昨天，在 RE•WORK 蒙特利尔深度学习峰会上众星云集，最受瞩目的还是深度学习三驾马车—Yoshua Bengio、Yann LeCun和Geoffrey Hinton首次同时出现在统一活动中，并讨论了他们对AI的未来展望。
来自麦吉尔大学的Joelle Pineau主持了这场讨论，上个月她刚刚加入FaceBook设立在加拿大的AI实验室。她幽默风趣的开场，让现场其乐融融。
三人首先回忆起过往求学经历的趣事。
Yoshua Bengio介绍LeCun，调侃道：“当时LeCun还要请过我加入呢”！接着，LeCun介绍Geoffrey Hinton，LeCun说：“我读本科的时候开始研究神经网络，发现在上世纪70年代这方面没有研究发表。我看到一篇题为《优化感知推理》的文章，Geoff是三位作者之一。我读了这篇论文后，特别想见见Geoffery。”
Hinton开玩笑说：“他本来可能是Bengio论文的导师（supervisor），Yoshua和我在加拿大做得很好，如今AI领域发展迅速，我现在已经跟不上Yoshua的节奏了！Bengio年纪虽然最小，但他已经追上我们了！”（现场笑）
下面是现场访谈：
▍请问八十年代与现在相比，深度学习的研究有何不同？
Bengio：那时候可以全身心投入研究，没有杂念。当我们几个遇到彼此的时候，情况跟现在还是有一些类似的，但神经网络还是边缘研究，才开始了5到的样子。上世纪90年代初，神经网络火过一阵子，企业也是真的大力投入，有过一些泡沫，所以跟现在还是有些类似的。但是，现在神经网络是真的能用了。
LeCun：我认为神经网络在当那时候也能用啊！但是，六十年代研究感知的人认为神经网络不是一个有价值的方向，所以他们开始改名换姓，按他们的方式去做，造成了巨大的影响。
Hinton：他们都太年轻啦。
LeCun：现在的AI教材里，还有很多那时候的东西，上世纪九十年代的神经网络，早就过时了，但现在还被当做参考，但是它们不是通往未来AI的管道。很多我们今天使用的技术，也将以同样的方式广为传播，也将以同样的方式传给下一代、下下一代，除非我们找到让这些技术能够继续有用、往前发展的下一步，否则现在的很多技术也将会死亡。
Hinton：同意Yann说的。
▍在你们的众多论文中，有哪些重点被我们忽略了？
Hinton：比h-index少一个引用数的那篇吧（笑）。我在9月写了一篇文章，使用矩阵来对关系（relationship）和概念（concept）建模。给定3个东西，你要根据前两个推断出第3个。
我在2000年初做了很多工作，基本上是早期的嵌入。有人说我该放弃这项工作，因为整篇论文中只有一个非自我引用！我的想法是，不是用向量表示对象，矩阵表示概念，而是用矩阵来表示这两者，这样就能表示关系的关系。
后来，我把论文发给认知科学，他们也不喜欢，说：“如果我对论文的理解是正确的，那这篇论文真是太棒了，但我认为我们的读者不会对这个感兴趣！”
Bengio：我都没有提交我的论文，因为我知道肯定会被拒！
现在你们被称为“深度学习三巨头”，除了共识外，有何不同看法吗？
Bengio：这好像是一个棘手的问题...
Hinton：政治！
LeCun：相比问题本身，或许我们对解决问题的方法有不同的意见。有段时间，Geoff用概率……
Bengio：凡是有关概率的事情，Yann一点都不想知道。
现在有很多人在做深度学习和神经网络，深度学习会在AI里一直存在吗，还是说其他领域会兴起？
Bengio：我们绝对需要在现有基础上发展新的想法。这些想法将受到我们现有技术和概念的启发，并将成为创造新东西的基础。
LeCun：这些概念将被参数化并且继续发展——它们不会消失，但光是现在这样显然是不够的，所以我们需要考虑新的架构——很多人都在积极探索动态架构（dynamic architecture），自然语言处理也有很多有趣的事情发生。
我们还需要更多的训练超大规模学习系统的方法——这可能不是最终的答案，还可能有旧的想法再次火起来。接下来还会出现一些方法，那就是将深度学习和推理这样更离散的东西拼接起来。
Bengio：我们需要找到方法，让ML和DL重新回归目标函数，并用新的方法来训练和教育这些目标函数，这对AI来说是至关重要的。
Hinton：Yann和Yoshua还认为——最大的困难并不是找到一个无监督学习的目标函数。我在九二年发表了一篇将空间一致性作为目标函数的论文。有了这个以后，我们能够学习的更深入，还能训练自编码器。
▍你们认为下一个挑战是什么？
