• 35
Geoffrey Hinton:深度学习之父,谷歌、苹果与Facebook人工智能背后的男人
统计 阅读时间大约10分钟以上(4530字)

2018-02-07 07:28:08 Geoffrey Hinton:深度学习之父,谷歌、苹果与Facebook人工智能背后的男人

大家对人工智能的狂热追求,并不仅仅是因为金钱,更重要的还是便利。

【猎云网(微信号:ilieyun)】2月7日报道(编译:田小雪)

编者注:Geoffrey Hinton是英国知名认知心理学家和计算机科学家,人称“深度学习之父”,现居加拿大。

过去三十多年来,Geoffrey Hinton一直在人工智能研究边缘徘徊。在他看来,计算机是完全可能像人类一样思考的,而且是借助直觉思考,而非规则。

年轻时,他从一位朋友那儿了解到了全息图及其工作原理,再加上家族内的科学氛围熏陶,他就产生了这样一个想法,即人脑的运作过程其实也是相似的。人脑中的信息分布在一个由细胞构成的大网之中,由大量神经元相连接,沿着无数条通道进行传输。由此,他的脑海中便出现了一个疑问:计算机也能够按照这样的方式运作吗?

按当时主流学术界的说法,这个问题的答案无疑是否定的。在他们看来,计算机当然是要以特定规则和逻辑为运作基础的。而且,Hinton当时提出的概念“神经网络”,也就是现在的“深度学习”或“机器学习”,也没能得到他们的认可。然而,到了50年代末,来自康奈尔大学的科学家Frank Rosenblatt研发出了世界上第一台神经网络机器,取名为Perceptron。该机器只有一个简单的目标,那就是识别图像。它在IBM主机上运作,不过外形设计并不是很好,到处都是错杂的电线。但即便如此,还是引来了不少关注。1958年,《纽约时报》预测它将会成为有史以来第一台能够像人脑一样思考的设备。不仅能走路,还能说话,可以自己认识自己、自己模拟自己。

但事实上,Perceptron既不会走路,也不会说话,甚至连左右都分不清。在当时的主流学术界,神经网络根本就不受重视,可Hinton却没有放弃,一直坚持自己的看法。他表示:“人脑有自己特定的运作方式,不受任何程序限制,我们是有常识的。所以,神经网络这一概念,本身是绝对没错的,只不过计算能力成了主要难题。那时候,计算机还无法处理数以百万计的图像,样本容量实在是太小。”

1972年,Hinton进入爱丁堡大学攻读博士学位,几乎每天就只知道研究神经网络。尽管导师告诉他,这根本就是在浪费时间,但他还是一如既往坚持自己的研究。到最后,皇天不负苦心人,神经网络终于取得了些许成就,可以有效检测信用欺诈。所以,毕业后,他就顺利在匹兹堡的卡内基梅隆大学找到了一份工作。

但后来,由于一些不得已的原因,他选择离开美国,接受了来自加拿大高级研究所(即Canadian Institute for Advanced Research,以下简称CIFAR)的工作邀请。在那里,Hinton不仅享有充分的学术研究自由,还能拿到一份相当不错的薪酬。1987年,他和妻子Ros在多伦多定居下来,同时接受了CIFAR提供的一份在多伦多大学教授计算机科学课程的工作,并且在CIFAR开创了《机器和人脑学习》这门课程。

不过,在此之前,他自己从来都没有系统性地上过计算机科学课程。他在圣乔治校园内开设了一间小型办公室,便默默开始了自己的研究。没过多久,很多对深度学习感兴趣的人,就慕名而来加入了Hinton的那家小型实验室。其中一位,便是Ilya Sutskever。作为人工智能非营利组织OpenAI的联合创始人和主要负责人,Sutskever回忆道:“跟着Hinton在实验室做研究,应该是2002年前后的事情。现在回想起来,那段经历就像是夏令营一样让人怀念。要知道,当时人工智能是完全不被大家看好的,从事这一研究的学生也就只有十来个。无论是研究资金支持,还是与之相关的工作岗位,都少得可怜。几乎人人都不认可我们,可不知为何,当时的我们就是有一种自己独具慧眼、与众不同的自信。”

大约到了2009年,计算机终于有了处理海量数据的能力。由此,由超级计算机提供支持的神经网络,开始受到大家关注,表现逐渐超越了语言识别和图像识别领域那种以逻辑为基础的人工智能,微软、谷歌和Facebook这类大型科技公司也纷纷开始投资。2012年,谷歌神秘实验室X对外宣布,已经建成一个配备1.6万计算机处理器的神经网络,并且已经在YouTube上试用。谷歌深度学习人工智能部门Google Brain的负责人Jeff Dean表示,在YouTube的海量视频当中,该神经网络已经能够顺利识别出内容有猫的视频,而且还是完全自主的。因为在整个训练过程中,他们并没有刻意明确过什么是猫,什么不是猫。

