在GMIC北京2017大会的全球科学创新峰会上，卡内基梅隆大学机器学习学院院长
Tom Mitchell 发表了《突破人类和机器边界》的主题演讲。Tom Mitchell认为科学界目前还在探索的两个主要方向就人脑智能和如何用机器打造人脑智能。
Tom Mitchell分享说在过去相当长一段时间内，脑科学和计算机科学是泾渭分明的两个领域。但是在近些年的研究中，人工智能取得的发展就是基于对脑科学认识的不断加强。通过对人脑视觉皮层的观察，计算机视觉技术也利用相对应的原理进行工作，进行神经网络深层次训练，使得机器识别率已经从过去的60%提高到了95%。
通过对人类大脑的模仿，计算机在变得越来越强。即便如此，Tom Mitchell认为人脑与机器脑的探索都才刚刚起步，他也提到马斯克要创办的“脑机互联”公司，认为这是非常好的一次尝试。
以下为演讲实录：
再次感谢，对我如此客气的一个介绍。我们今天有不同背景的精英在这里，真的很棒，接下来三天和大家共同探讨，向大家学习。
今天我在这里和大家来探讨一下这个问题，也就是我们的智能如何从物理的材料当中实现突破，现在科学界还是很伟大的未被解答的问题，有两个方面可以研究。首先研究大脑，因为大脑是有智能的，第二努力打造一种具有智能的机器，这是两个学习智能的方法，已经是进行了很长时间了。
我今天想说的是这两个领域相互之间没有交集，每个领域的专家对另外一个领域都是不太了解，是否应该产生交集了呢？是否进行战略的改变？我们要投入更多的资源来进行这两者之间交集的研究，首先讲的是第一点。
这两个研究领域它都是在过去十年里面取得了很多很大的进展。第二点，我们现在已经有一些实例，两个维度都进行相应实例的研究，的确出现了一些交集，可以互相学习和借鉴。
所以我可以来进行这方面一些探讨，希望来激活两者之间更交集的产生。可以看一下我们的人工智能在过去的十几年取得了很大的进展，最近人工智能已经战胜了我们围棋的冠军，还有国际象棋扑克，现在看到无人驾驶汽车，优步的确有无人驾驶汽车，我在那边能够看到这样的无人驾驶汽车。过去十年里面，计算机它是准确度，过去60%变成95%的识别率，计算机的视觉进展很快。
去年10月份，微软已经宣称了它是在相应的一个数据组，也实现了主要的突破，比如前面讲到了下围棋、下象棋，人工智能突破非常快，背后主要是机器学习它的一个深层次的机器学习。另外我们在脑科学方面发展也非常迅猛，过去十几年时间里面，有很多的一些技术和设备的发达，使得我们更好的采用无创FMI和其他的一些高科技，EG，这些微创或者无创的方法进入到人的大脑，来更好的去在这个毫米级去观察大脑，然后在毫秒就可以有几千个影像可以进行分析，可以看一下人脑的一些活性，研究人和动物相关的大脑，动物的大脑研究更加令人欢心鼓舞，通过基因方面的研究，包括我们的老鼠和其他的一些动物，在基因上进行相应的工程，对相应的神经元，比如老师的神经元进行修饰、改变，你可以有相应的激光，让它产生相应的放电，通过动物大脑基因的一些修饰、改变，这样可以更好的对人的神经活动进行一些管理和控制。
通过这样一些脑科学的发展，使得一些理论和假设在各个脑科学的方面都取得了突破。现在老鼠在玉米附近跑的时候，可以解码，老鼠在这样的一个迷宫当中行走的时候，老鼠到底自己在迷宫当中对自己一个位置的感觉是怎样，可以通过它的神经元放电的观测来找到，所以在大脑的各个方面进行突破性的进展，在大脑各个区域进行相应的振荡，在不同的时间点进行观测，当人们在社交的时候，大脑当中管社交的部分，这个时候会得到同步的激活，而且有自闭症的人和正常人不一样的状况，无论人工智能还是脑科学都取得了令人瞩目的巨大进展。
所以就有这样一个问题，为什么不聚合起来，在研究方面，无论脑科学还是人工智能方面都是进行交叉的研究，首先计算机视觉，这个神经网络的确使得计算机的视觉发生革命性的改变，相应的神经元10%到5%的变化，这样的一个神经网络，可以用来预测人脑当中的神经元的活动，包括它的视觉皮层相应的活动，这是一个深层次的神经网络。我们可以来看一些细节，左上方是单个神经网络当中的单元，通过输入输出可以看到相关的情况，它的输入可以进行研究，它到底是怎样的组合，右下图展现的是这些单个神经元一个组成的网络，一个输出成为另外一个输入的情况，如果对这样深层次的网络进行培训，比如把输入的影像通过输出展现出这个影像到底是什么，进行相应的深度学习。
