麻省理工机器学习峰会：人工智能重塑世界
2017-04-19
据麻省理工学院网站报道，在麻省理工学院和风险投资公司Pillar联合举办的机器学习峰会上，行业领导者、计算机科学家以及风险投资家汇聚一堂，讨论智能计算机如何重塑我们的世界。
战胜乳腺癌的经历改变了麻省理工学院教授瑞加娜·巴尔齐莱（Regina Barzilay）的研究方向。这段经历清楚明白地告诉她，肿瘤医生及其患者极度缺乏以数据为驱动的决策工具。这不仅包括推荐哪些治疗方法，还包括患者的样品是否真的能确诊癌症，她在峰会上表示：“我们更多地将机器学习用于确定会在亚马逊网站（Amazon）上购买哪支口红，而不是确定是否应接受癌症治疗。”
现在，巴尔齐莱教授使用“机器学习”这种强大预测性方法研究智能计算可以如何帮助患者。借助这项技术，ows计算机可以在获得足够数据和训练的前提下，自行辨认出模式，有时甚至能够超出人类可以指出的模式。
一直以来，机器学习在消费产品领域被大肆报道（例如，苹果公司的Siri可以和我们聊天，是因为机器学习让她能够理解自然人类语言），而本次峰会让大家得以瞥见这个方法更广阔的前景。它不仅能够提供更好的Siri（例如，亚马逊的“Alexa”），还能够改进医疗保健和政府政策。
机器智能“绝对会彻底改变我们的生活”，Pillar的联合创始人表示。他也是这次会议的组织者之一。该会议让行业领导者，风险投资家，学生，以及来自计算机科学与人工智能实验室（CSAIL），数据、系统和社会学院（IDSS），信息与决策系统实验室（LIDS）的教职人员齐聚一堂，讨论真实世界中的问题以及机器学习解决方案。
巴尔齐莱教授已经沿着这个方向思考，其小组的工作旨在帮助医生和患者借助机器学习做出更明智的决策。她设想未来的患者来到肿瘤医生的办公室时，医生可以告诉患者：“如果您采用这种治疗方法，治愈几率会如何变化。”
机器感知
机器学习已被证明十分强大。但该校一名教授认为，机器可以更快速地学习，从而完成更多任务。他的团队所采用的方法是模仿人类在婴儿时期的学习方式。他说：“我们从玩耍开始，了解各种事物给我们带来的感受。”为了说明这一点，他播放了一段婴儿手中翻转发出吱吱响声的气泡包装膜的视频。“重点在于，我们注意到，移动这些物品时，物品会发出各种声音。”
为了让机器能够以类似的方式感受这个世界，他的一名学生录下了自己使用木槌轻击超过1000种物品的声音。这个声音集合被称之为“最美敲击（Greatest Hits）”，包括木槌敲击陶瓷杯具、灌木摇曳和流水飞溅时的声音。获得这些视频输入后，计算机可以开始预测这个世界的声音，并从本质上反映其物理特性。这都无需做出明确的指示。
日常场景视频（没有木槌）也被证明是机敏的老师。通常会使用带注释的图片训练机器，指导它们辨识物体。这意味着程序员会十分细致地列出照片中的每个物体，例如人、灯和高脚椅，以便计算机能够学会如何识别它们。但该团队发现，通过向计算机提供具有物体声音的视频（例如街道的环境噪声或人们的谈话声），机器的神经网络可以在无需任何指导的情况下开始辨识物体。
该教授介绍了使用这种方法训练的机器如何开始识别水、天空和人脸。机器能够非常熟练地识别婴儿，因为“他们会发出非常特别的声音，”他说。识别的声音保存在机器的人造神经元中。他补充道：“有许多专用于婴儿的单元。”
决策辅助者
机器完成学习后，就能够帮助专家更好地决策。麻省理工学院一名助理教授演示了如何通过尽可能多地识别信息数据，让机器更快速地学习、更可靠地预测。她的团队最近开发了新技术，让这个过程变得更加可行。
同时，精明的机器还可以帮助我们评估政策。麻省理工学院的另一名助理教授演示了如何实现这一目的。她的团队与经济学家合作，重点关注如何快速准确地量化不确定性这一问题。例如，小额贷款（即为人们提供用于创业的小额贷款）是否能够真正帮助减轻贫困，需要了解与这些贷款的回报有关的变动后才能得出结论。
