首頁熱門文章
美國“四院院士”：人工智能將成科技的最大風(fēng)口
發(fā)布時(shí)間：2019-07-29 分類：趨勢研究
2019年GMIC全球移動(dòng)互聯(lián)網(wǎng)大會(huì)在廣州舉行，在院士AI論壇上，美國“四院院士”（國家科學(xué)院、國家醫(yī)學(xué)院、國家工程院、國家藝術(shù)與科學(xué)學(xué)院）、美國索爾克生物研究所計(jì)算神經(jīng)生物學(xué)實(shí)驗(yàn)室主任特倫斯?謝諾夫斯基教授發(fā)表了題為《人工智能，將成科技的最大風(fēng)口》的演講。
特倫斯?謝諾夫斯基提到，過去200年，各種技術(shù)層出不窮，這樣的技術(shù)深刻影響我們生活的方方面面，人工智能未來也會(huì)影響人類的發(fā)展。
人工智能，這個(gè)名詞從1956年誕生，目標(biāo)就是模仿人工智能在機(jī)器上實(shí)現(xiàn)，這是一個(gè)非常大的目標(biāo)，但目前人類仍然遠(yuǎn)遠(yuǎn)沒有達(dá)到如此的目標(biāo)。
人類大腦里大概有上千億個(gè)能平行工作的神經(jīng)元，而電腦卻不一樣，它有處理器的，有內(nèi)存，特倫斯?謝諾夫斯基表示，深度學(xué)習(xí)的靈感就是來自大腦運(yùn)作機(jī)制。
特倫斯?謝諾夫斯基介紹說，深度學(xué)習(xí)能夠在計(jì)算機(jī)識(shí)別方面，可以把誤差率下降20%，這是經(jīng)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(zhǔn)確識(shí)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(jìn)行演講，也是我首次參加GMIC，現(xiàn)在人工智能給科學(xué)發(fā)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(nèi)容。
首先我們回顧一下過去250年，從工業(yè)革命發(fā)展之初，我們從英國的工業(yè)革命興起，蒸汽機(jī)的發(fā)明增強(qiáng)了人類使用動(dòng)能的能力，一個(gè)蒸汽機(jī)取代了一百個(gè)勞動(dòng)力，大部分世界人口當(dāng)時(shí)仍然在農(nóng)場進(jìn)行手工勞動(dòng)，這樣的一些手工勞動(dòng)都被蒸汽機(jī)取代了，就像美國已經(jīng)高度自動(dòng)化，從回到工業(yè)革命的時(shí)候蒸汽機(jī)的發(fā)明也是如此，大程度替代了很多人工勞動(dòng)力，工業(yè)革命也帶來人口遷移，從鄉(xiāng)村轉(zhuǎn)移到城鎮(zhèn)，工業(yè)革命對于社會(huì)帶來極深遠(yuǎn)的影響，過去200年可以看到，這樣一些工業(yè)革命、科學(xué)技術(shù)大程度的使用，各種技術(shù)層出不窮，這樣的技術(shù)深刻影響我們生活的方方面面。
當(dāng)然也有不少缺陷，幾十年來，比如說工業(yè)革命時(shí)期的倫敦，有著大量的霧霾、煙塵，因?yàn)槭褂昧艘悦簽轵?qū)動(dòng)的蒸汽機(jī)導(dǎo)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(shù)帶來便利的同時(shí)要面臨的挑戰(zhàn)，怎么在進(jìn)行空氣治理，減少呼吸疾病，是一大挑戰(zhàn)。
技術(shù)發(fā)展的同時(shí)，也需要處理技術(shù)帶來的后果，現(xiàn)在我們面臨的技術(shù)人工智能也不例外，大家聽到的很多熱點(diǎn)科技詞語，我給大家簡單介紹一下，人工智能，這個(gè)名詞從1956年誕生，目標(biāo)就是模仿人工智能在機(jī)器上實(shí)現(xiàn)，這是一個(gè)非常大的目標(biāo)。我們現(xiàn)在仍然遠(yuǎn)遠(yuǎn)沒有達(dá)到如此的目標(biāo)，人工智能范疇內(nèi)，其中一個(gè)子范疇快速增長，下一位演講嘉賓會(huì)給大家細(xì)述機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)是以另一種方向發(fā)展人工智能，過去是編程，你能編程說明你已經(jīng)有了這樣一個(gè)領(lǐng)域的知識(shí)去解決這個(gè)問題，而且解決問題的形式是通過編程，所以你能編程已經(jīng)是這個(gè)領(lǐng)域的專家。
