Yoshua Bengio：我的一生
文 | 智商掉了一地
2018 年图灵奖获得者、AI 先驱、深度学习三巨头之一、对抗生成网络 GAN、标志性的银灰卷发和浓
眉，如果还没猜到的话，当你看到这个封面，一定就会意识到自己在学习的路上，已经或间接或直接地拜读过大佬的著作了。
看到花书的封面，和前面的关键词，也许你会意识到，他就是——Yoshua Bengio。
从下面这个记录可以看出，他的著作在谷歌学术上的引用量也是一骑绝尘。
就在这两天的 NeurIPS 2022 New in ML Workshop 上，Yoshua Bengio 做了一个 Live Talk，介绍了自己从本科毕业开始，一直到现在的人生之路。
链接:https://nehzux.github.io/NewInML2022NeurIPS/assets/YoshuaBengio-NewInML-NeurIPS-28nov2022.pdf
接下来，就是Bengio在大会上亲口讲述“自己一生”的故事。
从最初本科毕业时的“广度优先搜索”，了解到 Hinton 的连接主义， 到探索人脑、初代语言模型、注意力机制等等，以及度过人工智能寒冬，再到现在探索抽象、生成流网络、Ai4Science、HLAI(人类级别智能)、意识先验、System-2、因果推断、元学习、模块化等重要且新颖的领域。Yoshua Bengio 回顾了自己的科研生涯，他说“Staying Humble”。
一开始，Yoshua 讲述了“他是如何爱上一个研究方向”。
1985 - 1986 年，他刚读完本科，思索自己下一步要做什么，阅读了大量不同领域的论文，将视线聚焦于神经网络研究，尤其是 Geoff Hinton 和 David Rumelhart 等其他早期连接主义者的论文。
1986 - 1988 年，Yoshua 进一步阅读玻尔兹曼机，实现音素分类，完成了关于语音识别的玻尔兹曼机的硕士论文，而后当了解到反向传播时，对它感到兴奋，并开始使用它，在之后参加了 1988 年连接主义的暑期学校，遇到了许多其他充满热情的研究生和研究人员们。
1988-1991 年，Yoshua 完成了关于神经网络(RNNs 和 ConvNets)和 HMM 混合的博士论文。
随后，Yoshua 阐述了自己的工作中对于神经网络与 AI 的理解。从一个令人兴奋的先验知识出发，他指出，通过学习，智能（机器、人类或动物）的产生是有一些原则的，这些原则非常简单，可以被简洁地描述出来，类似于物理定律，也就是说，我们的智能不只是一堆技巧和知识的结果，而是获取知识的一般机制。
他还辨析了传统 AI 和机器学习的要点，提到了人工智能的机器学习方法：
经典的 AI 一般是基于规则、基于符号的：其知识由人类提供，但直觉知识是不可传播的，机器只做推理工作，没有很强的学习和适应能力，对不确定性的处理能力不足。
而机器学习则试图解决这些问题：在很大程度上取得了成功，但更高层次的（有意识的）认知尚未实现。
而后 Yoshua 从维度诅咒和分布式表示（指数级优势）这两个细节出发，强调了促使 ML 向 AI 转变的五个关键因素：
海量&海量的数据；
非常灵活的模型；
足够的算力；
计算效率推断；
强大的先验知识，可以打破“维度诅咒”，实现对新情况的强泛化。
他还提到了脑启发（Brain-inspired），以及如下特性：
大量简单自适应计算单元的协同作用；
关注分布式表示（如单词表示）；
视智能为结合的产物（近似优化器、初始架构/参数化）；
端到端学习
长期依赖和梯度下降
紧接着，Yoshua 回顾了机器学习 101 课程的要点：
函数族；
可调参数；
从未知数据中抽样的例子产生分布；
对经过训练的函数所产生的误差的度量；
近似最小化算法搜索最佳参数选择，迭代减少平均训练误差
又引出了他们自己 1994 年的工作 "Learning Long-Term Dependencies with Gradient Descent is Difficult" ，并强调了他的经验：负面结果可能非常重要，它教会了我们一些东西，推动了许多下游研究，比如 2014 年关于自注意力机制的工作。
接下来他展开介绍了这项工作：
如何存储 1 bit？在某些维度上有多个引力盆地的动力学
如果动力系统在某些维度上有多个吸引域，则状态的某些子空间可以存储 1 bit 或多个 bit 信息。
