在1日举办的“全球思想盛筵-人工智能与人类文明”上，图灵奖获得者、美国国家科学院院士、美国国家工程院院士John E. Hopcroft发表主题演讲，称机器学习将推动下一次工业革命的到来。下面就随网络通信小编一起来了解一下相关内容吧。

　　John E. Hopcroft认为，人工智能的许多项目还不能提取一个物品的本质，或者是理解物品的根本功能以及其他重要方面。所以要想真正的具有全智能性还需要再进行一次革命，让我们看到一个物品能够立刻理解。

　　John E. Hopcroft表示，AI现在还处在一个比较早期的阶段，下一步可能还要花一段时间才能够实现。AI不是唯一一个在驱动革命进程的一个技术基础。大数据能力、互联网、云计算、物联网等等都提供了可用数据，这些都是驱动因素。我们需要做的事情就是去决定哪些灵域是合适的，哪些是不合适进入的。

　　在演讲的最后John E. Hopcroft建言年轻人，考虑事业的时候要面向未来，这样才会有更美好的明天。(泽宇)

　　以下为John E. Hopcroft演讲实录：

　　非常高兴出席今天下午的盛会，我的主题就是人工智能技术的前沿领域，此次人工智能不仅影响了工业也影响了农业，首先我们发现在工业革命的时候所有的体力活都进行了自动化，这改变了整个社会和生活的运作模式。大家面临这样的问题，人类是不是能够完成我们所需要的所有的食物和服务?工业革命这是我们思考的一个主题。

　　今天我想和大家分享的就是人工智能AI，它的背后是机器学习，因为机器学习会推动下一次工业革命的到来。机器学习在过去的10到15年间，我们主要关注的是监督式学习，我们会去培训所有的数据和一些标签式数据，现在我们转了一个方向做非监督式的学习。在这样大的背景下，包括图像识别，举个例子我们走到一家商场中这个商场可以确定你需要什么样的产品，你是谁，可能还会帮我们找到一瓶我们需要的饮品，同样我们也关注语音识别，比如给公司打电话可以直接给我们转接到真人，这些日常生活场景都是通过自然语言处理实现的，我们可以阅读这些文件和包括找到酒店信息，这些阅读量哪些是有效的，大概50%都是非自然语言处理。

　　在美国我们通过立法之前通常有那么一段时期所有的公民都有权利和机遇提供他们的建议为该法提供建议。我们会有2万条相关的建议，但是政府既不能忽略也不能全读一遍，所以我们需要一些机器找到一些正面、负面的意见进行筛选。

　　同时我们也考虑到了无人驾驶，在美国总共有350万人工驾驶和相应的司机他们会失去职业，我小时候非常喜欢拉杠杆，比如当我们学习了整个简单的电梯的运行原理之后就不需要这样的服务人员了。其实自动驾驶一开始要从卡车开始，比如现在卡车司机在美国的话，他只能每天开一段时间，是有时间限制的，假如说自动驾驶的卡车的话，卡车可以24小时开着不停。也许这会降低某些工种，但是同时也降低了生产卡车的数量，那背后的影响会涉及社会的方方面面。

　　现在，亚马逊在布局自己的智能仓库，也就是说我们在进入一家仓储式购物中心的时候自己进行遴选和结算。背后的助力是什么?就是人工智能。我简单和大家介绍一下人工智能的一些基本点。

　　首先在40年代的时候一位叫皮特斯的专家提出了神经元的理论，从40年代开始到现在，尤其在2022年会有什么事情发生?我们看未来的场景，在做图片识别的时候，在图片识别场景中有12亿收集到的图片在当时我们可以写一个电脑程序，我们会设计一些任务的模型来判断究竟我们的算法怎么样去处理这些数据和模型。在2012年的时候，当时的错误率是15%，2013年只是提高了0.2%，到2014年的时候错误率降到了6%。其实和2013年相比是一个重大的进步，这也鼓励大家利用深度学习在各个行业去实践，成果也是斐然的。包括金融和其他的一些社会行业。

　　但是当时大家似乎不明白深度学习背后的逻辑，这就是为什么后续我们有很多这样的基础工作，又过了两年谷歌地图将错误率降到3.57%。最后我们去对比人类的错误和机器的错误，其实人类错误保持在5%，此时机器就超越了人类。