機(jī)器學(xué)習(xí)路徑是不一樣的，我們通過大量收集數(shù)據(jù)，通過機(jī)器進(jìn)行學(xué)習(xí)，利用數(shù)據(jù)結(jié)構(gòu)化進(jìn)行學(xué)習(xí)，比如說學(xué)習(xí)一些圖像對象、語言、詞語序列等等，在機(jī)器學(xué)習(xí)范疇，又有另一個(gè)方法學(xué)，就是特定算法，是受到大腦啟發(fā)觸動(dòng)的一個(gè)方向，我們大腦是非常復(fù)雜的一個(gè)設(shè)備，收集信息，有數(shù)千億的腦神經(jīng)元，將信息傳遞，比如說在場這么多人，通過上千億腦神經(jīng)元大腦進(jìn)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(nèi)部運(yùn)作，稍后給大家詳解這一塊的內(nèi)容，但是我想說深度學(xué)習(xí)的靈感就是來自大腦運(yùn)作機(jī)制。
學(xué)習(xí)與編程的權(quán)衡，紅線是編程線，如果要雇一個(gè)程序員給你解決問題，這個(gè)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(fā)展開始，我們的機(jī)器學(xué)習(xí)，從上世紀(jì)80年代開始，成本非常高，電腦非常貴，但是現(xiàn)在人工智能、機(jī)器學(xué)習(xí)成本不斷向下，2012年機(jī)器學(xué)習(xí)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(shù)據(jù)組，不需要完全熟悉了解這個(gè)領(lǐng)域的知識(shí)，不需要完全了解這個(gè)對象，但是如果獲得大量實(shí)例數(shù)據(jù)，我們機(jī)器可以通過特定的學(xué)習(xí)算法不斷解決困難，我們使用神經(jīng)網(wǎng)絡(luò)處理系統(tǒng)在30年前就提出這樣的理論，就是神經(jīng)網(wǎng)絡(luò)模式。
腦神經(jīng)網(wǎng)絡(luò)可以有效處理復(fù)雜的數(shù)據(jù)組，也可以有能力處理上億的圖像數(shù)據(jù)，我相信在座各位對于阿爾法狗大戰(zhàn)是非常熟悉的，2017年打敗了柯潔世界圍棋冠軍，當(dāng)時(shí)震驚時(shí)間，不僅僅因?yàn)榇驍∈澜鐕骞谲娺@么復(fù)雜的運(yùn)動(dòng)，同時(shí)人類還有很大的共鳴，認(rèn)為機(jī)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(rèn)為機(jī)器可以學(xué)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(jīng)像圍棋之神一樣在下棋，它每一步下棋的章法非常創(chuàng)新，是之前棋盤沒有出現(xiàn)過的，非常創(chuàng)新，如果是人，我們稱之為圍棋天才。因?yàn)槭峭ㄟ^人工智能，阿爾法狗出現(xiàn)創(chuàng)新下棋之舉，所以也可以看到通過AI機(jī)器學(xué)習(xí)，機(jī)器也可以實(shí)現(xiàn)超神一般的創(chuàng)新。
人類大腦機(jī)制，非常簡單的一個(gè)版本，大腦里有很多神經(jīng)元，大概上千億的，它們是平行工作的，這和數(shù)字化電腦不一樣，因?yàn)殡娔X是有處理器的，是有內(nèi)存的，而且這兩個(gè)硬件都有瓶頸。記憶實(shí)際上是在神經(jīng)元之間的連接，也就是突觸當(dāng)中存在，實(shí)際上十的十次方的神經(jīng)元有十個(gè)十次方個(gè)連接，而且大腦里突觸數(shù)量非常巨大，也就大腦內(nèi)存是很巨大的。可以儲(chǔ)存非常多的一些數(shù)據(jù)，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?yàn)樵谧匀恢校覜]有這么多處理層，而且電腦計(jì)算速度更快，實(shí)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(fù)雜的過程，還有就信息的儲(chǔ)存、處理等等，讓我們解決非常多的問題，這才是非常關(guān)鍵的。
