迈克尔乔丹 机器学习界的“迈克尔·乔丹”

2018-07-30
字体:
浏览:
文章简介:他不是篮球界的飞人乔丹,但在机器学习界,他的知名度堪比乔丹,他就是机器学习界的开山鼻祖Michael I. Jordan,在中国,他和苹果创始人乔布斯拥有同样的尊称--"乔帮主",他是人工智能领域两位根目录人物之一(另一位是"神经网络之父"Geoffrey Hinton),拥有一系列辉煌耀眼的头衔:迈克尔乔丹 机器学习界的"迈克尔·乔丹"Michael I. Jordan教授是当世概率图模型的集大成者,被誉为让世人意识到机器学习与统计学之间联系的

他不是篮球界的飞人乔丹,但在机器学习界,他的知名度堪比乔丹,他就是机器学习界的开山鼻祖Michael I. Jordan,在中国,他和苹果创始人乔布斯拥有同样的尊称——“乔帮主”,他是人工智能领域两位根目录人物之一(另一位是“神经网络之父”Geoffrey Hinton),拥有一系列辉煌耀眼的头衔:

迈克尔乔丹 机器学习界的“迈克尔·乔丹”

Michael I. Jordan教授是当世概率图模型的集大成者,被誉为让世人意识到机器学习与统计学之间联系的原创思想家之一。

根据维基的资料,他的主要贡献包括:指出了机器学习与统计学之间的联系,让学界认识到了贝叶基网络的重要性;他还发展了Jordan网络,是递归神经网络的一种。

迈克尔乔丹 机器学习界的“迈克尔·乔丹”

贝叶斯网络发展到高级阶段,概率图模型使得计算成为问题,从而发展出了变分贝叶斯领域,变分贝叶斯有三个发展阶段,其中第三阶段,就是Jordan提出的evidence lower bound(ELBO),重建了变分贝叶斯的基础框架。

雷锋网注:Michael I. Jordan 教授和他的学生在NIPS2013大会上合影

Michael I. Jordan教授桃李满天下,所教过的学生人才辈出,占据了AI学术界的半壁江山,随便列几位他的学生大家感受一下:深度学习三大开山鼻祖之一、蒙特利尔大学教授 Yoshua Bengio;贝叶斯学习领域权威 Zoubin Ghahramani;LDA领域权威、哥伦比亚大学教授 David M.

Blei;前百度首席科学家、斯坦福大学教授 Andrew Ng(吴恩达);学界大牛斯坦福大学教授 Percy Liang 等人。

充满好奇心的天才

Jordan出生于上世纪60年代婴儿潮后期,小时候,父母搬来搬去,他的童年在路易斯安那和堪萨斯州辗转度过。在这期间,他阅读了大量马可·波罗((Marco Polo)等文艺复兴时期探险家的故事,从此,探索未知的好奇心开始生根发芽。

目睹了上世纪六七十年代的社会运动后,Jordan受到启发,开始从事与人类和社会现象有关的工作,他的兴趣很快就被吸引到探索人类大脑、智力和心理的内部运作方式上。

被路易斯安那州充满活力的文化、食物和音乐所吸引,Jordan决定就读路易斯安那州立大学,在那里主修心理学。

Jordan还记得他第一次走进校园的大型图书馆时,被前所未见的浩瀚书籍所震惊。

“当时我就决定,要遍阅经典。”他开始阅读以数学为导向的哲学家伯特兰·罗素(Bertrand Russell)和科特·哥德尔(Kurt Godel)的著作,并对理解人类的思维方式产生了浓厚的兴趣。

1978年完成学士学位后,乔丹决定成为一名数学心理学家,并开始在亚利桑那州立大学攻读数学和统计学硕士学位。

“因为我想从事心理学研究,这是一个实验领域,要学习如何分析数据,所以需学习统计学课程,”Jordan解释说。

然而,他很快意识到,自己并不想仅仅为了分析数据而学习统计学,而是为了建立新的模型,探索统计推理与人类思维的关系。

当Jordan在亚利桑那州的圣地亚哥度假时,参观了位于当地的加利福尼亚大学校园,并在与那里的一些教员会面后发现了认知科学的新兴领域:“我当时心中一亮‘啊哈!我找到了!’”他欢呼,“在那个时代,这是一个全新的领域,它实际上研究的是如何将数学应用于人类思维方式。这次会面启发了我。”