　　这个时间节点上我们的网络可以不断的生成，可以生成为几千个层级，监督式学习下我们加入一个图片，在最后把图片进行分类，有人会想做一些不同的尝试，他们首先选择一张图片让网络通过训练能重新生成图片，通过图片的生成我们可以了解在中间这些层级上他们会以更好的方式表现原图。在这个节点上，我们有很多生成，假如说这个图片是一只猫，没有人教这个程序什么是猫，这个程序自己决定了这是一只猫，它做出了准确的一个选择，这就是非监督式学习的成果。

　　同时，还想跟大家介绍一下，在现代生活中的人们，我们感受到一个强烈的影响那就是生成对抗式网络。现在我们在写程序的时候希望加入一些图片，比如说我们想要输入一张猫的图片，想要生成这样的图片，但是有时候生成的情况非常不佳，所以工程师首先就找到了一个图片的筛选器当你提供一张图片的时候，不管是真实的还是合成的图片它都可以加以判断。同时这两个对抗网络平行运行，你把图片生成器输入图片，此时的区别器无法区别真实的图片和加工的图片，但是通过反复的实验，图片的生成器可以生成一个最终合理图片，可能听上去非常枯燥，只是生成图片罢了。

　　那么我们看看怎么生成翻译?通过A语言到B语言，比如从英文到德语，现在传统的做法就是找到很多文本，这些文本可能是双语的文本都能够收集，我们来生成翻译的文本，现在我们怎么做?我们去培训一个网络，它们在网上找到英语的原语，提供相关的德国语相对的单词，不是一个句子，同时培训这个区分仪，找到这个鉴别器进行鉴别和培训，然后你再找到另一个鉴别器，它输入一些德语，然后生成一些句子，再然后你将这所有的要义都一块进行培训，然后就可以让它实现德语到英语这样的一个翻译功能。

　　怎么去还原成英文呢?就是利用鉴别器返回到英文，这些都是德英互译，通过鉴别器实现的功能。

　　我们能做什么?假设我们有两个任务，你可以同时训练两大网络，可能大家会问这两大任务有什么共同点吗?你需要做的事情可能就是其中两大网络会有一定的分享，如果你对整个网络进行培训的话，比如说这里这个点，它会了解到两个任务之间的交集，下面的这些点能够学习到第一个任务具体特殊地方在哪里。我画了这张图就是希望给大家展示一下，我们如何能够利用这样的一些训练网络?

　　为了保证我不超时，我讲快一点当你训练这些深度网络的时候会发现它们有很多局部最小值，问题是哪一个最小值是你应该采纳的，哪一个数值可以给你带来一些生成对抗能力。我们看一下人们是怎么想的，这里是你的训练数据，上面纵轴列了训练数据错误率，这是一条曲线，我这里箭头指向了两个极小值，两个值不一样，这个地方曲线非常宽，这个地方曲线非常陡，选择哪个数值才能确定测试数字最大准确度，我建议大家选择这个宽的，为什么呢?因为你的这个训练数据它是随机选择的，从整个数据库中随机抽取。也就是说，我们这个数据库的错误功能会和这个数据功能没有太大的区别，而这样的一个曲线就代表的是我们测试数据的错误情况。你会看到这个错误的发展曲线它虚线和实线有一定的区别，它的错误率差别并不是很大。对于较陡的这个极小值同样的横坐标会发现两大曲线错误值差别很了大，很多人在这方面做了很多研究，因为人们希望能让这两大网络进行压缩，让它们靠近。他们希望手机上就可以做深度学习，但是现在这样还是有很大难度的。比如你选择的是这样的一个小网络，并且希望能对它进行训练，准确的进行分类，你会发现这样的训练是很难做的。

　　如果你选的比较大的深度网络再进行训练的话，我们看上面这里的激活空间，训练小网络它的激活量和上面深度学习激活量相比，明显上面更优，所以压缩的时候我们选择上面的可能性更大一些。

接下来给大家介绍一下所谓的激活空间。如果这里我输入了一张图片，会得到一个矢量，比如有200个激活矢量板，我把这些矢量对每一个图像设置一定的关联，然后得到这些不同的数值，我刚才谈到了这里形成了这样一张图表，可能存在一个交错的关联。如果你有一个神经元，然后和它通过矢量和图像建立联系的话，我会在两方激活之间反复进行交换，每一年我都会邀请中国大概30到50名学生，到美国康乃尔大学进行交流大概一个月的时间，这一个月的时间中国学生要做一些研究，这些学生一般都是刚刚完成他们第一学年的学习，其中有一个学生拍摄了他眼中的康乃尔大学。他就问康乃尔大学看起来应该是什么样的，如果康乃尔是在中国的话这样的大学校园应该是什么样的?他就给我展示了他的一个艺术作品