還有一些挑戰(zhàn)，比如說有很多神經(jīng)元，有突觸等等，最終是圍繞著中樞神經(jīng)系統(tǒng)，這是最重要的一個(gè)器官。我們要知道某一個(gè)連接的改變是否會(huì)改變信息的輸入和輸出，如果把這個(gè)連接改變了，就會(huì)受到影響，當(dāng)時(shí)杰弗里和我一起，得出神經(jīng)算法，也就是怎么樣才能讓突觸處理正確的神經(jīng)傳遞，幾乎所有的科學(xué)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?yàn)楹芏鄬＜铱偸侵肋@個(gè)事情不能做，但是他不知道這個(gè)事情可以做成的方法。所以我們發(fā)明了玻爾茲曼機(jī)，現(xiàn)在在網(wǎng)絡(luò)神經(jīng)學(xué)習(xí)中還在使用。
深度學(xué)習(xí)網(wǎng)絡(luò)是怎樣的？這里有各種各樣的信息數(shù)據(jù)，圖片、DAN信息等等，這邊是輸出，可能要對疾病進(jìn)行診斷，各種各樣的輸入對于醫(yī)生來說，看了就可以得出診斷，每一個(gè)信息點(diǎn)就是神經(jīng)節(jié)點(diǎn)，最希望有一個(gè)架構(gòu)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(diǎn)。而且必須從已經(jīng)確診的病人那里獲得信息，這才是有效的輸入。機(jī)器不是說要去記住這些東西，要將其泛化，因?yàn)椴煌私o出的輸入不一樣，人腦可以進(jìn)行非常好的泛化，這是我們希望可以讓機(jī)器做的事情。
楊立昆是一個(gè)架構(gòu)師，而且受到了視覺系統(tǒng)的啟發(fā)，大概在上世紀(jì)60、70年代的時(shí)候，已經(jīng)有一些生物學(xué)家學(xué)習(xí)了人的視覺系統(tǒng)，所以我們知道在人腦當(dāng)中，信息是如何流動(dòng)的，他們來研究了猴子的架構(gòu)，因?yàn)槿伺c猴子有一定的相似性。他們就是卷積神經(jīng)網(wǎng)絡(luò)的算法，他們設(shè)計(jì)了卷機(jī)神經(jīng)網(wǎng)絡(luò)算法，這邊輸入信息，將圖像和神經(jīng)元網(wǎng)絡(luò)進(jìn)行結(jié)合，傳輸后進(jìn)行輸出，這實(shí)際上有猴子的大腦，有一層層的神經(jīng)輸入架構(gòu)，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(shè)計(jì)多層架構(gòu)，使用早期的卷積神經(jīng)網(wǎng)絡(luò)，最終他們就有了識(shí)別物體的功能，還有就是網(wǎng)絡(luò)中的單元，模仿人的大腦，而且有閾值，如果低于這個(gè)閾值沒有輸出，高于這個(gè)閾值才有。之后他們也進(jìn)行了一系列的實(shí)驗(yàn)，進(jìn)行了很多技術(shù)上的工作。
2012年的時(shí)候，這是ImageNet比賽，是一個(gè)深度學(xué)習(xí)應(yīng)用，這個(gè)網(wǎng)絡(luò)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(gè)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(shí)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(gè)人，就說這是敞篷車，不同人看到的是不同面。第三幅圖識(shí)別出是櫻桃，實(shí)際上上面是狗，最后是madagascar貓，其實(shí)這并不是貓，人類識(shí)別是錯(cuò)誤的，電腦識(shí)別出來是猴子。在訓(xùn)練集里標(biāo)簽標(biāo)錯(cuò)了，所以出現(xiàn)了一些錯(cuò)誤，但是實(shí)際上在性能級別上，深度學(xué)習(xí)能夠在計(jì)算機(jī)識(shí)別方面，把誤差率下降20%，如果能夠下降這么多，已經(jīng)非常厲害了，而且經(jīng)過很多年才有這成果，對于某一些圖像依然無法準(zhǔn)確識(shí)別。關(guān)鍵要進(jìn)行不斷進(jìn)行改善、演化。
