参与：吴攀、李泽南

多伦多大学的 Geoffrey Hinton 是世界上最领先的计算机科学家之一、谷歌副总裁级别的工程师，他所架构的一种人工智能方法将会极大地改变计算机在我们的生活中所扮演的角色。

Hinton 是多伦多大学艺术与科学学院（Faculty of Arts & Science）计算机科学系的退休的杰出教授，自上世纪 70 年代开始他就在研究人工神经网络了。他的目标是通过建模人脑的结构来创造能够思考和学习的机器。那时候，大多数研究者还很排斥神经网络的人工智能方法，但是 Hinton 及其团队坚持了下来，并在后来取得了很大的成功。

过去十年来，j2直播，他们的深度学习神经网络几乎在每一种基准上都超越了传统了人工智能方法。在 2013 年，谷歌收购了 Hinton 的神经网络创业公司 DNNresearch。而最近，他还被提名为「《连线》2016 年度全球百大影响力人物」之一。他的学习机器已被证明具有巨大的实际价值。这些技术能够使自动驾驶汽车更安全、能帮助我们不费力地翻译另一种语言、并且还将逐渐接管我们工作和家庭中的人力劳动甚至认知劳动。它们在巨大的数据集中发现模式的能力还将帮助我们提升基因医学和为疾病开发全新的治疗方法。

Hinton 的愿望很简单：「我想理解大脑的计算方式。」

虽然 Hinton 的研究已经给数十亿人每天都使用的系统产生了巨大的影响，但神经网络革命实际上才刚刚开始。

Hinton 近日接受了多伦多大学的作家 Jennifer Robinson 的采访，谈及了他的人工智能研究生涯和他对这个正在爆发的领域的未来期望。

问：在您目前的研究中，您觉得最让您激动的是什么？在整个人工智能领域内呢？

答：在语音识别、图像解读和机器翻译等一些重要的任务上，深度神经网络的表现已经非常好了。随着我们的计算机越来越快、数据集越来越大，我确信这样快速的进展还将继续。

但我认为我们到目前为止所开发出来的人工神经网络类型并不是最好的。可能还会有更好的人工神经网络类型，能够从远远更少的数据中学习，并且还能提供更多关于真正大脑的思考方式的见解。寻找全新类型的神经网络是我现在觉得最激动人心的方向。

问：为什么在创造人工智能时大脑是最佳的模型？还需要多少时间机器的计算能力就能达到或超越人脑水平了？还是说谷歌的 AlphaGo 已经证明人脑已被超越了？

答：直到不久之前，大脑在解读图像或理解自然语言等任务上比任何计算机都好很多，所以如果我们忽视大脑所表现出来的惊人计算能力，那似乎就非常愚蠢了。

最近，由我们对于大脑的理解所启发的人工神经网络以及极大地拉近了人类和机器之间的表现差距，我觉得，这似乎已经证明了从大脑中汲取灵感的思想是正确的。

我认为计算机将最终能超越人脑的能力，但是超越不同的能力也将需要不同长度的时间。要让计算机能像人类一样好地理解诗歌、笑话或讽刺，可能还需要非常长的时间。

问：人工神经网络系统实际上看起来是怎样的？和人脑相比，它们目前到底有多强大？未来五年它们又将变得多强？

答：计算机可以假装成任何你可以明确特定的事物。

我们可以编程使计算机像简单的神经元一样工作，它们的输出值依赖于其从其它神经元或传感器所接收到的总输入。一个神经元的每一项输入都有一个适应性的权重，其总输入即是这些每一项输入与对应权重的乘积的总和。通过调整这些权重，就有可能让神经网络在接收到不同的传感器输入时做出不同的反应。

神经网络的主要思想是制定一个规则来确定神经元输入上的权重应该怎样作为一个经验的函数（function of experience）而改变。比如，我们向一个网络提供一张图像，然后让其激活表征图像中的物体所属类别的神经元。

一开始的时候，它会激活错误的神经元，但学习规则会改变权重以减少该网络实际的输出和我们期望的输出之间的差距。

在目前，要训练一个带有超过十亿的权重的神经网络还很困难。这一数字也差不多是一立方毫米小鼠大脑皮层中所包含的自适应权重的数量。

在五年之内，我们将能够训练出带有一万亿个权重的神经网络，这大概相当于一立方厘米的皮层。当然，有可能我们使用的学习规则要优于大脑的学习规则，所以也许一万亿个权重就足以让计算机超越带有数千万亿个权重的大脑。