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。
