今天， 即1月28日上午， MIT電腦科學&人工智慧實驗室教授Tomaso Poggio在《麻省理工科技評論》EmTech China全球新興科技峰會上， 發表了關於深度學習煉金術的精彩演講， 以下為整理後的演講全文：
我想和大家談一下人工智慧領域正在發生什麼。 首先， 我想說說我們在人工智慧最近所取得的一些成功， 尤其是過去五年， 以及人工智慧未來可能在哪裡取得突破。
深度學習有點像我們這個時代的煉金術， 但是需要從煉金術轉化為真正的化學。 這樣我們才能知道， 深度學習在未來到底可以實現什麼。
過去五年， 人工智慧領域最重要的兩個成就是：AlphaGo和自動駕駛。 我在這行待了很久， 因此兩個領域都有我的學生：一個是AlphaGo的Hassabis先生， 他是DeepMind員工， 現在在穀歌；另外一個就是Moblieye的CEO Amnon Shashua， 他現在已經加入了英特爾。
接下來我們可以看一下過去23年機器學習取得了哪些進步。
23年以前， 我和Hassabis希望可以把電腦視覺和機器學習進行整合，
但是， Moblieye後來做到了每30英里只出現1個錯誤， 把錯誤率降至當年的百萬分之一， 可以看出機器學習的準確性顯著提高。
那麼， AlphaGo和Moblieye所取得的進步， 背後是什麼動因呢？
首先我認為是機器學習的演算法， 第一是深度學習， 第二是強化學習， 他們都是來自於認知科學以及神經科學。
深度學習的架構最早是在60年代研究猴子的視覺系統時被發明出來的， 從而更好地研究他們大腦在學習時的神經結構， 然後一直到Fukushima 提出了首個量化模型， 再到20年前現代版的HMAX被提出。 這些架構都是一脈相承的——從腦科學到現在的深度學習， 本質上都是一樣的層級架構。 從下到上， 神經的等級越來越高。 這個結構的局部中並沒有很多的連接， 每一個高級的神經元只會和下一個等級的神經元相聯繫。
2012年我們也開發出了AlexNet， 它也是性能最好的一個架構。 基於神經科學， 我們通過工程學的研究並不斷地發展。 這是很重要的， 因為我們還沒有真正實現人工智慧。
深度學習可以幫助我們解決10%的難題， 剩下的90%呢？我的答案是：我們可能也需要來自神經科學以及認知科學的研究， 我們需要更好地瞭解人的思維和大腦。 這也是我們MIT大腦、心智和機器中心（CBMM）在研究的問題， 五年前我們開始開展相關的研究， 我們的使命就是要在理解認知方面獲得新的進步， 同時也需要去瞭解整個智慧的架構和智慧背後的科學原理。 關於智慧的科學會幫助我們回答最宏大的問題， 瞭解生命的起源、宇宙的起源， 以及時間的源頭。 大腦中智慧的產生，
CBMM想通過以下三條路徑解決這個問題。
1、電腦科學+機器學習
2、神經科學
3、認知科學
我們會同穀歌這樣的商業公司合作， 探索在工程和科學領域合作的可能。
過去幾年中， 技術發展和理論發展、包括深度神經網路領域的發展很顯著。 要瞭解深度神經網路的運作原理，需要回答背後的三個基本問題：
1、逼近理論：深層網路什麼情況下會比淺層網路更有效？
2、最優化：應該如何設計經驗風險函數？
3、學習理論：為什麼深度學習不會產生過擬合？
這三個問題是機器學習的奠基石。他們的答案很複雜，要解決這種問題，我們需要一開始就思考深度學習的一些技術理論，以及它的局限性。
現在是應用人工智慧的黃金時代，因為深度學習及其工程應用，終於説明我們將傳統的人工智慧科學理論應用於了工程實際，而且能夠為我們進行賦能。假如我們可以超越深度學習的理論，可以更好的去瞭解人工智慧的話，我們也可以更加深刻地瞭解我們人類到底是什麼。
要瞭解深度神經網路的運作原理，需要回答背後的三個基本問題：1、逼近理論：深層網路什麼情況下會比淺層網路更有效？
2、最優化：應該如何設計經驗風險函數？
3、學習理論：為什麼深度學習不會產生過擬合？
這三個問題是機器學習的奠基石。他們的答案很複雜，要解決這種問題，我們需要一開始就思考深度學習的一些技術理論，以及它的局限性。
現在是應用人工智慧的黃金時代，因為深度學習及其工程應用，終於説明我們將傳統的人工智慧科學理論應用於了工程實際，而且能夠為我們進行賦能。假如我們可以超越深度學習的理論，可以更好的去瞭解人工智慧的話，我們也可以更加深刻地瞭解我們人類到底是什麼。