一个芬兰科学家认为现在的AI太蠢了，下海开搞AI互联网

本篇文章3959字，读完约10分钟

9月28日，北京。哈里·瓦尔波拉是芬兰的计算机科学家。同时，他也是zenrobotics的创始人和首席技术官，好奇人工智能公司的创始人和首席执行官。

哈里瓦尔波拉的理想是创建人工智能互联网。从人类的角度来看，它看起来像一个巨大的大脑。像互联网一样，人工智能将对我们的生活产生巨大的影响。也许这只是一种幻觉，但我们仍然坚持这一观点。因为只有这样，人脑才能理解互联的人工智能互联网。

然而，前面的道路是漫长、困难和漫长的。尽管近年来取得了一些进展，但人工智能的发展速度仍然不能令人满意。瓦尔波拉说，目前使用的人工智能都是二流的，不是一流的，这个人工智能就像一只愚蠢的蜥蜴，无法理解这个复杂的世界。我们需要大量的数据，因为我们想要建立一个更倾向于哺乳动物的大脑。

从学者到企业家的转变遭遇了许多困难

像许多研究人工智能前沿领域的计算机科学家和数学家一样，瓦尔波拉具有无可挑剔的研究能力。他是芬兰神经网络先驱tuevo kohonen的学生。他在阿尔托大学工作了20年(研究人工大脑)。直到2007年，他才离开学术界，致力于将这一理论应用到现实世界的肮脏数据中，他才意识到自己错过了什么。

为了将理论付诸实践，valpola和他的同事创建了zenrobotics，主要致力于开发智能机器人的大脑。他说我们最初的计划是彻底改革人工智能。技术在实验室中运行良好，但总是难以应对复杂的现实。

第一个问题是:数据。在模拟实验中，机器人可以看到它们周围的一切，但是对于计算机来说，读取混乱而复杂的现实世界数据总是很困难。第二个问题是，实际上，计算机无法通过数百万次测试来获得有效的解决方案。像人类一样，机器人是物体，它们总是移动缓慢。由于他们的反复训练，他们很少有机会独立进化。

瓦尔波拉说，在现实世界中，互动是一种非常稀缺的资源。他使用的许多技术和其他人的研究取得的许多惊人发现实际上都是基于模拟环境。以阿尔法戈为例，这是一个非常好的系统，但是阿尔法戈学习游戏规则的时间是惊人的。在系统达到人类玩家的最高水平之前，在某种程度上需要3000年来练习这个游戏。

由于无法实现最初的目标，zenrobotics做了一些调整:现在，机器人致力于实现一个更简单的目标，即从工业废料中选择有用的原材料。该公司筹集了1100万英镑，并吸引了世界上最大的回收公司作为客户。但对瓦尔波拉来说，一切都只是一种妥协。因此，在2015年，瓦波拉离开了zenrobotics，他计划从头再来，再试一次。

重新开始创建好奇的人工智能公司

44岁的哈里·瓦尔波拉创立了好奇人工智能公司，这是一家拥有20名员工的人工智能初创公司。该公司最近筹集了367万美元。与许多科技融资相比，尽管该基金的金额仍然很小，但令人印象深刻的是，该公司尚未生产其产品，仅处于研究的早期阶段。

风险投资公司balderton capital的合伙人丹尼尔沃特豪斯(Daniel waterhouse)表示:投资研究型企业并不常见，但这有利于本轮融资和前一轮种子融资。但从长远来看，研究型企业有能力创造产品和商业机会。这种方法有利于培养人才，而且valpola也致力于建立一个世界级的顶尖研究团队。

好奇公司的联合创始人:从左到右，他们是哈里·瓦尔波拉，首席技术官安蒂·拉斯姆斯和首席运营官蒂莫哈安普

好奇公司解决了zenrobotics最初面临的问题，首先是数据处理的困难。Valpola的方法很简单:清理脏数据的最好方法是让计算机来处理。2015年，他发表了一篇文章，宣布了他的第一次尝试:他描述了一个梯形网络:一个可以通过向结果中注入噪音来训练自己处理复杂情况的神经网络，就像老师添加容易出错的点来帮助学生保持警惕一样。

梯形网络允许计算机学习大量未标记的例子，这在该领域称为半监督学习。手写数字图片是基准问题测试领域中常用的数据集，用这种方法得到的实验结果令人惊讶。在100个初始标记示例中，系统正确识别了近99%的图像。世界顶尖的计算机科学家称赞这项技术令人印象深刻，是最先进的技术。

瓦尔波拉继续开发新技术来处理其他类型的数据集。在今年的神经信息处理系统会议(也称为nips)上，他将提出一种类似于梯形网络的新技术，瓦尔波拉将其命名为一位含义双关的刻薄老师。已发表的实验结果表明，本实验的对象是谷歌街景的门牌号图片。即使经过更少的训练，这项技术也取得了比以前更好的性能。

蒙特利尔大学计算机科学系的教授Yoshua bengio也是深度学习领域的领军人物之一。他说:根据这篇文章的描述，我认为它的成绩相当不错，这是半监督学习的又一次创纪录发展。

