2017年8月27日 星期日

Geoffrey Hinton




Geoffrey Hinton - Wikipedia

https://en.wikipedia.org/wiki/Geoffrey_Hinton
Geoffrey Everest Hinton FRS (born 6 December 1947) is a British-born Canadian cognitive psychologist and computer scientist, most noted for his work on ...

Home Page of Geoffrey Hinton - Department of Computer Science

www.cs.toronto.edu/~hinton/
Geoffrey E. Hinton. I am an Engineering Fellow at Google where I manage Brain Team Toronto, which is a new part of the Google Brain Team and is located at ...



李開復 Kai-Fu Lee 新增了 4 張相片。
11分鐘 ·
讀博士的時候,他指導過我的一篇論文,的確是天才宅科學家。
以下內容轉載自微信公眾號量子位。
…………
【Hinton傳奇:退學當木匠,辭職反軍方,終成一代AI教父】
英文“每日電訊報”打算用三篇報導,來圖畫人工智能在加拿大多倫多的繁榮景象。本文是其中第一篇:“機器人教父”製作機器巧妙,機器人是否真的會學會殺死我們所有?主角是深度學習的教父級人物Geoffrey Hinton。
穿過谷歌多倫多辦公室的屋頂高爾夫球場,足球桌,一排排人體工學座椅,像公司的標誌一樣五顏六色的辦公區......一個不修邊幅的人站在那兒,像是從昆汀·布雷克的畫中走出來的,與環境格格不入。
Geoffrey Hinton教授本人,一看就深得英國學院派的精髓:凌亂的髮型,皺巴巴的襯衫,口袋裡插著一排圓珠筆,守著一塊髒亂的大白板,上面爬滿了難解的方程。他的辦公室裡沒有椅子,69歲的寒春喜歡一直站著。
對於他辦公室外的那些年輕的人事物來說,略顯古怪的韓丁多多少少帶有一些神性:他被稱為“人工智能教父”,最近席捲全球的這一波科技革命浪潮,與他的聰明才智密不可分。
這是他第一次接受英國報紙專訪,寒春說,他對這個綽號有些困惑。
他帶過的學生們一個接一個地加入了矽谷科技巨頭,領導著蘋果,Facebook,谷歌等公司的AI研究,他自己在Google任副總裁工程師,接下來的幾個月,他還要執掌募集了1.8億美元的多倫多矢量研究所,鞏固這座城市作為世界AI領袖的地位。
“被稱為教父,我有點難為情。”他一開口,仍是純正的英國上流社會口音,在北美這麼多年仍未改變。
從學術界的冷板凳,到最熱門的AI前沿,韓丁對他的工作有著不可動搖的信念。“我對我自己的數據有著裡根式的信任。”他咧嘴笑了。
作為機器學習的先鋒,韓丁從中開闢了“深度學習”這個子領域,這讓計算機可以自動建立起一層層的智慧。得益於近年來計算力的猛增,深度學習成為主流方法,從我們智能手機裡的語音識別,圖像探測到亞馬遜為你推薦的圖書,都離不開它。
辛頓和他的同事們為機器學習挖掘出了無限的潛力,他們也被對手戲稱為“加拿大黑幫”。
AI的美麗新世界已經開啟,改變著我們的世界。這種改變,有好有壞。
戰後不久,辛頓出生於英國的溫布爾頓。
他的父親霍華德是一名昆蟲學家,對甲蟲有著一種獨特的喜愛之情;他的母親,是一名教師聰明才智在他的DNA中流淌“國民生產總值”這個術語,是他的舅舅,經濟學家Colin Clark發明的。他的高外祖父,邏輯學家George Boole,則是布爾代數的發明者,奠定了現代計算機科學的基礎。
後來,他們家搬到了布里斯托,韓丁進入了克里夫頓學院,這所學校在他口中,是個“二流公立學校”。正是在這裡結識的一個朋友,給他講全息圖,講人腦如何存儲記憶,為他打開了AI的神奇大門。
畢業後,他進入國王學院攻讀物理和化學,但只讀了一個月就退學了“。當時我18歲,第一次離家自己生活。工作繁重得可怕,周圍又沒有姑娘,我覺得有點抑鬱。“他說。
一年之後,他又重新申請了國王學院,這次是讀建築學,結果,又退學了 - 這次他只堅持了一天 - 然後轉向了物理和生理學後來,他又轉到了哲學,結果和自己的導師吵了起來他承認道:“我在教育上有點多動症。”
韓丁沒有繼續完成學業,而是退了學,搬到了當時倫敦北部髒亂的伊斯靈頓區,成了一名木匠。“我做書架,木門,沒什麼神奇的東西。人們就靠這樣的東西賺錢“。
每週六的早上,他都會去埃塞克斯路上的伊斯靈頓圖書館,在筆記本上記錄著他關於大腦工作原理的思考。也是在這個地方,六十年代的劇作家喬歐頓畫過春宮,損毀過圖書。
做了幾年苦力之後,他回到了學術界1973年,寒春進入愛丁堡大學,開始讀人工智能博士。他的導師一次次地對他說,研究神經網絡就是浪費時間,韓丁全當了耳旁風。