LeCun：在Facebook，有一个团队是做星际争霸的。这个游戏比围棋更难，因为它使用战略，有多个智能体，各种技术——你不知道你的同伴在做什么，非常具有挑战性。现在有一些玩星际的bot，但都不敌人类玩家。
Facebook和DeepMind的团队正在使用机器学习玩星际争霸，我认为我们会在这方面看到一些进展。但是，下一个真正改变人类生活，并且我们可以解决的问题，是如何训练一辆自动驾驶汽车——有没有办法做到完全自动并且安全？
Bengio：我实际上最近也在做这样一个项目。一个AI游戏，里面有一个人和一个AI婴儿。人需要使用自然语言来教育这个AI，告诉它怎么做，总之做所有一般父母都会做的事情，这些都在虚拟环境中发生。
这个游戏是为了让人用最好、最快捷的方式来训练AI，而不必担心其他太多问题。这个项目很棒，因为是游戏，对于参与的人而言很有趣，也有助于收集大量的数据，让我们了解如何使用强化学习来确定自然语言和环境之间的相关性。
在平时的工作中，有没有发现一些AI存在的挑战，解决了问题之后，你就可以退休了？
Bengio：有一些真正困难的问题还有待解决，很有意思！我想知道机器如何发现高表征（High Representations）来解释世界。关于解释世界，现在有一些通用的假设，它们短期内在统计学意义上是有效的，这非常简单，但是要真正解决起来就没那么简单了。
Hinton：对我来说，会产生影响的一个特殊的事情是自然语言处理和语言理解。有一些句子，像“奖杯放不到手提箱里，因为它太小了”或者“奖杯放不到手提箱里，因为它太大了”，在第一个是“它”指手提箱（太小），而后面的“它”指奖杯（太大了）。
因为语言结构的原因，我们能推断出这一点，但如果你把这些句子翻译成法语，还有其他一些因素要考虑：机器是否正确区分和使用了阳性和阴性词？所以它必须理解背景。如果一台机器可以成功地完成这些翻译，那么就说明它们真正了解发生了什么。
但是我认为，这需要比现在的机器翻译大约大1000倍的性能才能正常工作，十年内可能会有所改变。
Bengio：我想我们应该让机器学习解释什么是睡觉和为什么要睡觉。我觉得很奇怪，人们不会质疑为什么我们要把生命的三分之一以上的时间花在睡觉上。但如果你剥夺了人们睡觉的权利，他们会发疯的！我们喜欢8个小时的睡眠，但是我们却不知道为什么。我强烈地认为，睡觉会这一活动会告诉我们，究竟人们是如何进行学习的。
LeCun：我们如何让机器获得常识？无监督学习？代表空间的目标函数？可能需要10或，我们不知道。
Hinton：又或者只需要一周的时间。
▍哪些伦理方面的问题最有可能让你睡不着觉？
Bengio：对我来说，是对AI 和我们所开发的产品的错误使用。例如，我对在智能武器装备中使用AI特别敏感 ，这可能是非常危险的。我认为政府应该签署条约。此外，以操纵AI的方式进行广告宣传，对民主来说可能是真正危险的。最后，AI落在错误的人手中的问题真的很麻烦。
LeCun：如果被心怀恶意的用户使用，这可能是非常糟糕的。事实上，机器学习方法确实可能会被用在一些糟糕的场景中，造成损害。例如，当你使用有偏见的数据训练机器时，机器会有偏见，当你训练系统时，会复制训练它的人的行为。这是技术问题，也是道德问题。
我们如何消除偏见？AI在公众中的形象可能会因此变得黯淡，所以我们必须积极主动做出改变。我正在与“The Partnership in AI”合作，我们一起提出了部署测试的指导纲要，以保证安全。
▍对于从事AI的年轻人，有什么建议吗？
Hinton：如果你有一个强烈的直觉，认为自己有一个很好的主意，但其他人都说“不”。那么注意，它不是一个坏的想法，它实际上是一个好创意。然后想想，你应该好好研究你的这个好主意吗？如果你有良好的直觉，那么就在你的想法上开始工作。如果你没有良好的直觉，你做什么都不重要！
Bengio：我的建议是，听Hinton的。
LeCun：我们三个人都非常执着，尽管有时别人告诉我们这是不可行的，我们还是相信直觉。所以一些创意虽然有趣，但是要实现它的方式可能是复杂的。令人惊讶的是，人们需要很长时间，才能认识到一些事情是有价值的！
★推荐阅读★
中国人工智能的崛起
3行Python代码完成人脸识别
阿里巴巴成立“达摩院“未来3年投入将超千亿
人工智能将赋能所有行业
百度西雅图开设AI实验室
初学者必读的八个趣味机器学习项目
AMD深度学习开源战略
香港科技大学PyTorch四日速成教程
北京龙泉寺：清华北大学子排队出家
长期招聘志愿者
加入「AI从业者社群」请备注个人信息
添加小鸡微信 liulailiuwang
如果觉得《深度学习三驾马车首次同台 “打情骂俏”展望未来》对你有帮助，请点赞、收藏，并留下你的观点哦！
