雷鋒網(wǎng)按：于爾根·施密德胡伯（Jürgen Schmidhuber）可謂深度學(xué)習(xí)的元老，他在1992年提出了多層級網(wǎng)絡(luò)，利用無監(jiān)督學(xué)習(xí)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的每一層，再利用反向傳播算法調(diào)優(yōu)。而在1997年，他與 Sepp Hochreiter 共同發(fā)表了一篇論文，提出了長短期記憶（LSTM）的概念。

LSTM 能夠提升神經(jīng)網(wǎng)絡(luò)接受輸入信息及訓(xùn)練數(shù)據(jù)的記憶機制，讓輸出結(jié)果得到大幅度的提升。但是，這一概念遠(yuǎn)遠(yuǎn)超越了當(dāng)時的計算機硬件水平，以至這一想法直到近年才廣為人知。比起如今更為知名的 LeCun、Ian Goodfellow、Hilton而言，施密德胡伯似乎名氣不大，但包括谷歌在內(nèi)的研究機構(gòu)都開始采用 LSTM。他曾經(jīng)表示：“沒有任何原因說明，機器不能擁有好奇心和創(chuàng)造力”，而近日Inverse對施密德胡伯進(jìn)行的一次訪談，則更能看出這位科學(xué)家對于人工智能的前瞻與展望。雷鋒網(wǎng)編譯如下，未經(jīng)許可不得轉(zhuǎn)載。

在你心中，人工智能在未來會承擔(dān)怎樣的角色？

所有的智能——不論是人類的還是人工的——都基于一個主題，那就是解決問題。長期以來，我們一直在致力于構(gòu)建一個解決通用問題的機制，不論這些問題是困難還是簡單。這個問題解決機制能夠通過先前學(xué)習(xí)的技能解決現(xiàn)有的問題，通常，機器會將新的技能增加到計算指令系統(tǒng)中，并能夠解決越來越通用的問題。當(dāng)然，如果到達(dá)我們所預(yù)想的成功，一切將會發(fā)生翻天覆地的改變，因為每個計算問題或每個專業(yè)性研究都將受到影響。

您認(rèn)為一些人工智能已經(jīng)具有意識。請問您是否能對此做一些解釋？

我想指出的一點是，我們早在25年前就擁有了少量的、基礎(chǔ)的且有意識的學(xué)習(xí)系統(tǒng)。回顧彼時，我已經(jīng)提出通用學(xué)習(xí)系統(tǒng)由兩個模塊組成。

其中一個為遞歸網(wǎng)絡(luò)控制器，能夠?qū)W會對輸入的數(shù)據(jù)（比如視頻或平面指示牌）翻譯為具體操作。舉個例子，當(dāng)你機能不足時，身體會釋放饑餓信號向你發(fā)出警告。而神經(jīng)網(wǎng)絡(luò)能夠?qū)⑦@些信號轉(zhuǎn)換為行動的操作序列。同樣是上述情況，那么人體就會意識到自己餓了，并尋找“能夠充電”的東西（吃的），而與此同時，人體還會注意不要磕碰到桌椅，以避免痛覺發(fā)出信號。

如果把人體當(dāng)作一個處理器，那么身體的人生目標(biāo)便是盡可能將愉悅感最大化，并減少痛苦。這個目標(biāo)非常簡單且具體，但很難實現(xiàn)，因為你需要通過大量的學(xué)習(xí)。想象一個襁褓中的嬰兒需要經(jīng)過多少年的學(xué)習(xí)，才能懂得和這個世界共處。

自1990年開始，我們同樣也對機器開始做同樣的事情，即采用無監(jiān)督學(xué)習(xí)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并進(jìn)行反向調(diào)優(yōu)，這個模型能夠預(yù)測未來將要發(fā)生的事情?？粗郧皥?zhí)行的操作并進(jìn)行觀察，學(xué)會預(yù)測未來——因為它是一個會反復(fù)出現(xiàn)的網(wǎng)絡(luò)，在某種程度上可以理解為可預(yù)測的代碼。