由此,这项突破又进一步使得Hinton及其同事,成了整个人工智能研究领域的关注焦点。2013年,在Dean的邀请之下,Hinton加入了谷歌。不过,并不是正式的全职员工。Sutskever表示:“当时,真是挺讽刺的。毕竟以前我们是不受主流认可的,总是想要证明传统观点是错误的,我们观点才是正确的。可突然之间,自己居然就成了主流。”而曾经遭到否定甚至抛弃的Hinton,一夜之间就成了整个行业最大的功臣。

Hinton自己也表示:“之所以能够给整个行业带来较大影响,主要还是因为我是为数不多的几个从一开始就坚信神经网络合理性和正确性的人。在那些从心底里同样认可这一观点,并且选择跟着我一起研究的人当中,我需要认真挑选出拥有良好判断力的最优质人才。”

Hinton介绍说,通常情况下,大家都倾向于将狗定义成男性形象、将猫定义成女性形象。虽然这种做法没有任何逻辑可言,甚至还带有一点性别歧视,但我们却也都能理解。在大量类比案例中,狗毛发旺盛、攻击性强,猫聪明神秘、性格温驯。所以,前者恰好符合男性特征,后者恰好符合女性特征。这些都是没有任何逻辑支持的,却早就已经根深蒂固地存在于我们的脑海之中。换成机器,情况同样也是如此。知识都是来源于现实生活的,有着大量案例和具体意义,因而神经网络的优点也就在于此。

Geoffrey Hinton 二

在去年秋季于多伦多举行的Google Go North技术大会上,Hinton又一次重申了这样一个概念。当时,出席大会的知名人士,包括加拿大总理Justin Trudeau、加拿大创新部长Navdeep Bains,以及曾任Alphabet Inc.执行董事长的Eric Schmidt。他们每个人都像渴望学习新知识的学生一样,围着桌子坐成一圈,等着听Hinton讲话。而主角Hinton却只能一直站着,因为他患有严重的脊椎疾病,根本无法坐下。可想而知,对于这样一个每年都要到全世界各地参加各种会议的人来说,这是一件多么痛苦的事情。

在大会上,Hinton针对两位谷歌工程师最新取得的突破,用一个名词给出了清楚解释,那就是胶囊网络。神经网络以庞大的数据库为基础不断学习,它想要准确判断出不同角度呈现出来的图像实际上属于同一物体,需要相当长的一段时间。胶囊由人造神经元构成,集中排布在同一层中,主要任务就是对同一物体不同部分之间的关系进行追踪,以便更加快速和准确地完成识别。

在科技行业,胶囊网络可以说已经成了香饽饽。来自纽约大学的一位图像识别教授就在接受采访时表示:“现阶段,大家都在期待胶囊网络,同时也期待Hinton的全新研究成果。”

对于多伦多这座城市来说,这样一项突破有着至关重要的作用。各家大型科技公司的人工智能专家,也都卯足了劲想要在深度学习领域取得更多变革性的研发成果。曾经跟着Hinton做研究的数十位学生,现在也都已经进入谷歌、Facebook、谷歌、苹果和Uber这类科技巨头,并且取得了优异的业绩表现。另外,还有一些进入了学术界,通过宣传神经网络理念形成了属于自己的生活和工作圈子。在这些学生看来,Hinton并不是一位高高在上、只知道布置任务的老师,而是会亲自加入他们、一起做研究。在过去的十年中,多伦多一直遭受人才外流问题的困扰。当地的一些初创企业纷纷选择硅谷,多伦多大学的深度学习社区,也面临着如何有效留住高质量人才的严峻挑战。

根据相关报道显示,人工智能专家,甚至包括刚毕业的学生和行业菜鸟,只要选择去硅谷就都能拿到一份年薪30万美元到50万美元的工作。而且,手中所持股票期权的价值,甚至能够突破百万。所以,从多伦多这座城市的立场出发,它必须要找到一种合理有效的方式,让那些曾经跟随Hinton做研究的深度学习专家,像Hinton一样留在多伦多,或者让那些已经选择离开的人因为Hinton而重新回到多伦多。由此,斥资数百万美元创建的Vector Institute便诞生了。该实验室以Hinton为招牌,汇集了诸多人工智能领域的顶尖人士。按理说,有充足的资金以及Hinton这位元老级人物坐镇,应该万无一失才是。可事实上,现在的加拿大已经大不如从前了,它已经失去了自己在这个行业的领先优势。不过,对于曾经的两大科技巨头北电和黑莓来说,全新实验室的成立或许能够给他们带来一些翻身的可能。

Geoffrey Hinton 四

Hinton回忆道,出生在一个科学世家,母亲曾经对自己说过,如果不做学术,那就是失败。年幼时期的Hinton养过很多动物,其中包括乌龟和蛇,还和朋友当过背包客,穿越美国和墨西哥。70年代拿到实验心理学学位之后,Hinton就开始兼职打工,同时还做一些木工活。1972年,他开始攻读人工智能博士学位,但却在研究过程中出现了抑郁情绪。好在他当时参加了一个研讨会,又重新找到了自己对神经网络研究的热情。

Geoffrey Hinton 五

Hinton一生都在与抑郁症斗争,唯一能够让自己放松的方式就是工作。用他的话说:“生活在这样一个名人辈出的家族中,压力真的非常大。直到深度学习兴起,抑郁症才有了好转。在相当长一段时间内,我都不是特别自信,总觉得自己能力不行。不过还好,我最后还是做到了。”