今年圖靈獎(jiǎng)?lì)C給我的朋友楊立昆、約書亞?本吉奧、杰弗里?辛頓，這相當(dāng)于諾貝爾級別了，算對他們在深度學(xué)習(xí)里非常大的鼓勵(lì)，而且深度學(xué)習(xí)現(xiàn)在成了很熱的詞，去年我寫了一本書，總結(jié)深度學(xué)習(xí)發(fā)展歷史，深度學(xué)習(xí)是怎么來的，還有學(xué)習(xí)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(zhàn)，最近這本書翻譯為中文，已經(jīng)有了中文版，就是右邊的照片《深度學(xué)習(xí)》，我的出版商代表也過來了。這本書多少錢呢？待會(huì)你們想買一本打折的可以跟她私下談。
這是我書中的一個(gè)章節(jié)，皮膚病醫(yī)生看皮膚病，到底是癌癥還只是良性的，已經(jīng)治療了兩千例皮膚病醫(yī)生收集的數(shù)據(jù)，用來做訓(xùn)練集，機(jī)器和16個(gè)皮膚病學(xué)家同場競技，發(fā)現(xiàn)網(wǎng)絡(luò)表現(xiàn)和醫(yī)生是并駕齊驅(qū)的，診斷率可以達(dá)到92%之高，只要有一臺(tái)手機(jī)，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(yī)生，也不需要去付很多醫(yī)藥費(fèi)，有誰去看過皮膚病的？去醫(yī)院看皮膚病真的很麻煩，有時(shí)候要做出診斷，需要好幾個(gè)星期，甚至幾個(gè)月時(shí)間，這樣往往讓病人苦不堪言，這是2017年寫的，2018年出版的，現(xiàn)在我們看到有幾個(gè)例子，這個(gè)看起來好可怕，實(shí)際上這是良性的，有一個(gè)看起來好像沒有什么事卻是惡性的，所以這要讓醫(yī)生來判斷。
今天我在聽一個(gè)電臺(tái)節(jié)目的時(shí)候聽到有一個(gè)公司，已經(jīng)提供了這樣的服務(wù)，如果患病拍照發(fā)到他們平臺(tái)，他們AI系統(tǒng)就可以告訴你現(xiàn)在是否要就醫(yī)還是說是良性的。有一個(gè)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(fā)給了這個(gè)平臺(tái)，誰知道就是惡性的，她女朋友救了男朋友一命，因?yàn)榧皶r(shí)就診，收費(fèi)才29美元。這是WAYMO自動(dòng)駕駛汽車，輿論讓你感覺明天就可以做成，其實(shí)要做幾十年時(shí)間，因?yàn)橛泻芏嗦窙r和復(fù)雜因素需要攻克和優(yōu)化。
這輛汽車搭載了很多雷達(dá)和傳感器，180度傳感器不像我們?nèi)祟愐曈X，只能看前方，它可以有180度的視角，無人駕駛汽車應(yīng)用場景，現(xiàn)在的應(yīng)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(yōu)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?qū)崿F(xiàn)，可以重新規(guī)劃停車場和停車道，大量汽車?yán)寐试龈叩臅r(shí)候，很多車在路上跑，不需要那么多停車場了，我們現(xiàn)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(guān)門大吉了，就是汽車維修店和汽車保險(xiǎn)，更重要是可以挽救很多生命，因?yàn)槠隈{駛是導(dǎo)致事故死亡的很大原因。還有酒駕、醉駕這種事件很多，每年高速公路，醉酒導(dǎo)致死亡4萬人。
