科技獵Facebook 新建人工智能實驗室，負責人這樣看“深度學習”技術
本周早些時候，社交網絡巨頭 Facebook 宣布聘請紐約大學教授揚?樂康（Yann LeCun）掌管其新建的人工智能實驗室，他將利用自己擅長的“深度學習”技術幫助Facebook更好地“讀懂”用戶行為。這位法國裔科學家日前接受了《連線》（Wired）雜志的獨家專訪，暢談了深度學習技術和人工智能的未來發展（原文來自?Wired，搜狐 IT 編譯）。
?
借助深度學習技術，Facebook可以自動識別用戶上傳的照片中人物的身份、自動添加相應的人名標簽，以及讓用戶快速與親朋好友分享照片。此類技術還能分析用戶在Facebook上的一舉一動，從而自動為用戶顯示他們想要看到的內容。Facebook可以利用深度學習實現“無窮無盡”的可能性——“它每天都能搜集到人與人之間的關系、搜集到用戶在一天里的所作所為，它知道你支持什么黨派、買了什么產品。”
?
Wired：我們知道你將會加入Facebook新建的人工智能實驗室，但是你和你的人工智能團隊具體將會研究什么呢？
樂康：我們想做兩件事情——其一，是真正從科學角度和技術層面取得進展，這將包括參與學術界活動和發表論文；其二，從根本上講，是把一些技術變成能應用到Facebook中的東西。但是我們目標是相當長遠的，比Facebook現有的工作更加長遠，在某種程度上脫離了日常生產活動，這樣人們就有思考未來的余地。
?
Wired：那種技術會是什么樣子？它能做些什么呢？
樂康：我們將要研究的技術，其實就是一切能讓機器更加智能化的東西。說得更具體一些，就是基于機器學習的那些東西。如今，打造智能化機器的唯一途徑，就是讓它們消化大量數據并建立數據模型。近年來興起了一種叫做“深度學習”的方法。它在圖像識別、語音識別等領域得到了極其成功的應用，在自然語言處理領域也小有成就。哪怕我們只研究這些東西，也能對Facebook產生巨大影響——Facebook的用戶每天都會上傳數以億計的圖片和短視頻，而聊天與消息中也蘊藏著海量信號。Facebook目前已經在網站上應用了大量機器學習技術，達到了能向用戶顯示相關新聞和相關廣告的水平。
?
Wired：這種技術的核心科學其實已經頗有年頭了，不是嗎？早在20世紀80年代中葉，你和如今在 Google 工作的杰夫?辛頓（Geoff Hinton）等人就率先開發了這些被稱為“反向傳播”（Back-Propogation）算法的深度學習方法。
樂康：這的確是技術根源，但是我們已經有了更大進展。反向傳播能讓我們進行“監督運行”——比如，你手頭有一組配有標簽的照片，你就可以訓練系統比對新的照片和標簽。Google 和百度目前就是用這樣的方法給照片加標簽的。
我們都知道上述技術很有效，但是如果你手頭的東西是視頻或自然語言——它們的標簽數據非常少，我們不能只是放一段視頻然后讓機器告訴我們視頻里的內容是什么。我們沒有足夠的標簽數據，而且即便花費大量時間讓用戶提供標簽，能否達到圖片標簽那樣的效果也是個未知數。
?
Wired：你提到了Google、百度、微軟和IBM等其他互聯網公司也在研究深度學習。在外行看來，似乎這一領域的所有工作都興起于一個相對很小的深度學習學術圈，包括你和 Google 的杰夫?辛頓等人。
樂康：你說得一點兒也沒錯——雖然深度學習發展得很快，但是你得知道這項技術其實可以說是我、杰夫?辛頓以及蒙特利爾大學的約書亞?本吉奧（Yoshua Bengio）三個人的“密謀”——希望你能原諒我這么說。10年前，我們聚在一起，覺得我們應該著手解決視覺和語音方面的機器學習問題。一開始，這項技術是為了機器人控制等目的而開發的，但是我們后來得到了加拿大高級研究所（CIFAR）的資助。杰夫是主管，我是顧問委員會主席，我們每年碰頭兩次討論一下進展。當時機器學習和計算機學術圈的大多數人都對這個“密謀”不怎么感興趣。所以，在很多年里，這項技術一直局限在我們的那些討論會中。但是，我們開始發表論文之后，越來越多的人開始對我們的研究感興趣。然后人們開始看到切實的成效，于是產業界開始對此產生濃厚的興趣。
?
Wired：在你看來，深度學習與普通的機器學習有何不同？很多人都對Google使用了十幾年的那種機器學習算法耳熟能詳——那種算法能分析海量數據，從而實現自動識別網絡垃圾信息等功能。
樂康：那是一種相對簡單的機器學習。創造這種機器學習系統需要付出巨大的努力，因為這種系統其實無法處理原始數據。所以，數據必須被轉化為系統能夠“消化”的形式。這個過程被叫做“特征抽象”。
以圖片為例，你不能把原始像素數據扔給那種傳統的機器學習系統，而是必須把數據轉化為一種能被分類器消化的形式——以恰當的方式表述圖片，正是很多計算機視覺學者在過去二三十年里努力做的事情。
相比之下，深度學習能讓機器學習這一表述過程，從而不必由人工解決系統遇到的每一個新問題。如果我們擁有海量數據和強大的計算機，我們就可以建立能學會如何恰當表述數據的系統。
當今的人工智能技術存在的很多局限性，都是因為缺乏好的信號表述方式，或是因為我們現有的表述方式需要付出巨大努力去構建而造成的。深度學習能讓我們把這一過程變得更加自動化，也能收到更好的效果。
|
本文被轉載1次
首發媒體
| 轉發媒體
