Tomaso Poggio：深度学习须要从炼金术走向化学
记者 | 周翔算法
AI科技大本营1月28日消息，《麻省理工科技评论》新兴科技峰会EmTech China在北京召开，营长也受邀参加，会上有多位人工智能领域的重磅大佬出没，Tomoso Poggio 教授就是其中一位。网络
提及 Tomoso Poggio ，也许不少人不太熟悉，但他的几个学生都已经名满天下。好比：DeepMind 创始人、Alpha Go 之父 Demis Hassabis；艾伦人工智能研究所首席科学家 Christof Koch；Mobileye 创始人兼 CTO Amnon Shashua 等等。架构
Tomaso Poggio 教授目前是 MIT 计算机科学&人工智能实验室（CSAIL）教授，曾得到ICCV 2017 “Azriel Rosenfeld 终生成就奖”，也是 DeepMind 最先期的投资人之一。框架
今天 Tomoso Poggio 用凝练的语言为咱们解释了人工智能领域正在发生什么，将来可能在哪里取得突破。说起业内人士常常自嘲的“深度学习就像这个时代的炼金术”这个观点，Tomoso Poggio认为的确如此，但须要将炼金术转化为真正的“化学”，这样咱们才能知道，深度学习在将来到底能够实现什么。机器学习
如下为 Tomoso Poggio 教授演讲实录，AI 科技大本营作了不改变原意的整理。函数
今天我想和你们谈一下人工智能领域正在发生什么。性能
首先，我想说说咱们在人工智能最近所取得的一些成功，尤为是过去五年，以及咱们人工智能将来可能在哪里取得突破。而后是深度学习，深度学习有点像咱们这个时代的炼金术，可是须要从炼金术转化为真正的化学。这样咱们才能知道，深度学习在将来到底能够实现什么。学习
过去五年，人工智能领域最重要的两个成就是：AlphaGo和自动驾驶。我在这行待得够久了，所以两个领域都有个人学生：一个是AlphaGo的Hassabis先生，他是DeepMind员工，如今在谷歌；另一个就是Moblieye的CEO Amnon Shashua，他如今已经加入了英特尔。大数据
接下来咱们能够看一下过去23年机器学习取得了哪些进步。优化
23年之前，我和Hassabis但愿能够把计算机视觉和机器学习进行整合，而后创造出一个学习系统辨别行人。在1995年，咱们能够看到机器识别出了行人和信号灯，基本上每秒钟会出现10个错误，当时咱们对这个结果仍是很是满意的。
可是，Moblieye后来作到了每30英里只出现1个错误，把错误率降至当年的百万分之一，能够看出机器学习的准确性显著提升。
AlphaGo和Moblieye所取得的进步，背后是什么动因呢？
首先我认为是机器学习的算法，第一是深度学习，第二是强化学习，他们都是来自于认知科学以及神经科学。
深度学习的架构最先是在60年代研究猴子的视觉系统时被发明出来的，从而更好地研究他们大脑在学习时的神经结构。而后一直到Fukushima 提出了首个量化模型，再到20年前现代版的HMAX被提出。这些架构都是一脉相承的——从脑科学到如今的深度学习，本质上都是同样的层级架构。从下到上，神经的等级愈来愈高。这个结构的局部中并无不少的链接，每个高级的神经元只会和下一个等级的神经元相联系。
2012年咱们也开发出了AlexNet，它也是性能最好的一个架构。基于神经科学，咱们经过工程学的研究并不断地发展。这是很重要的，由于咱们尚未真正实现人工智能。
深度学习能够帮助咱们解决10%的难题，剩下的90%呢？个人答案是咱们可能也须要来自神经科学以及认知科学的研究，咱们须要更好地了解人的思惟和大脑。这也是咱们MIT的大脑&意识&机器中心（CBMM）在研究的问题。
五年前咱们开始开展相关的研究，咱们的使命就是要在理解认知方面得到新的进步，同时也须要去了解整个智能的架构和智能背后的科学原理。关于智能的科学会帮助咱们回答最宏大的问题，了解生命的起源包括宇宙的起源，以及时间的源头。大脑中智能的产生，是科学如今须要解决的首要问题。
CBMM想经过如下三条路径解决这个问题：
一：计算机科学+机器学习
二：神经科学
三：认知科学
咱们会同谷歌这样的商业公司合做，探索在工程和科学领域合做的可能。
过去几年中，技术发展和理论发展、包括深度神经网络领域的发展很显著。
要了解深度神经网络的运做原理，须要回答背后的三个基本问题：
逼近理论：深层网络什么状况下会比浅层网络更有效？
最优化：应该如何设计经验风险函数？
学习理论：为何深度学习不会产生过拟合？
这三个问题是机器学习的奠定石。他们的答案很复杂，要解决这种问题，咱们须要一开始就思考深度学习的一些技术理论，以及它的局限性。
如今是应用人工智能的黄金时代，由于深度学习及其工程应用，终于帮助咱们将传统的人工智能科学理论应用于了工程实际，并且可以为咱们进行赋能。假如咱们能够超越深度学习的理论，能够更好的去了解人类智能的话，也能够更加深入地了解咱们人类本身。
新一年，AI科技大本营的目标更加明确，有更多的想法须要落地，不过目前对于营长来讲是“现实跟不上灵魂的脚步”，由于缺人~~
因此，AI科技大本营要壮大队伍了，现招聘AI记者和资深编译，有意者请将简历投至：gulei@csdn.net，期待你的加入！
若是你暂时不能加入营长的队伍，也欢迎与营长分享你的精彩文章，投稿邮箱：suiling@csdn.net
若是以上二者你都参与不了，那就加入AI科技大本营的读者群，成为营长的真爱粉儿吧！后台回复：读者群，加入营长的你们庭，添加营长请备注本身的姓名，研究方向，营长邀请你入群。
热文精选
能在不一样的深度学习框架之间转换模型？微软的MMdnn作到了
热门 | Google Brain前员工深度盘点2017人工智能和深度学习各大动态
实战 | 深度学习轻松学：如何用可视化界面来部署深度学习模型
资源 | 李飞飞、吴恩达、Bengio等人的15大顶级深度学习课程，你集全了吗？
资源 | AI、神经网络、机器学习、深度学习以及大数据学习备忘单
☟☟☟点击 | 阅读原文 | 查看更多精彩内容