深度學習三巨頭聚首：Hinton堅持10年內機器會掌握常識，Lecun說20年
在昨天的蒙特利爾深度學習峰會上，KUKA機器人示教器維修，深度學習三巨頭Hinton、LeCun、Bengio齊聚首，展望深度學習和AI的未來深度學習會一直存在嗎？下一大挑戰是什么？解決了什么問題，三大神會退休？他們之間在學術上還有什么分歧？例如：Hinton有很多論文被拒；LeCun不喜歡概率，把Hinton叫做概率警察；最年輕的Bengio已經趕上兩位前輩、此外，三大神還講述了他們相遇的故事，頻頻展露幽默一面，趕緊來看
昨天，在RE?WORK蒙特利爾深度學習峰會上，AI三巨頭GeoffreyHinton、YoshuaBengio和YannLeCun有史以來頭一遭，不僅出現在同一個活動中，而且聚集在同一個panel里，分享了他們對前沿研究進展的展望，并討論了加拿大人工智能和深度學習生態系統的格局。
來自麥吉爾大學的JoellePineau主持了這場討論，她以十分有趣的方式開場，請三大神介紹站在自己旁邊的人，整個禮堂立馬充滿了笑聲。
YoshuaBengio率先開了頭，他說：這是Yann，我在讀碩（Master）期間遇到了他，當時他正跟著Geoff一起做博士后，后來Yann請我去和他一起工作，開始研究卷積神經網絡，到今天這仍然是個熱門課題！
接著，YannLeCun介紹GeoffreyHinton，LeCun說：我也來回顧一下歷史，我還是本科生的時候研究了神經網絡，發現在上世紀70年代這方面沒有研究發表。我看到一篇題為《優化感知推理》（OptimalPerceptualInference）的文章，Geoff是三位作者之一。我讀了這篇論文，知道我必須見見Geoffery。
最后輪到Hinton，他開玩笑說，他或許是Bengio論文的導師（supervisor），但他實際上已經不記得了。Hinton繼續說：那是一篇非常好的論文，將神經網絡用于語音識別。Yoshua和我在加拿大做得很好，因為加拿大支持基礎研究。如今領域發展得非常快，我現在已經跟不上Yoshua的節奏了！每個星期都有好幾篇arXiv論文出來，Yoshua在attention方面的工作令我印象非常深刻。我感覺Yoshua年紀是最小的，他還有一些路要走，但不幸的是我認為他已經追上我們了！現在Yoshua在他的領域里已經做出了跟Yann在CNN上同樣大的影響力。
以下是現場討論實錄：
能談一下現在和上世紀八九十年代研究深度學習，在深度學習領域工作的區別嗎？
Bengio：在那時，你可以全身心投入研究，一點干擾也沒有。當時的環境跟現在完全不同。當我們幾個遇到彼此的時候，情況跟現在還是有一些類似的，但神經網絡還是邊緣研究，才開始了5到10年的樣子。上世紀90年代初，神經網絡火過一陣子，企業也是真的大力投入，有過一些炒作，所以跟現在還是有些類似的。但是，現在神經網絡是真的能用了。
LeCun：我認為神經網絡在當那時候也能用啊！但是，60年代研究感知的人認為神經網絡不是一個有價值的方向，所以他們開始各種改名字改叫法，按他們的方式去做，造成了巨大的實際影響。
Hinton：他們都太年輕啦，根據不記得這回事！
LeCun：現在的AI教科書里，還有很多那時候的東西，上世紀90年代的神經網絡，早就過時了，但現在還被當做參考，它們是有用，但是它們不是通往AI的路徑。很多我們今天使用的技術，也將以同樣的方式廣為傳播，也將以同樣的方式傳給下一代、下下一代，除非我們找到讓這些技術能夠繼續有用、往前發展的下一步，否則現在的很多技術也將會死亡。
Hinton：同意Yann的觀點！
在你的眾多論文中，有什么是我們應該注意但卻忽略了的嗎？
Hinton：比h-index少一個引用數的那篇吧（笑）。我在2008/9年寫了一篇文章，使用矩陣來對關系（relationship）和概念（concept）建模。給定3個東西，你要根據前兩個推斷出第3個。我在2000年初做了很多工作，基本上是早期的嵌入。有人說我該放棄這項工作，因為整篇論文中只有一個非自我引用！我的想法是，不是用向量表示對象，矩陣表示概念，而是用矩陣來表示這兩者，這樣就能表示關系的關系。我們教它3+2等于5，然后教它2和+在一起是+2，系統產生的輸出從來沒有見過+這個概念，所以它必須學習自己。這篇論文得了個2、2、3的評分（滿分10分）。后來，我把論文發給認知科學那邊，他們也不喜歡，說：如果我對論文的理解是正確的，那這篇論文真是太棒了，但我認為我們的讀者不會對這個感興趣！
Bengio：我都沒有提交我的論文，因為我知道肯定會被拒！那篇論文的想法是，為了學習我們需要其他人的指導，這里就不多說了。
隨著時間的推移，你們幾位取得的共識似乎越來越多。現在你們被稱為深度學習三巨頭，但還有什么是你們彼此之間存有巨大分歧的？
Bengio：這是坑嗎？我不跳哦！
Hinton：政治！但我們對美國的政治看法都相同。
LeCun：相比問題本身，或許我們對解決問題的方法有不同的意見。有段時間，Geoff用概率
Bengio：凡是有關概率的事情，Yann一點都不想知道，他把Geoff叫做概率警察。
現在有很多人在做深度學習和神經網絡，深度學習會在AI里一直存在嗎，還是說其他領域會興起？
Bengio：我們絕對需要在現有基礎上發展新的想法。這些想法將受到我們現有技術和概念的啟發，并將成為創造新東西的基礎。
LeCun：這些概念將被參數化并且繼續發展它們不會消失，但光是現在這樣顯然是不夠的，所以我們需要考慮新的架構很多人都在積極探索動態架構（dynamicarchitecture），自然語言處理也有很多有趣的事情發生。我們還需要更多的訓練超大規模學習系統的方法這可能不是最終的答案，KUKA機器人電路板維修，還可能有舊的想法再次火起來。接下來還會出現這樣一些方法，那就是將深度學習和推理這樣更離散的東西連接起來。
Bengio：我們需要找到方法，讓ML和DL重新拿起目標函數，并用新的方法來訓練和教育這些目標函數，這對AI來說是至關重要的。
Hinton：Yann和Yoshua還認為最大的困難并不是找到一個無監督學習的目標函數。我在92年發表了一篇將空間一致性作為目標函數的論文。有了這個以后，我們能夠學習更多的層，了解更多的東西。我們還能訓練自編碼器。
雖然具體解決時間我們還不知道，但你們認為下一個挑戰和我們會解決的下一個問題是什么？
LeCun：在Facebook，有一個團隊是做星際爭霸的。這個游戲比圍棋更難，因為它使用戰略，有多個智能體，各種技術你不知道你的同伴在做什么，在韓國星際是職業競技的一種，非常具有挑戰性。現在有一些玩星際的bot，但都不在人類的水平。Facebook和DeepMind的團隊正在使用機器學習玩星際，m.dekuna.com，我認為我們會在這方面看到一些進展。但是，下一個真正改變人類生活，并且我們可以解決的問題，是如何訓練一輛汽車自動駕駛有沒有辦法做到完全自動并且安全？