“强化学习在自动驾驶领域可能会非常重要”

　　Yoshua Bengio

　　在微软今年 1 月宣布收购 Maluuba 时，深度学习先驱 Yoshua Bengio 同意随这家公司一同加入微软并担任顾问，为微软的人工智能贡献自己的力量。Yoshua Bengio 目前是蒙特利尔学习算法研究所（MILA）主任和蒙特利尔大学计算机科学教授。在二十多年的教学生涯中，他教育出了 Ian Goodfellow 等著名学者。最近，Bengio 探访了微软在华盛顿州 Redmond 的园区，并与微软副总裁沈向洋进行了一次对话。

　　沈向洋：让我们先从最简单的开始吧：什么是深度学习？

　　Yoshua Bengio：深度学习是机器学习的一种形式，机器学习是计算机通过学习大量真实世界的例子来获取智能的一种方法。深度学习在所有机器学习方法中显得非常独特，它受到了人类大脑结构的一点启发。它可以让计算机学会多层次的抽象概念和表示，这是这些系统成功的原因。

　　沈向洋：你能举一个人们使用深度学习的例子吗？

　　Yoshua Bengio：深度学习最为常用的方法被称为监督学习（supervised learning），在这种方式下，我们向计算机提供大量例子，这些例子会告诉计算机在许多不同的情况下应该如何做。例如：我们有数百万条某人朗读句子的语音数据，同时我们有其语音转录，然后我们希望计算机知道如何将声音转录成文字。在训练后，计算机就可以通过输入学会理解真实世界，就像人类所做的一样。简而言之，计算机试图通过很多例子在来任务中模仿人类。

　　We're sorry, but your browser does not support this video. Please install Adobe Flash version 10 or later.

　　沈向洋：深度学习已经发展了数十年之久，它是如何从早期的蛰伏走出来，成为今天的热门学科的？

　　Yoshua Bengio：人工智能起源于 20 世纪 50 年代末，人们开始思考人工智能，然后人们突然想到：嘿，我们应该看看大脑是如何运作的，那里面应该有很多可用于构建智能机器的线索。随后人工智能沉寂了一段时间，直到 80 年代初才重新被提起，在 90 年代初又再次沉寂，因为当时它并不如人们所期望的那样强大。现在已经是第三波浪潮了，这一波是深度学习。大约 5 年前，深度学习突然在语音识别、物体识别等应用领域出现了惊人的突破。最近，自然语言应用（如机器翻译）也已经进入了实用阶段。

　　沈向洋：作为一名深度学习的专家，你认为目前最激动人心的研究是哪个方面？

　　Yoshua Bengio：我认为目前最激动人心的领域在于无监督学习（unsupervised learning）。在这个方向上，目前最好的机器学习与深度学习还远不及人类的水平。一个两岁的人类孩子只需观察世界和与世界互动就能学习。例如：他/她可以通过玩和观察来了解重力和压力这样的物理特性——而不需要去上物理课。这就是无监督学习。而对于人工智能来说，机器还远未实现这样的能力，不过目前我们在这方面的研究已经有了很大的进展。这非常重要，为了让机器在当前非常有限的任务之外实现更大的发展，我们需要无监督学习。

　　沈向洋：在微软，我们经常谈到通过人工智能来增强人类经验，从而帮助我们完成任务。你认为在这一方面未来人工智能最有希望的能力是什么？

　　Yoshua Bengio：首先，在人工智能领域，特别是自然语言处理领域，最重要的任务是让计算机可以与人类更自然地交流。现在，当我希望与计算机进行交互时，我会感到很沮丧，我不知道如何把信息传递给计算机，也无法从计算机获取我想要的信息。自然语言处理是让程序员之外的人能够更大程度地操作计算机的有效方式。但除此之外，我们希望计算机能真正理解我们的需求和问题并帮助我们找到信息，同时还能推理和帮助我们工作，这个想法非常有前途。

　　沈向洋：此前，你曾经说过深度学习经常被说成是受大脑运行方式启发的技术。深度神经网络是如何受我们对人类大脑工作方式的理解的启发的？这意味着深度学习具有怎样的潜力？

　　Yoshua Bengio：在神经网络发展的起始阶段，有一种想法：大脑中执行的计算可被抽象成大脑中每个神经元执行的非常简单的数学运算。神经网络所做的是将所有这些小运算组合在一起，而其中的每个神经元的计算可以被改变或调整。这对应于生物神经突触的变化，这或许就是人类学习的方式。我们将这种理念应用于机器学习中，让计算机学会整合所有元素的结果，这种方法非常强大。

　　沈向洋：但目前人类对自己大脑的认识还很有限，我们距离真正理解大脑运行方式还有多远？