很大的便利是可以節(jié)省通行時(shí)間，尤其是出行高峰的時(shí)候，高峰時(shí)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(shí)間可以看看報(bào)紙，駕駛又完全自動(dòng)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(jìn)一步暢想，盜車時(shí)代會(huì)被終結(jié)。此外還有一些新的就業(yè)崗位生成，很多人說卡車司機(jī)要失業(yè)了，不會(huì)的，我們?nèi)绻褂脽o人駕駛的卡車，也要人去控制的，他的角色轉(zhuǎn)化為安全監(jiān)測崗位，這個(gè)崗位比開卡車好得多，而且更舒服，現(xiàn)在無人駕駛汽車仍然不能實(shí)現(xiàn)，因?yàn)橛泻芏鄻O端路況交通控制所以還不能實(shí)現(xiàn)，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(xùn)練數(shù)據(jù)集訓(xùn)練無人卡車，一旦有這種邊遠(yuǎn)情況案例出現(xiàn)，比如說無人駕駛貨載卡車貨物掉路上時(shí)怎么處理，這些不是說完全沒有人監(jiān)控，我們需要有人監(jiān)控，機(jī)器是監(jiān)控不了的，所以我們?nèi)匀恍枰巳ケO(jiān)控這些無人駕駛的卡車。
還催生另一個(gè)新的產(chǎn)業(yè)崗位，傳感器技術(shù)供應(yīng)鏈，這是一個(gè)全新的供應(yīng)鏈，因?yàn)槲覀冃枰跓o人駕駛車輛上邊搭載幾十億個(gè)傳感器，大量數(shù)據(jù)生成后，我們需要進(jìn)行數(shù)據(jù)清理，這些都會(huì)催生很多很好的新工作崗位，這一個(gè)公司睿金科技來自中國郟縣，他們有幾千萬人專門做數(shù)據(jù)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(shí)是數(shù)據(jù)挖煤，這比現(xiàn)實(shí)中煤礦挖煤好得多。
接下來舉一個(gè)語言翻譯的例子，語言翻譯在中國幾千個(gè)語種，互相不能理解，所以我們訓(xùn)練機(jī)器預(yù)計(jì)下一個(gè)字詞出現(xiàn)，這時(shí)候不需要分類數(shù)據(jù)，是非監(jiān)督學(xué)習(xí)，這種叫做文字嵌入，如果機(jī)器能夠訓(xùn)練得很好，我們期望的是學(xué)習(xí)內(nèi)模通過自己的活動(dòng)運(yùn)算，可以了解和解構(gòu)整個(gè)語義，同時(shí)要識(shí)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(yīng)關(guān)系，這是一個(gè)項(xiàng)量，將這個(gè)項(xiàng)量依附于德國，德國對應(yīng)柏林，這個(gè)網(wǎng)絡(luò)沒有任何監(jiān)督，就可以發(fā)現(xiàn)城市首都的關(guān)系，還有就是地理位置的關(guān)系，這在之前語言學(xué)領(lǐng)域從來沒有做過，機(jī)器學(xué)習(xí)打開了整個(gè)語言學(xué)新的理論。
此外，我們機(jī)器從翻譯上可以做時(shí)域序列解讀，從底層慢慢學(xué)習(xí)，可以解讀時(shí)態(tài)，還有語義強(qiáng)度、語氣強(qiáng)度，還有增強(qiáng)機(jī)器工作記憶，句頭首詞到句末最后一個(gè)詞都可以分析?，F(xiàn)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(rèn)為這個(gè)網(wǎng)絡(luò)已經(jīng)可以理解句子的，不是的，但是比傳統(tǒng)的翻譯好多了，之前是字對字的硬設(shè)，這是行不通的，現(xiàn)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(jī)上有一個(gè)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(jīng)用了很多次了，語音識(shí)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(jīng)可以實(shí)現(xiàn)了。人類語種翻譯是變的，比如說有一個(gè)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(jì)語言學(xué)主要領(lǐng)域主要是詞法上做很多研究，其實(shí)語言最重要的就是語義理解、語義解構(gòu)，詞與詞的關(guān)系，這些詞組排列完后是怎樣的意思，這是語義?，F(xiàn)在人工智能已經(jīng)往這個(gè)方向深化。