後來,他進入匹茲堡的卡耐基梅隆大學繼續自己的研究,但很快意識到,他所在院系,甚至全美國的大部分AI研究都是由國防部(DOD)資助的。於是,他決定辭職以表抗議,並隨後搬到了加拿大,遠離軍事機構的資助。
“離開的時候,我複印了一枚硬幣,然後把它貼在辦公室的門上,”他說,“但是我把硬幣上的”G“改成了”D“,於是上面那就話就變成了:我們信任的人。“
對於欣頓來說,最需要擔心的不是機器日益增長的智能,而是開發殺手機器人帶來的威脅。(前幾天,116家AI公司的創始人聯名上書聯合國,呼籲禁止機器人武器)。
韓丁簽過類似的請願書,而且之前還曾寫信給英國國防部闡釋自己的擔心。“他們回复說現在沒必要處理這件事,因為技術進步還有很長的路要走,而且沒準能帶來很多的好處“,寒春說”他們肯定有能力做到這一點。“
他也擔心AI被越來越多的用來監視平民,他還透露自己拒絕了一份加拿大安全部門的工作邀約,因為他擔心自己的研究可能被安全部門濫用。
然而,即便是談及正在被研發的無人機群等武器等話題之後,欣頓仍然相信AI會給人類帶來福音,特別是在醫療保健和教育方面。
1994年,辛頓的第一任妻子羅斯因為卵巢癌而逝世,留下他獨自撫養兩個年幼的孩子。後來和現任妻子濟再婚,不過濟現在也被確診患有胰腺癌。
頓認為AI將讓醫學更加高效,他估計很快人類支付100美元就能得到自己的基因圖譜,現在的成本是1000美元。但AI的進步對於放射科醫師可能不是好消息,欣頓認為X光檢測這類工作,很快將大規模被機器人取代。
雖然工作崗位會減少,但他堅持認為政府和企業的任務,是確保整個社會不被下一波的經濟自動化浪潮拋下。
“在一個合理分工的社會裡,提高生產力對每個人都有好處”,韓丁表示,“問題不在於技術,而是利益如何分配”。
即便高瞻遠矚如韓丁,他也不知道AI革命會將我們帶向何處他說:“很難預測這個領域五年之後的情況,事情總是與你期望的不一樣。”
確定的是,這個世界即將變得不同。
▌人工智能簡史
1950圖靈測試
阿蘭·圖靈,以二戰中在布萊切利園的解密工作而聞名。他為智能機器設計了一個行為測試。如果一台機器,讓測試者無法分辨是機器還是人類,那麼這台機器就通過了圖靈測試,可以被認為具有人類智能。圖靈把這個稱為“模仿遊戲”。
1956“人工智能”誕生
在新罕布什爾州達特茅斯學院的計算機科學會議上,人工智能被正式命名並作為一個正式學科出現。由於機器在學會下跳棋和解決一些英文問題方面取得初步成功,美國國防部開始資助人工智能研究,並預計人工智能問題會在70年代中期解決。
1969 2001:太空漫遊
來自庫布里克電影中的殺手電腦HAL,讓人工智能的概念在流行文化中紮根。同一年,菲利普·迪克發表了一部小說,後來被拍成電影“銀翼殺手”。
20世紀70年代AI冬天
部分由於數學家詹姆斯·萊特希爾的評估報告,美國和英國政府開始停止對AI領域的研究支持。第一個AI冬天到來。
第二個AI冬天,源自於1980年年代末期PC的爆發,隨後AI這個詞在研究論文中消失了多年,被“機器學習”和“信息學”所取代。
1984終結者到來
卡梅隆在科幻經典作品中創造了一個稱為天網(天網)的角色,這是一個人工智能防禦系統,後來自我意識覺醒,視全人類為威脅。
1987深藍擊敗卡斯帕羅夫
國際象棋大師第一次在正式比賽中被電腦擊敗。這場勝利也引發國際象棋作為評測標準的反思,因為這種遊戲太容易被暴力計算攻克。
2011沃森贏得“危險邊緣”
這是一個IBM設計的系統,主要用於參加問答競賽節目。沃森在“危險邊緣”中贏得價值100萬美元的頭名,隨後這套系統被用於醫療保健等領域。
2011 Siri
Siri最初是從DARPA分離出來的個人助理應用。2004年,蘋果收購了這家公司,並在2011年將這個人工智能應用置入手機iPhone 4s。
2012無人駕駛汽車
加州立法規定自動駕駛汽車可以合法上路,這是谷歌不斷推動的結果。谷歌宣布旗下的無人駕駛汽車已經行駛了30000英里,沒有發生一次意外。
2016 DeepMind擊敗圍棋冠軍
由谷歌DeepMind研發的AlphaGo,擊敗了圍棋九段李世乭。在深藍獲勝之後,計算機科學家已經把圍棋作為人工智能的新測試場。




2017年8月4日 星期五

We Survived Spreadsheets, and We’ll Survive AI

We Survived Spreadsheets, and We’ll Survive AI


Is “artificial intelligence” the death knell for middle-class jobs? Not if history repeats. AI is in essence a technology that makes it easier and cheaper to predict things, and when something becomes cheaper and easier, we do more of it, writes Greg Ip.