比如，視頻里出現(xiàn)了100個蘋果掉落，而且每個蘋果掉落的方式都是相同的，那么你就能預(yù)測出蘋果掉落的方式。甚至也不需要單獨存儲（每個蘋果掉落的模式，因為都是一樣的），也不需要占用你腦袋太多的內(nèi)存。

隨著與環(huán)境的交互越來越深入，大量的數(shù)據(jù)也涌入其中，無監(jiān)督模型網(wǎng)絡(luò)，也就是我在1990年就提出的新模式，學(xué)會了發(fā)現(xiàn)新的規(guī)律，或是對稱性，或是反復(fù)性。它也能學(xué)會用更少的計算單元處理數(shù)據(jù)，也就意味著更少的存儲空間與更少的時間。曾經(jīng)被譽為意識的東西，實際上在學(xué)習(xí)的推移中變成了自動化與無意識的活動。

隨著神經(jīng)網(wǎng)絡(luò)的發(fā)展及學(xué)習(xí)了更多規(guī)律后，機器能夠判斷無監(jiān)督模型的解析需要多少計算量。這也是神經(jīng)網(wǎng)絡(luò)的有趣之處：從一個數(shù)字，到第一層網(wǎng)絡(luò)，到能給回饋信號最大化的控制器——就像科學(xué)家突然發(fā)現(xiàn)了新的定律一樣。

您能向我們解釋一下，我的意識與經(jīng)歷主要是什么內(nèi)容組成的嗎？

當(dāng)我們身處這個世界，實際上我們會見到很多人的面孔。而這些記憶被壓縮在你的大腦里，以一個類似反向網(wǎng)絡(luò)的形式存在著。“面部編碼器”，也就意味著有一個類似刻板印象的面部數(shù)據(jù)庫。當(dāng)你遇到一個陌生人時，你需要做的就是將這些新的偏差元素進(jìn)行編碼。

我還是不太明白這和我們所說的意識有什么聯(lián)系。

意識實際上可以理解為一個中間處理系統(tǒng)，而這個中繼器與世界交互的過程中，它會發(fā)現(xiàn)自己本身就是與世界交互的最佳形式。

出于數(shù)據(jù)壓縮的原因，如果能設(shè)置一對神經(jīng)元，實際上對反向模型神經(jīng)的編碼非常有效。它能夠壓縮以往所有的行動和感知，通過創(chuàng)建個性化符號及代理器的附加符號（比如手、腳還有隨便什么東西）。在尋找一個新問題的解決方案時，這些神經(jīng)元會被激活，并開始處理這些問題。

這也是我們1991年所在做的事情。誠然，這是一種基本的意識形態(tài)——并沒有你自己的那么令人印象深刻，畢竟你的大腦比起人工代理器而言簡直是龐然大物。人類大概有著10萬億個連接，而當(dāng)今最大的 LSTM網(wǎng)絡(luò)也只有10億個連接。因此，你的皮質(zhì)是LSTM網(wǎng)絡(luò)的10萬倍，可以攜帶的意識自然也比我們的小小人工處理器更多。不過，我們注意到了計算界也有摩爾定律——每五年，計算成本就會便宜十倍。因此，也許只需要25年，我們就能擁有和自己大腦一樣多的連接的LSTM網(wǎng)絡(luò)，而且造價也更便宜。

而這些連接自然會比我們的人工大腦所構(gòu)建的連接要慢得多。

在技術(shù)術(shù)語中，真正的挑戰(zhàn)被稱為“意識的難題”。也就是體驗。哲學(xué)家們傾向于把它稱為“qualia”（感受）。當(dāng)你擁有一種體驗——比如看日落，聽最喜歡樂隊演奏你最喜愛的歌曲，聞到卡布其諾的香味，等等——這是一些抽象的體驗，但無法說明原因。哲學(xué)家David Chalmers把它稱之為是一個“意識難題”，他表示，“為什么這些外在的物理過程會讓內(nèi)心得到豐富的感受？”你認(rèn)為神經(jīng)網(wǎng)絡(luò)模型也能夠再現(xiàn)這種“qualia”，也就是人工智能？