于是,Jordan在1980年获得硕士学位之后搬到了圣地亚哥,不久之后,他就开始跟随美国国家科学院院士、加州大学圣地亚哥分校心理学和认知科学教授David e . Rumelhart攻读认知科学博士学位,“他是这个领域权威学者,也是我的导师,他帮助我加深了对如何通过数学方法研究人类思维方式的兴趣。”

在他的博士学习接近尾声的时候,Jordan开始觉得有必要回归到研究推理和决策的广义问题上,并且意识到他对统计和控制理论的研究需要结合计算机科学领域的算法观点。

因此,在1985年获得认知科学博士学位后,他前往位于阿默斯特的马萨诸塞大学,与安德鲁·巴托(Andrew Barto)一起担任人工智能领域博士后研究员。

经过两年的博士后研究,Jordan于1988年接受了MIT大脑与认知科学系的助理教授职位,并开始建立一个研究小组,主要研究人类运动控制以及机器学习和推理。

1997年,加州大学伯克利分校(University of California at Berkeley)的统计学家彼得·比克尔(Peter Bickel)找到Jordan,邀请他加入加州大学统计系和计算机科学系,他欣然同意,开始了他在UC Berkeley的学术生涯。

在空闲时间,Jordan通过大量阅读和学习新语言来满足他的求知欲。作为一个以英语为母语的人,他还学会了西班牙语、法语和意大利语,“虽然没有人真正教我,我只是坐下来用另一种语言读一本小说,用另一种语言查单词,但不知何故,我用另一种语言发现了其背后所有微妙的含义。

”在学习这些语言的过程中,Jordan也表示他已经了解了这些语言背后的文化,包括他们的音乐和食物。“我是一个对一切事物充满好奇的人,所以我喜欢探索未知,接触那些我不知道的人、传统和文化。”

他也精通各种乐器,目前正痴迷于架子鼓。他说:“我喜欢打鼓时对身体律动的控制,通过这种控制竟然可以创造美妙的音乐。”当一个人演奏架子鼓,他的四肢都要同时参与其中,由于脚离大脑的距离比手远,所以同时敲击时,双脚接收到来自大脑的指令信号要比手早,“但这些无需我们专门思考,大脑会自动执行,让我好奇的是,所有这些精确的调节反馈都可以自动完成。我认为,对于未来的几代人来说,这些都是非常值得探索研究的课题。”

Jordan如何看AI?

2018年4月26日,在GMIC 北京2018大会的首场峰会——全球人工智能领袖峰会上,Michael Jordan教授与腾讯AI Lab主任张潼、IDG资本合伙人牛奎光、小米云平台副总裁崔宝秋进行了圆桌论坛,探讨了AI与商业化。

在Michael Jordan看来,国外不是微软、Google、Facebook在AI技术上领先。在事实经验上,领先的是亚马逊。AI此前主要是称为机器学习,在这件事情上,亚马逊是最早的。

他分享到,在上世纪九十年代亚马逊已经用AI和深度学习能够很好地进行工业链的建模。对于亚马逊这样庞大的电商来说,必须依赖于整个供应链来管理数十亿美元产品,需要对整个供应链有清晰的了解。他们当时用深度学习和建模就能做到。此外,亚马逊还做AB测试,对网站每个像素都做了测试,以给出正确的像素、颜色。这都是很多年前的事情了。

雷锋网注:2017年5月27日,Michael I.Jordan 正式加盟蚂蚁金服,出任蚂蚁金服科学智囊团主席

雷锋网了解到,2017年5月,Michael Jordan加入了蚂蚁金服,作为智囊团主席和顾问。在他看来,像阿里巴巴这样的电商平台上有用户购买商品的数据,就可以在网站上做非常有用的工作,比如社交和搜索。

Google和Facebook意识到搜索和社交网站目前在人类沟通方面还有一些限制,正在努力用人工智能的自然语言处理和决策能力使其变得更聪明,Jordan认为这些是非常有意思的项目,但是他对这些领域的进展显然不甚满意,“我觉得在这方面可能还不是很成功,现在只是引起了一些媒体的关注。”

Jordan进一步表明自己对于大公司应用AI的观点,“我不仅仅关注于研究,我也非常关注那样的一些公司,它们创建了一些数据流,并且很好的使用。不仅AI,AI只是其中的一面,AI只是简单的数学,是一种简单的方式,更有价值的是数据。高质量的数据,它可以使我们的测试达到某一目的,以正确的方式搜集数据,这样的话才可以生成相应的价值,给到提供数据的人。”