这个时候我们就可以对这个网络当中滞后的阶段进行探测，看一下成为条件的时候它是怎么编码的，对脸部的编码或者其他节点的编码。在2014年的时候，的确做了一些实验，他们训练了不同的网络，每一个点都是代表他们训练过的这些神经网络，在训练了这些神经网络之后，把同样的影像给这些神经网络看，通过FMI的扫描仪，它也是对人的大脑当中相应的部分，观测到神经活动，预测到这样一个情况就会更好，这是令人一个非常称奇的结果。也就是说我们现在可以建立一种桥梁，也就是现在人工的神经网络可以被我们用来训练，来进行相应的一些预测。在大脑当中的这些脑神经的活动进行预测，这样打开了无限的可能，可以回答很多有趣的问题。也就是人的视觉到底是怎么做的，可以用怎样的设备设计更好的人工神经网络帮助我们做这样的预测。这样人工的神经网络可以进一步的推动，一层一层进行输入、输出，我们知道大脑当中的确是不一样的，大脑当中它是有前输和后输的，在这个桥梁当中可以进行研究，人工的大脑和人的大脑当中到底什么区别，可以相互借鉴、促进。
这里有另外一个例子，这个也是来自于最近的一个研究，是自然语言的研究成果，也得到了很大的提升，包括自动翻译，比如谷歌翻译的一些系统，现在也是比之前要更加精确了，为什么是这样呢？主要是深层次的神经网络，更可能是由于有一些储存，通过大脑的研究，我们来研究大脑怎么样用这个神经活动来解释相应的一些词义，这些词义给到我们更好的一些来回答问题的方式。对这些细节进行研究，所以我们产生一种模型或者理论，来帮助我们对我们大脑的活动进行预测，任何词义给到人会出现怎样的一个词义，通过这样一个模型的结构，给到任何输入。比如说电话，首先这个模型产生一个代码，用它预测它的神经活动，大脑当中有两万个不同的位置被预测出来。进一步通过矢量进行预测，比如这里是芹菜，这边是飞机的两个矢量，两个矢量的特征都和相应的词对应，对这个芹菜可以看到左手边是芹菜，和芹菜相关联的字数，口味和芹菜相应的一个关联度，对飞机来说，飞机出现很多的动词，可以看到相关的一些词就出现了。
通过这样的一些模型当中的编码，可以很好的出现一些皮层当中出现的词，我们对模型进行培训。我们看到在下面对任何词的神经活动，比如芹菜，把这些语义的特征组合起来，通过模型的学习，把这些特征进行关联，吃这个词和我们的芹菜这个词是关联度最高的，通过这样的研究很有意义，给到一个新词，比如说之前没有培训过，对它的一个预测在量子的分析当中我们发现，在83%的情况下有两个新的词，两个FMI的词的出现，哪个是第一个关联，哪个是第二个关联，有50%的可能性是正确的，有的词从来没有出现也是有很高的识别率，也就是对神经的活动，词义的一个表达，是用了我们矢量表达法用在词义的解释上。
这是技术的表达，在人工智能和人脑当中一个桥梁的关系。第三个例子是我们讲的强化学习，这个是非常流行的，比如相关的培训当中会出现一些强化的学习，有些强化学习的算法，很多时候用人工智能的这些强化学习的算法，很多时候对动物的一些奖励学习，强化学习很好的方式。从一个猴子的单一细胞当中进行调用，在底部有一些横线，每一个点都是对应到它的一个正在放电的神经元，在下面可以看到有时间的序列，有a的这个线这是给到一些糖给猴子吃，猴子认为这是奖励，所以有些放电的现象。
在这个上面，这个是所有的各种情况的一个总和，猴子吃糖之后的一些反应，可以看到他们的一个总合，的确给到了猴子糖吃以后就会神经元放电。这样的一种神经元放电代表什么呢，可能对这个奖励，也就是这个糖有所感应，所以放电了。通过这样的实验来培训这些猴子，给到猴子糖以后，后一秒就开始闪光，这个图就变成这样一个图了。这个时候我们可以看到的情况就是给到了猴子糖以后，猴子的神经元没有任何反应，而是当闪光以后，猴子的神经元才放电，说明并不是因为给了糖神经元才反应，而是对奖励这个事情本身放电，就证明了，这是很酷的情况。
还有一种情况，没有给糖，只是闪光，猴子怎么反应，没有给糖，没有任何奖励，这个神经元就会怎么样来表达呢？所以闪光之后发现并没有给糖，是一种抑郁，而不是奖励了，这个神经元它是在这个过程当中，一些物质是对这样一种强化学习直接相关的。在这样的信号之下，我们可以看到的是能出现奖励，就是和这个时间的方程式，在这样的一个情况下，很好来解释了我们能看到它的神经元的一个表现，因此在我们的人工智能的算法和我们人的大脑之间或者动物的大脑之间，有这样一种桥梁和关系，因此强化学习的算法对机器人的控制是可以用的，或者是可以用于打败人类冠军的阿尔法狗的训练，因此通过这样的一些大脑行为的观测和检测可以帮助我们进行这样的一些人工神经网络的训练。
通过这些方式，我们刚才也讲了矢量的应用和强化学习的奖励、强化学习的方式，这样一些人工智能的算法，在我们的大脑当中，观测到了神经元的活动的关联，因此给到我这样一个激励，现在已经是很好的时机，现在在人的脑科学和人工智能方面取得巨大的进展的确到了好的时机可以进行两者之间更多的交集，在人工智能和脑科学进行更多桥梁的搭建，包括其他一些领域，也可以进行更深度的一些关联。
我前面也举出了一些实例，希望大家可以进一步研究，尽管人的大脑不是由硅组成的电脑，但是有可能任何产生智能的物理的方式，它都是有一些信息的约束条件的，形成这样的一种结构，这样的一种结构可以深层次的学习，从人工智能和人脑之间的学习当中可以找到更多的答案帮助我们推进科学的进步，再次感谢各位。
特别说明："