瓦尔波拉还在研究他在zenrobotics时面临的另一个问题，即人工智能对反复试验的依赖。这也是最先进的无模型人工智能所使用的方法。对于这种人工智能，研究人员没有事先输入他们可能遇到的所有规则。你可以尝试数十亿种不同的场景，然后逐步建立有效的模型。但在现实世界中，事情永远不会这么简单。瓦尔波拉说，为了确保人工智能的顺利运行，人工智能将需要基于相对较少的信息进行推理，而这种能力也称为规划。

但问题是神经网络只能发挥单向作用。例如，通过向他们展示大熊猫和长臂猿的图像，他们将快速准确地识别这两个物体。但是如果你问人工智能:你会把什么图像归类为长臂猿？一个典型的例子表明，人工智能处于混乱状态，不能理解这个问题，尽管长臂猿看起来和熊猫完全不同。瓦尔波拉说，这项技术有坚实的理论支持，但引人注目的是它在实践中的表现。一方面，网络是可信的，另一方面，它是如此愚蠢，令人难以置信。

人类非常擅长逆向思维(许多动物也非常擅长)。当你思考某件事时，你会做同样的事情，然后你需要问自己:我是怎么做到的？你可能只考虑是给你的老板发一封关于你假期的邮件，还是亲自给他打电话。神经网络可以利用当前的情况和计划行动，并利用它们来预测未来。然而，神经网络不能反向操作，所以不能说如果你想达到某个目标，你最好做到这一点，而且神经网络的线性过程不能反向。

这对任何智能决策过程都非常重要。瓦尔波拉说，我们已经解决了这个问题，并且可以调用能发出声音的神经网络，并能在预期结果的指导下采取行动。尽管这项研究尚未发表，但瓦尔波拉相信，所有这些都将在不久的将来实现。

一切都只是开始。瓦波拉想创建人工智能互联网

对瓦波拉来说，这一切只是开始。除非他创建一个人工智能网络，否则他不会满意。对此，他的解决方案是模仿人类的思维过程，尤其是人类思维模式中的关系推理。

要理解关系推理是如何工作的，你只需要往下看并开始。手与其他部位密切相关，包括另一只手、身体的其余部分和房间里的其他物体。大脑通过把它放在特定的环境中使它有意义。

神经网络以非常不同的方式看待世界。在显示手之前，必须先拍一张照片，然后将照片分解成像素；然后，神经网络开始处理像素，并为每个局部区域分配一组数字:本质上，它的评分方法是比较不同对象的相似性。

这个系统模拟了大脑中细胞的运动，但忽略了一个关键因素:它可以识别物体的特征，但不能理解哪些特征属于哪些物体，以及物体之间是如何相互关联的。因此，它需要大量的数据。因为无法推断，它注定要重新学习每一种情况。

你不能恰当地表达某样东西，好像某样东西属于同一个范畴，但又与其他东西分开，瓦尔波拉说。从内部来说，网络并不真正代表什么。没有这种能力，人工智能在任何情况下都不会是革命性的。

许多人同意瓦尔波拉的观点。伦敦帝国理工学院认知机器人学教授默里·沙纳汉(Murray shanahan)表示:我见过瓦尔波拉几次，我们对人工智能和深度学习有着相似的看法。本吉奥补充道:我认为他是对的。我自己也以类似的目标开始了一个研究项目。在我看来，从知识的突破到更高层次的认知，这些都是未来进步的关键方面。

问题是:怎么做？字母表的人工智能研究部门Deepmind最近发表了一篇论文，建议调整神经网络以应对挑战。这篇文章没有给瓦尔波拉留下深刻印象。他说:我在这个领域已经研究了很长时间，我现在发表的东西和我们八年前开始的工作非常相似。发现问题并描述它们是行不通的。

瓦尔波拉说:这不能工作的原因是它仍然是一个基于离散信息的数字模型。他认为，为了克服对象关系的问题，人工智能必须能够处理连续的数据信号，这意味着它的模拟能力需要增强。

这是人类学习的基础，瓦尔波拉说。这也是他尝试模拟哺乳动物大脑的关键:我们需要的是与当前深化学习具有相同感知能力的东西，此外，我们还需要符号操作能力和模拟推理的先天能力。至于如何实现这一点，他说这是一个秘密，值得一提的是，这是他进入学术界后一直在研究的问题。

第一个原型是十年前建造的。我们正在继续这方面的研究。因此，我们正在构建这些具有更好交互能力的神经网络。我认为目前人们还没有意识到意识到这一点的重要性。在未来的一年里，我们将在这个领域进行非常有趣的研究。

想象一下，如果人工智能能够理解这种关系，这也将有助于理解他们未来的发展方向。瓦尔波拉嘲笑人工智能的常见问题，例如由牛津哲学家尼克·博斯特罗姆提出的思维实验“回形针最大化器”。必须有一个智能系统来接管这个世界。另一方面，它需要一个非常愚蠢的系统来按照人类的要求做事。但到目前为止，这些还没有实现。他说。

相反，人工智能像其他智能生物一样，认为自己是复杂网络的一部分:不仅是人工智能(人工智能互联网的一部分)，还有人类。他们将变得更加社会化，产生更好或更坏的效果。

瓦尔波拉说，我认为人工智能能够理解如何引导人们过上更好的生活。

在人工智能开发的第一波浪潮中，你需要的是成为一名程序员。在第二波浪潮中，你需要成为一名数据科学家。在第三次浪潮中，你需要有更高的道德，而且越高越好。