人工智能变革时代还没有到来

今年2月,在斯坦福由 Michael I.Jordan 、Jeff Dean、LeCun、李飞飞等多位人工智能领域的大师发起的系统机器学习会议 SysML上,Jordan就现在所谓的“AI”进行了抨击。

他认为,我们还未实现真正的AI,它需要依靠逻辑、推理、决策等运算的突破才能实现,但现在它们之间还存在明显脱节。一些经典 AI 领域,如计算机视觉、NLP 等还远未达到智能和实用的地步,有赖进一步研究和努力。

与此同时,传统的社交平台,如Facebook,还远没有真正地将人们连接起来。医疗、金融、音乐、餐饮等众多系统平台仍存在巨大的想象空间,要做到这些,需要研究者们跳出传统视角。

9月17日,在举行于上海的世界人工智能大会(WAIC 2018)上,Jordan教授发表了演讲;在演讲中,他提到了对于人工智能的新思路。

他表示,谈到人工智能,目前大家都想创造一个与人类一样的东西,但实际上,人们本质上是要创造的是一个系统,尤其是经济系统,而且是由智能性存在的系统。

在演讲中,Michael Jordan 提到了亚马逊所打造的欺诈检测系统。实际上,这个系统是利用机器学习技术,只不过用了更多了数据,而且建立的是端到端的系统。

他认为,目前我们对于世界上什么人类拥有智能了解不多,而且不知道怎么界定智能,可能二十年以后才能界定;因此我们没有必要模拟人类机器自身的智能,而是把市场和数据加在一起,可以有很大的赋能。

最后,Michael Jordan 表示,像人一样的 AI 是很好的目标,但是人们真正需要的其实不仅仅是人的智能、生物智能,还包括市场智能。

雷锋网注:2018年6月15日,Michael I. Jordan教授被北京大学授予“名誉教授”称号

Jordan 也在Medium专门发表了文章,阐述自己的观点。

他认为,当下的公众总是用「人工智能」这个词宽泛地囊括了所有和智慧相关的概念,这也就让新出现的科学技术的影响范围和后果变得很难讨论。

如今的「人工智能」在大多数情况下所指的,尤其是在公众讨论中,就是过去的几十年中我们称作「机器学习 Machine Learning」的东西。

机器学习是一门研究算法的学科,它从统计学、计算机科学和其它一些学科汲取了思想,用来设计能处理数据、做出预测、帮助人类决策的算法。至于对真实世界的影响,机器学习的影响是实实在在的,而且远不止是近期才有影响。

实际上,早在 1990 年代初的时候机器学习就已经表现出了明显的迹象可以对工业界产生巨大的影响,到了二十一世纪,亚马逊这样的有前瞻性的公司就已经把机器学习用到了公司业务的上上下下当中,处理着诈骗检测、逻辑链预测这样的后端问题,也构建了推荐系统这样的面向用户的创新服务。

随着数据集的大小和计算资源在过去的 20 年里突飞猛进,目前,不只是亚马逊,几乎任何可以依据大规模数据做出决策的企业都很快会把机器学习作为动力。

在过去的几年里,这种思想和技术潮流的融合也被我们称作了「人工智能」。然而这种称呼是值得我们仔细审视的。

一,虽然报纸上不会这样讲,但仿人类人工智能方向的研究实际上有很大限制,我们距离达到真正的仿人类人工智能的目标还非常远。不幸的是,仿人类人工智能领域的有限的进步也很容易引发人们的激动(以及恐惧),这让这个方向的研究本身过于火热、媒体关注也过多。任何其它的工程领域都看不到这样的现象。

二,如果是为了解决重要的智慧增强和智慧基础设施问题,那么仿人类人工智能相关领域的成功既不充分也不必要。

对于人工智能,Jordan表示了自己的担忧:“我们需要明白,如今普通大众讨论的这种专注于工业和学术中的很小一部分问题的人工智能,有极大的风险会让我们不再注意到人工智能、智能增强和智慧基础设施的全部范围内的挑战和问题。”

11月15日,机器学习泰斗Michael I. Jordan教授将参加由雷锋网联合乂学教育·松鼠AI,以及IEEE教育工程和自适应教育标准工作组共同举办的『全球AI 智适应教育峰会』,并发表主题演讲。