到了非常令人興奮的成就和成果，恐怕有一些問題要花很多年才能解決，但是實際上有一些問題像自動駕駛汽車不能說以年來解決問題的，而是以十幾年時間來計算，有時候需要幾代人努力，但是回顧一下工業革命，這不是一夜之間發生的，而是經過幾代人努力才實現的，所以各位的孩子就會從你們手中接過這個成果，從充滿AI的世界中長大。那時候就像大家看到飛機一樣，人工智能會非常的普遍，謝謝各位。
注：根據速記整理，未經特倫斯謝諾夫斯基審校