在有界噪声存在的情况下稳健地存储 1 bit：
光谱半径 > 1，噪声可以踢出吸引子的状态（不稳定）；
而当半径 < 1时就不是这样了（收缩→稳定）。
可靠地存储→消失的梯度
可靠地存储比特信息需要谱半径 < 1
谱半径 < 1的 T 个矩阵的乘积是一个矩阵，其谱半径在 T 上以指数速度收敛于 0。
如果 Jacobian 矩阵的谱半径 < 1 →传播梯度消失
为什么它会损害基于梯度的学习？
与短期依赖关系相比，长期依赖关系得到的权重是指数级小的(以 T 为单位)。
当谱半径 < 1时，时间差越长，谱半径越小。
深度学习并不像其他机器学习方法：
没有中间表示（线性）
或固定的（通常是非常高维的）中间表示（支持向量机、内核机）
那么什么是好的表征形式呢？——使其他或下游任务更容易。
语言模型 LM
于是 Yoshua 又回顾了他们 2003 年的经典工作《A Neural Probabilistic Language Model》，这是首次用神经网络来解决语言模型的问题，也为后来深度学习在解决语言模型问题甚至很多别的 NLP 问题时，奠定了坚实的基础（比如之后 word2vec 的提出）。
每个词由一个分布式连续值代码向量表示=嵌入；
跨n-gram（单词元组）共享；
泛化到语义上与训练序列相似的单词序列
为什么要设置多层（multiple layer）？——世界是可构成的
具有不断增加的抽象级别的表示层次；
每个阶段都是一种可训练的特征变换。
图像识别：像素→边缘→文本→主题→零件→物体；
文本：文字→单词→词组→从句→句子→故事；
语音：样本→谱带→声音→……→电话→音素→单。词
随着深度学习的不断发展，不止 NLP 领域，语音和图像也迈出了重要一步：
▲ImageNet 在 2012 年取得突破
但其实 1996-2012 年也是神经网络的寒冬：
AI 研究失去了达到人类智能水平的雄心
关注“更简单”(更容易分析)的机器学习
很难说服研究生进行神经网络的研究
这需要坚持下去，但也要处理一些棘手的问题：
遵循直觉
但尝试通过实验或数学方法验证
理清思路以澄清问题，提出“为什么”问题，试着去理解
支持小组的重要性（CIFAR计划）
自 2010 年以来，Yoshua 关于生成式深度学习的论文，尤其是和 Ian Goodfellow 共同研究的生成性对抗网络（GAN），这篇经典之作更是引发了计算机视觉和图形学领域的深刻革命。
GAN 以其优越的性能，在短短两年时间里，迅速成为人工智能的一大研究热点，也将多个数据集的结果刷至新高。
Attention 机制的“革命”
对一个输入序列或图像，通过设置权重或每个输入位置的概率，正如 MLP 中所产生的那样，运用到每一个位置。Attention 在在翻译、语音、图像、视频和存储中的应用非常广泛，也具有以下的特点/优点：
一次只关注一个或几个元素；
根据具体情况，了解该让哪参与进来；
能对无序set操作；
是 NLP 中的 SOTA，为 Transformer 的提出奠定基础；
在 RNN 中绕过学习长期依赖的问题！！
强化学习
深度强化学习在 2016 年初露头角，取得巨大突破：
AlphaGo 以 4-1 击败世界冠军李世石；
人工智能和围棋专家没有预料到；
将深度学习与强化学习相结合。
深度学习的生物学突破
除了在计算机领域的成就以外，深度学习也在生物学领域取得重要突破，英国《Nature》杂志在 2021 年发表了一项结构生物学最新研究，人工智能公司 DeepMind 的神经网络 Alphafold 2 ，利用注意力图神经网络，预测的蛋白质结构能达到原子水平的准确度，这也为生命科学领域带来革命性影响。
保持谦逊
最好别想奖项、奖品和认可：这些都是危险的干扰！
自负会使我们盲目，使我们过度自信，是科学发现的敌人
损害我们灵活思考的能力，质疑我们认为理所当然的东西，倾听别人不同意我们的观点的能力
我多次改变主意：2005 年有监督 vs 无监督，2022 年频率论 vs 贝叶斯。
学习更高层次的抽象
(Bengio & LeCun 2007)
深度学习的最大回报是允许学习更高层次的抽象。
更高层次的抽象：将解释变量和它们的因果机制分离开，这将使得更容易的泛化和转移到新的任务上去。
如何发现好的解耦表征
如何发现抽象?