Geoffrey Hinton 六

除了年轻时候患有抑郁症,Hinton后来还遭遇了丧妻之痛。当时是90年代初期,在他和Ros收养了两个孩子之后不久,Ros就由于卵巢癌去世了。这对于一向埋首于实验和研究的Hinton来说,简直无法承受。除了失去心爱的妻子,他还需要照顾两个孩子。终于,在1997年,Hinton与英国艺术史家Jackie结婚了。可造化弄人,三年前Jackie被诊断出患有胰腺癌。所以,Hinton很可能在不久以后又会失去第二任妻子。

多次进出医院的Hinton清楚地知道,无论是等待诊断结果,还是听到并不明确的诊断结果,都会让人产生一种深深的无助感。但即便如此,他也没有像其他人一样失望灰心,他相信要不了多久就会出现全新的医疗技术,能够将原本一个星期的等待时间缩短为一天。

作为内敛的英国人,Hinton不会对人工智能大肆吹捧。他只对深度学习在医疗健康领域的革命性作用感兴趣。要是换成飞行汽车或其他话题,他就没有这么感兴趣了。在妻子生病期间,他发现医护人员对于数据的使用,实在是效率很低。就说CT扫描,如果你让两名放射科医生看同一张扫描图,那完全有可能听到两种不同的诊断结果。

Hinton就曾经亲眼目睹了三次误诊,所以他便坚信以后有了人工智能技术,这些放射科医生就不再需要工作了。或者至少说,人工智能能够取代医生用肉眼看扫描图的那部分工作。毕竟人工智能的核心就是识别,所以自然也就能给出最为准确的诊断结果、拿出最为合适的治疗方案。甚至到最后,人工智能工程师还能找到特定方法对人体免疫系统进行训练以抗击癌细胞。

Hinton在Vector Institute发起的第一批项目,就是把神经网络与多伦多医院的海量医疗数据联系起来。前不久,Peter Munk拿出1亿美元捐给了一家以自己名字命名的心脏病护理中心Munk Centre。有了这笔资金的支持,该医院或将成为数字心血管健康领域的领军人物。与此同时,Vector Institute也将从中拿到部分资金支持。

通过访问大量的医疗数据,其实说白了就是电子病历,相关机构就能够在人工智能技术领域实现各种创新突破,比如说远程监控患者心跳,再比如说帮助医生确定合适的出院时间等等。Deep Genomics是一家来自多伦多的科技初创企业,同时也是Vector Institute的合作伙伴之一,由Hinton的学生Brendan Frey参与创建。目前,该公司正在研究一种能够读取DNA数据信息的人工智能,旨在帮助医生和患者尽早发现疾病,并且拿出最为合适的治疗方案。

迄今为止,Vector Institute已经从省政府和联邦政府拿到了超过1亿美元的资金支持。另外,还从30多家私有合作伙伴手中拿到了8000万美元的资金支持,其中包括加拿大各家主流银行、加拿大航空公司、加拿大知名电信运营商Telus和搜索巨头谷歌等等。也就是说,现在的Vector Institute已经成为一家综合研究机构。除此之外,在人才配置上,Vector Institute目前已经募集了20位科学家。这些科学家研究的,都是一些难度较大的技术问题。比如说,如何利用人工智能技术诊断易发于儿童的癌症、检测话语能力障碍;再比如说,如何利用机器帮助人类提高视力,达到动物的视力水平等等。Raquel Urtasun就是Vector Institute雇来的重要人才,平时主要负责实验室和Uber之间的合作,主要研究对象是无人驾驶汽车。

其实,在现如今这个世界,大家对人工智能的狂热追求,并不仅仅是因为金钱。更重要的,还是这项技术给我们的日常生活所带来的便利。但是,从最开始的翻盖手机,到现在能够进行人脸识别的iPhone 10,也只不过是隔了十年不到的时间。所以说,未来人工智能究竟给我们的生活带来什么样的影响,还是一个很大的未知数。因而,不少科学家就对此产生了担忧,其中包括霍金、埃隆·马斯克和比尔·盖茨。他们都曾经针对这项技术给出过警告,认为一旦人工智能挣脱可控范围,那将带来较大危险。

当然,大多数人对于这项技术还是持有积极态度的,Hinton也是如此。用他的话说:“就我个人而言,人工智能将会让我们的生活更加便利。大家口中这项技术可能带来的影响,其实与这项技术本身是没有关系的,而是与整个社会的组织形式有关。所以,如果某项技术确实能够提高社会生产力,那么就应该让大家共享它的成果。”

1、猎云网原创文章未经授权转载必究,如需转载请联系官方微信号进行授权。
2、转载时须在文章头部明确注明出处、保留官方微信、作者和原文超链接。如转自猎云网(微信号:ilieyun
)字样。
3、猎云网报道中所涉及的融资金额均由创业公司提供,仅供参考,猎云网不对真实性背书。
0
评论
推荐阅读
记者名字
{{item.author_display_name}}
{{item.author_user_occu}}
{{item.author_user_sign}}
×