辛頓被一些人稱為“人工智能教父”，他在過去30年里一直致力于解決人工智能面臨的一些最大挑戰(zhàn)。除了在機器學習方面的開創(chuàng)性工作以外，他還撰寫以及與他人合作撰寫了200多篇經過同行評議的論文，其中包括1986年發(fā)表的一篇關于機器學習技術（被稱為反向傳播學習算法）的論文。
他普及了深度神經網絡的概念，即包含上述功能的人工智能模型，它們被安排在相互連接的層中，傳輸“信號”并調整連接的突觸強度（權重）。通過這種方式，人工智能模型從輸入數據中提取特征，并學習做出預測。
辛頓坦言，創(chuàng)新的速度甚至讓他自己都感到驚訝。“在2012年，我沒想到5年以后，我們就能夠使用相同的技術來在多種語言之間進行翻譯。”
盡管如此，辛頓認為目前的人工智能和機器學習方法都有其局限性。他指出，大多數的計算機視覺模型都沒有反饋機制，也就是說，它們不會試圖從更高層級的表征重建數據。相反，它們試圖通過改變權重來有區(qū)別地學習特征。“它們并沒有在每一層的特征探測器上檢查是否能夠重建下面的數據。”辛頓說道。
他和同事們最近轉向人類視覺皮層來尋找靈感。
辛頓說，人類的視覺采用了一種重建的方法來學習，事實證明，計算機視覺系統(tǒng)中的重建技術增強了它們對對抗攻擊的抵抗力。
“大腦科學家都同意這樣的觀點，如果你的大腦皮層有兩個區(qū)域處于感知通路中，并且相互連接，那么總有一個反向通路。”辛頓表示。
需要說明的是，辛頓認為，神經科學家需要向人工智能研究人員學習很多東西。事實上，他覺得未來的人工智能系統(tǒng)將主要是非監(jiān)督式的。他說，非監(jiān)督式學習——機器學習的一個分支，從未標記、無法歸類和未分類的測試數據中收集知識——在學習共性和對潛在的共性做出反應的能力方面，幾乎就像人類一般。
“如果你用一個有數十億個參量的系統(tǒng)，在某個目標函數中實施梯度下降，它的效果會比你想象的好得多……規(guī)模越大，效果越好。”他說，“相比于讓大腦計算某個目標函數的梯度，并根據梯度更新突觸的強度，這要更加合理。我們只需要弄清楚它是如何得到梯度的以及目標函數是什么。”
這甚至可能會解開夢的奧秘。“為什么我們根本不記得我們的夢呢？”辛頓反問道。他認為這可能與“反學習”有關。
辛頓說，“做夢的意義可能在于，你把整個學習過程顛倒過來。”
在他看來，這些知識可能會完全改變一些領域，比如教育。例如，他預計，未來的課程將更加個性化，有更強的針對性，將把人類生物化學過程考慮進來。
“你可能會認為，如果我們真正了解大腦的運轉機制，我們應該能夠改善教育等方面的狀況，我認為我們會做到的。”辛頓稱，“如果你能最終了解大腦發(fā)生了什么，它是如何學習的，而不是沒有去進行調整適應，取得更好的學習效果，那會令人費解。”
他警告說，實現這一點尚需時日。就近期而言，辛頓設想了智能助手的未來——比如谷歌的Google Assistant或亞馬遜的Alexa——它們可以與用戶互動，并在日常生活中給他們提供各種指導。
“未來幾年，我不確定我們能否從智能助手那里學到很多東西。但如果你仔細觀察，你會發(fā)現現在的智能助手相當聰明，一旦它們真的能聽懂對話，它們就能和孩子們交談，并對他們進行教育。”辛頓總結道。
【來源：網易智能】