什么是好的表现形式?（Bengio et al 2013）
需要线索（=归纳偏差）来帮助理清潜在因素及其依赖性，例如:
空间和时间尺度
要素之间的依赖关系简单稀疏（意识优先）
因果/机制独立性（可控变量=干预）
多个时空尺度（粗略的高层因素解释了较低层的细节）
绕过维度的诅咒
我们需要在机器学习模型中构建组合性，就像人类语言利用组合性为复杂的思想赋予表征和意义一样。
利用组合性：在指代能力上获得指数级的增长；
分布式表示/嵌入：特征学习；
当前的深度架构：多层次的特征学习；
系统 2 深度学习：一次编写几个概念；
先验假设（Priori）：组合性有助于有效地描述我们周围的世界。
Yoshua 之前也研究过一段时间的因果，这里他也发表了与此相关的一些看法。
我们需要了解这些问题：
正确的表述是什么？解释数据的因果变量
如何发现它们（作为观测数据的函数）？
如何发现他们的因果关系、因果图？
行动如何与因果干预相对应？
原始感官数据如何与高层因果变量相关？高层因果变量如何转化为低层行为和局部观察？
需要额外的偏见：因果关系是关于分布的变化
当前机器学习的缺失
超越训练分布的理解与泛化；
学习理论只处理同一分布内的泛化；
模型学习但不能很好地泛化（或在适应时具有高样本复杂性）修改后的分布、非平稳性等。
知识重用性差、模块化差
要超越训练分布的泛化
由于性能不佳的 OOD，目前工业强度的机器学习存在鲁棒性问题；
如果没有独立同分布（iid），需要替代假设，否则没有理由期望泛化；
分布如何变化？
人类做得更好！
来自大脑的归纳偏见？
人类如何重用知识？
系统泛化
根据之前的一些工作，将这种能力总结如下：
学过语言学；
动态重组现有概念；
即使新组合在训练分布下的概率为 0：
例如:科幻小说场景
例:在一个陌生的城市开车
目前的深度学习不太成功，它可能会“过拟合”训练分布。
SOTA AI 和人类水平智力之间的差距
其主要的差距有：
样本复杂度：学习一项任务所需的样本数量；
非分布泛化；
适应的非分布速度（迁移学习）；
因果发现和推理；
复合知识表示和推理
造成差距的唯一原因：有意识的处理？
假设：这种差距源于一种与人类意识处理相关的计算、知识表示和推理，但在人工智能中尚未掌握。
有意识的处理帮助人类处理 OOD 设置
面对新奇或罕见的情况，人类总是有意识的注意力，迅速结合适当的知识片段，对它们推理，并设想解决方案。
我们不遵循我们的惯例，在新奇的环境中使用有意识的思维。
系统 1 和系统 2 的认知——2个系统（以及认知任务的类别）：
系统 1
直觉、快速、无意识、一步并行、非语言、习惯性；
隐性知识；
当前 DL
系统 2
缓慢的、有逻辑的、顺序的、有意识的；
语言，算法，计划，推理；
明确的知识；
DL 2.0
从推理到 OOD 泛化
目前工业级别的机器学习(包括 NLP)由于糟糕的 OOD 性能而遭受鲁棒性问题；
人类使用更高层次的认知（系统 2）进行非分布泛化；
为什么有帮助，如何有帮助？
这与代理、因果关系有什么关系？
我们如何在深度学习中结合这些原则来获得系统 1 和系统 2 的深度学习？
将知识分解成可组合的片段进行推理
目前的深度学习：同质架构、知识没有本地化、完全分布式；
迁移学习：重用相关的知识片段，最大限度地减少干扰，最大化重用；
系统 2 推理选择和组合可命名的知识片段，形成思想（想象的未来、反事实的过去、问题的解决方案、输入的解释等）。
如何将知识分解成正确的可重组片段?
迁移到修正分布：超越 iid 假设
iid 假设太强→分布外泛化能力差；
宽松的假设：相同的因果动力学，不同的状态/干预
因果关系作为 OOD 泛化、迁移学习、持续学习等的框架：
非平稳知识（变量值）的因子平稳知识（因果机制）；
干预=变量的改变，不仅仅是由于默认的因果链接，而是由于代理；
因果模型=分布族（包括任务）；
这些分布的指标是干预措施的选择（或初始状态）；
固定知识被分解成可重组的因果机制
为什么需要因果?
因果模型=通过干预/环境/初始状态等与共享参数(机制)索引的分布族
学习者必须预测干预措施的效果，需要解决 Out-Of-Distribution（OOD）=新的干预措施；
干预=完美实现代理的抽象动作；
更现实：实现抽象变量变化的意图=目标；
与多任务和元学习不同，不是学习特定于任务或环境的参数，而是对干预进行推断
Yoshua 团队今年在因果领域研究也有着一个研究成果——作为概率推理机的大型深度网络：
最后，Yoshua 也表达了自己的愿景：让机器学习走出实验室，走入社会。
机器学习不再只是一个研究问题
基于机器学习的产品正在设计和部署中
而这也是人工智能科学家、工程师、企业家和政府的共同的新责任。
而 AI 也是一个强大的工具，要重点关注它的：
双重用途；
智慧竞赛：技术进步 vs 智慧进步；
如何最大化其有益的使用，以及减少其误用？
同时，一切事物都像双刃剑，AI 也不例，我们也应当避免一些对于社会的负面影响：
控制人们思想的 Big Brother 和杀手机器人；
失业人士的痛苦来源，至少在过渡转型时期是这样；
来自广告和社交媒体的操纵；
强化社会偏见和歧视；
使得不平等加剧，权力集中在少数人、公司和国家。
更多内容，点击下方关注：
微信扫码关注该文公众号作者