Yoshua Bengio：我的一生

---

  新智元报道  

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。

文章链接：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 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」。

爱上一个研究方向

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：

1. 海量&海量的数据；

2. 非常灵活的模型；

3. 足够的算力；

4. 计算效率推断；

5. 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；

• 关注分布式表征（如单词表征）；

• 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「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：

▲2010-2012 年:语音识别领域取得突破

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）

生成对抗网络 GAN

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：