人工智能驅(qū)動(dòng)的翻譯技術(shù)有多么的神奇，這是我們?nèi)〉玫牧硪粋€(gè)進(jìn)展，這是語言網(wǎng)絡(luò)，有三個(gè)語種—英韓日，從英語翻譯為韓語、日語都做了實(shí)驗(yàn)，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(gè)實(shí)驗(yàn)已經(jīng)做了英翻韓、英翻日，能不能韓翻日，某種程度上可以，說明機(jī)器可以學(xué)習(xí)了，在一定程度上通過學(xué)習(xí)，可以韓翻日，也就是說你的訓(xùn)練更多，語言組越多，訓(xùn)練得越好，網(wǎng)絡(luò)就可以更加相通，機(jī)器的翻譯就能夠?qū)W習(xí)得更好。所以我們這種語言學(xué)網(wǎng)絡(luò)，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(zhuǎn)化和翻譯機(jī)理。我們大腦在運(yùn)算的時(shí)候，總是需要大腦海馬體和皮層運(yùn)作，我給大家分享一個(gè)概念，就是強(qiáng)化學(xué)習(xí)，怎么樣通過增強(qiáng)學(xué)習(xí)達(dá)成目標(biāo)，這個(gè)模式就是阿爾法狗怎么打敗柯潔的秘密。
我再分享一點(diǎn)，最近在無監(jiān)督學(xué)習(xí)中的一大突破，前提是需要大量數(shù)據(jù)組，我們把網(wǎng)絡(luò)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(gè)網(wǎng)絡(luò)很厲害，它實(shí)際上可以生成關(guān)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(jù)自動(dòng)生成的，而且可以生成很多圖像，但是這些都不是真實(shí)的人，都不是真實(shí)存在的，還可以不斷的繼續(xù)下去，所以這個(gè)例子就向我們展示了未來，生成性的網(wǎng)絡(luò)，就像我們的大腦，我們大腦也會(huì)不斷生成信息，我們坐那里，就會(huì)有各種各樣的想法出現(xiàn)。
現(xiàn)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(tái)飛機(jī)的時(shí)候，離噴氣式飛機(jī)還有很長一段路要走，萊特兄弟幾年前出了一本關(guān)于他們的傳記，很好看，里面寫著說萊特兄弟研究鳥很久，因?yàn)轼B可以飛過千山萬水，不用經(jīng)常拍動(dòng)翅膀，而且他們對于空氣動(dòng)力學(xué)非常感興趣，還建立了風(fēng)動(dòng)，所以萊特兄弟本質(zhì)上就是工程師，我們從自然當(dāng)中可以學(xué)到很多東西，萊特兄弟研究了自然，研究了鳥，然后他們發(fā)現(xiàn)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(jīng)會(huì)了，大自然中已經(jīng)蘊(yùn)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(jìn)步，去年12月的時(shí)候，在蒙特利爾有100萬人參加了會(huì)議，接下來12月我們覺得應(yīng)該會(huì)有4萬人來參加這個(gè)大會(huì)，我相信2020年來參加這個(gè)會(huì)議的人會(huì)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(shí)際上有一些問題像自動(dòng)駕駛汽車不能說以年來解決問題的，而是以十幾年時(shí)間來計(jì)算，有時(shí)候需要幾代人努力，但是回顧一下工業(yè)革命，這不是一夜之間發(fā)生的，而是經(jīng)過幾代人努力才實(shí)現(xiàn)的，所以各位的孩子就會(huì)從你們手中接過這個(gè)成果，從充滿AI的世界中長大。那時(shí)候就像大家看到飛機(jī)一樣，人工智能會(huì)非常的普遍，謝謝各位。