我認(rèn)為這是可以實現(xiàn)的。在行為上，我們的人工智能有著相似的原理。當(dāng)我們把AI與其它會傷害后者的兩個代理器放在一起時——比如把它們設(shè)定為捕食者與獵物的關(guān)系——其實它們不希望受到傷害。當(dāng)一個人工智能模型遭到一次攻擊，后者的疼痛系數(shù)會顯示上升。當(dāng)然，它會學(xué)著預(yù)測與避免，比如躲在簾子后面，或模擬對方的行為。因此，從人工智能自行學(xué)習(xí)的過程中來看，你可以發(fā)現(xiàn)它并不喜歡這樣做。

當(dāng)然，這是我們觀望了很長一段時間后而得出的結(jié)論。我們的人工智能嘗試避免疼痛，并試圖追求最大化的樂趣與內(nèi)心的愉悅感——因為內(nèi)置了一個效用函數(shù)與獎勵機制，機器會讓這個目標(biāo)最大化。

當(dāng)然，人類也有這樣的獎勵功能，并已經(jīng)根植于每個新生兒的體內(nèi)。這些行為至少在高等動物上非常常見。因此，我們沒有理由相信這是不可復(fù)制的。

這似乎就像你發(fā)明了一種全新的語言來討論我們自己的思想。當(dāng)你反觀自身時，如果把自己設(shè)想為一臺電腦，會想些什么呢？“我的更高層的大腦層級正在處理這個問題，而我更低的大腦層級正在處理這些自動的過程。”你會以這樣的方式內(nèi)省嗎？

對呀。我經(jīng)常在想，這些內(nèi)省的思考是否源自第一原則，而我是否可以在我自己的思維中重新發(fā)現(xiàn)這些內(nèi)容。我相信自己可以做到這一點，雖然我知道，很多人會被這種想法所欺騙，但于我而言，這仿佛是顯而易見的：或多或少與我正在做的事有關(guān)。對我來說，顯然不需要別的東西來解釋意識。我也相信，理解意識的所有基本成分都已經(jīng)存在了四分之一個世紀(jì)。神經(jīng)科學(xué)的研究者們或許不知道人工智能的神經(jīng)網(wǎng)絡(luò)領(lǐng)域已經(jīng)發(fā)生了怎樣的變化，他們尚未意識到這些簡單的基本原則。但我相信，他們會更多地了解這一點。這也是我希望看到的。

最近在紐約，我在一次關(guān)于倫理和 AI 的會議發(fā)表了演講。一名觀眾提出了一個尖銳的問題，不過我以自己在在上世紀(jì)80年代一個小型會議上所說的原句回應(yīng)了他：“我必須承認(rèn)：我的公司正在制作 androids 機器人，而我會把自己當(dāng)作原型。我可能不具有意識，但我善于偽裝這一點。”

via inverse

【兼職召集令！】

如果你對未來充滿憧憬，喜歡探索改變世界的科技進(jìn)展，look no further！

我們需要這樣的你：

精通英語，對技術(shù)與產(chǎn)品感興趣，關(guān)注人工智能學(xué)術(shù)動態(tài)的蘿莉&萌妹子&技術(shù)宅；

文字不求妙筆生花，但希望通俗易懂；

在這里，你會收獲：

一群來自天南地北、志同道合的小伙伴；

前沿學(xué)術(shù)科技動態(tài)，每天為自己充充電；

更高的生活品質(zhì)，翻翻文章就能掙到零花錢；

有意向的小伙伴們把個人介紹/簡歷發(fā)至 guoyixin@leiphone.com，如有作品，歡迎一并附上。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。