没有所谓的对抗：最近，在旧金山关于人类智能认知扩展座谈会上，IBM高级研究副总裁John Kelly博士指出，「人类+机器」将驱动着未来社会的发展。
在IBM组织的这次座谈会上，工业领域和学术界机器学习的大佬们讨论了如何借助「人工智能」来提高「人类智能」，帮助我们理解每天产生的万亿字节的数据。
Kelly指出，这并不是机器掌握智能或者掌控世界，也更不是重新塑造人类的大脑和它的基本结构，而是从大脑中获取灵感（无论是什么方面的灵感，也不论是从哪里得到的），改变大脑现有的计算结构，进而帮助我们更好地掌握数据和理解我们的世界。
Kelly认为关键问题在于：如果我们不去了解这些，代价会是什么？
几乎80%的数据是松散无结构的，也就是说，现在的计算系统没有办法去理解它。到2020年，这个比例将达到93%。对于我们人类来说，松散无结构的数据一点也不奇怪，正如你可以很轻松地向朋友介绍一个关于街景的录像。但是，对于如今的电脑来说，这个任务仍然无法完成。
[caption id="attachment_5589" align="alignleft" width="300"]
Dr. John Kelly[/caption]
「然而，分析这些数据不止是一个理论上的问题。」Kelly说：「拿医疗为例。一个人一生会产生亿兆字节有关健康的数据，大多数是一些电子档和医学图像。如果再乘上我们现今的人口数量，这些数据里或许就藏有『幸福的秘密』。只是我们还没有特定的方法从这些数据去分析，解释和进行一些推断。」
「问题同时在于硬件和软件这两个方面」。蒙特利尔大学深度学习和神经网络的专家，特邀发言人Yoshua Bengio博士指出。「虽然挑战非常巨大，但科学家们的工作在这两个方面都取得了进展」。
大脑芯片
目前，计算机的基本计算单元（硅芯片）所依赖的是同样过时的计算架构——一个近70年前提出的架构。这些芯片的处理和记忆两大功能分别位于不同的物理区域，这使得两区域间的持续通讯成为必要，从而也降低了效率。虽然这种结构足以完成基本的数据咀嚼与表格操作，但当需要处理（如视觉和语言处理中的）大量的非结构化数据流时它就非常吃力。
[caption id="attachment_5590" align="alignleft" width="300"]
IBM TrueNorth芯片[/caption]
这也是为什么我们要通过这么漫长而曲折的道路去设计可大规模生产的
神经形态计算芯片的原因，IBM的首席科学家Dharmendra Modha博士说。在去年发表在《科学》上的一篇文章中，Modha与其他来自IBM及康奈尔大学的同事描述了一个叫做TrueNorth的芯片。这种芯片的运作更像是一个哺乳动物大脑，而不像我们手机里存在的那些微小的电子芯片。
当你看看大脑你就知道，它既是数字的也是模拟的，受邀演讲者Terry Sejnowski博士如是说。他是索尔克生物研究所的一位计算神经科学的先驱。
这是数字化对于处理电器峰值的意义所在，尤其是对那些需要跨越远距离不衰退的信息。但是，它也模拟如何整合信息。这非常的繁琐并且不精确。但是，在严格的能源控制下它的产生非常「好」的解决方案。这完全回避当前的计算机芯片。
大脑在处理并行计算和巨大复杂性事务上是杰出的大师。其中一部分是大脑神经元如何计算单元动态链接。每个神经元与成千上万的邻近神经元通过化学信号形成突触。信息可以通过大脑1000亿个神经元和1000亿个神经突触进行高速进位,且不需要提前设计:神经元网络定期加强的被一起激活，且并不会削弱。
大脑很高效，它用合适的方式高效节能的对身体各个层面进行处理。
Sejnowski说，这意味着从这端到其他端的来回穿梭只需要更少的数据。
TrueNorth集成了56亿晶体管，100万个神经元通过2亿5600万的「突触」相互串联。虽然芯片还不能对突触强度的动态变化进行分析，但研究人员已经在努力攻克。
「TrueNorth芯片彻底颠覆了传统的芯片架构。」Modha说，但他指出，该芯片并不是对人脑完全精确的诠释。人们倾向于认为AI会向生物领域发展，TrueNorth不是大脑的模型。人脑在某些领域非常强大—如形象感知，直觉判断，推理论证，甚至道义是非—但缺乏对大量数据的处理能力。因此，我们要做的是借助AI让人类智力如虎添翼，而不是简单的复制。Modha强调。
直觉驱动软件
科学家们通过研究大脑的工作方式获得灵感，发掘更为聪明的人工智能算法。
[caption id="attachment_5591" align="alignleft" width="300"]
Peper:日本情感机器人Peper 借力 IBM 旗下的Watson人工智能平台，学习语言与人类交流。[/caption]
Bengio说，人工智能领域还有很多难题。比如：让机器从学习中概括内容，或者在「自然的」日常用语里归纳出逻辑。另一个难题是，所谓的实时在线学习，还需要把学习的速度赶上人类决策的速度（大约50毫秒）。这也就是需要高效的多模块处理，将视觉数据，音频流和其它类型的传感器相互连接。
机器学习小组还不想讨论：深度学习是否有局限。Bengio笑着说，「若非数学证明，我可不认为它有极限」。
「目前这些研究正在稳步推进。我们现在正要把记忆储存整合到日常网络里，这样就能更好地处理语言翻译，以及解决几年前还算较难的问题。」
下一个重要的问题是：要理解「为什么」，即算法能如何能表示他们自己答案的由来。
人们一定想知道，在相信计算机之前，为什么它会给出这样或那样的决定。例如，上班时，一辆无人驾驶自动汽车突然停在路中间，或者它选择了一条不常用的路线，我们通常想要知道为什么。人们担心自己处于无知状态。技术小组同意：这个问题可能会阻碍人们应用新技术。
然而，目前对于人类而言，很难抓取算法生成表征，他们的逻辑推理藏在百万次计算后。我认为，自然语言进步将帮助我们解决这一问题，Bengio表示，计算机能反驳我们。
深度学习算法「黑盒」也为该领域注入了一股神奇的创造力。学者承认，我们所有大部分试验转移到人类直觉；如果该机制开始运行，科学家就转向它，并试图找出其理论基础。
机器宇航员：第一台人形机器人由NASA和GM（通用汽车有限公司）联合研发。从家务到检测氨气泄漏，高度灵巧性的机器人协助宇航员完成这些任务。
这是人与机器协作的最好例子，人类直觉驱动机器发展，机器反过来促进人类数据分析的智力。
我们正在制造精密、自主化及可扩展性的智能系统，成为人类的协作者，在小组讨论中，一名来自NASA 林翰.约翰逊太空中心的科学家Dr.Myron Diftler表示。
未来是人与机器协作的世界。
选自singularityhub，作者SHELLY FAN，机器之心翻译出品。参与成员： viola、光磊、黄志臻、妞妞姐姐、庞、安隐。