要求计算机告诉我们贷款多创造了多少价值时（例如，通过3美元的投资获得了4美元的回报），我们还可以使用机器学习来评估结果的可靠性。如果我们要调整模型，会发生什么？她问道：“我们最终是否会获得同样的数字？还是我们会获得完全不同的数字，从而做出完全不同的行动决策（即制定何种政策）？”机器学习可以为我们指引方向。
关于医疗保健
但是，在峰会上讨论最多的机器智能应用领域是医疗保健。计算机科学与人工智能实验室的一名研究生在陈述会上分享了自己的成果——名为“Lana”的个人营养师应用。我们可以告诉她午餐吃了什么，她会推荐在下一餐吃的富有营养的食品。
癌症幸存者巴尔齐莱想为计算机提供临床报告和医学扫描结果输入。这些图像包含大量信息，但单靠人类无法系统阐述，她指出。例如，如果机器获得您的乳腺X光片，它就可能识别出某种疗法有90%的几率有效。
在同事的帮助下，巴尔齐莱教授还在研究如何提取机器的推理，这一工作虽然更加艰难但很有必要。她表示：“医生们并不满意在最后只获得一个数字，他们需要知道为什么。”
在医生办公室以外的地方，智能机器也可帮助决策。阿曼（Aman）在与美国信息技术公司Actifio首席执行官的非正式访谈中说道，能够实施机器学习的数据科学家已在政府机构中变得无所不在。他目前供职于默克药业（Merck）的药品研发部门，曾在巴拉克·奥巴马（Barack Obama）总统的科学和技术政策办公室（Office of Science and Technology Policy）工作。这位总统在其任期内大力推进所有病历的数字化工作。“就医疗保健而言，我们已从数据收集、捕获、生产和分析的石器时代来到所有这些环节的‘工业时代’，并且仍在继续这一过程。”他表示，“所以，第一个阶段是系统数字化，下一阶段是美国政府向各个部门发布数据。”
据麻省理工学院网站报道，在麻省理工学院和风险投资公司Pillar联合举办的机器学习峰会上，行业领导者、计算机科学家以及风险投资家汇聚一堂，讨论智能计算机如何重塑我们的世界。
战胜乳腺癌的经历改变了麻省理工学院教授瑞加娜·巴尔齐莱（Regina Barzilay）的研究方向。这段经历清楚明白地告诉她，肿瘤医生及其患者极度缺乏以数据为驱动的决策工具。这不仅包括推荐哪些治疗方法，还包括患者的样品是否真的能确诊癌症，她在峰会上表示：“我们更多地将机器学习用于确定会在亚马逊网站（Amazon）上购买哪支口红，而不是确定是否应接受癌症治疗。”
现在，巴尔齐莱教授使用“机器学习”这种强大预测性方法研究智能计算可以如何帮助患者。借助这项技术，ows计算机可以在获得足够数据和训练的前提下，自行辨认出模式，有时甚至能够超出人类可以指出的模式。
一直以来，机器学习在消费产品领域被大肆报道（例如，苹果公司的Siri可以和我们聊天，是因为机器学习让她能够理解自然人类语言），而本次峰会让大家得以瞥见这个方法更广阔的前景。它不仅能够提供更好的Siri（例如，亚马逊的“Alexa”），还能够改进医疗保健和政府政策。
机器智能“绝对会彻底改变我们的生活”，Pillar的联合创始人表示。他也是这次会议的组织者之一。该会议让行业领导者，风险投资家，学生，以及来自计算机科学与人工智能实验室（CSAIL），数据、系统和社会学院（IDSS），信息与决策系统实验室（LIDS）的教职人员齐聚一堂，讨论真实世界中的问题以及机器学习解决方案。
巴尔齐莱教授已经沿着这个方向思考，其小组的工作旨在帮助医生和患者借助机器学习做出更明智的决策。她设想未来的患者来到肿瘤医生的办公室时，医生可以告诉患者：“如果您采用这种治疗方法，治愈几率会如何变化。”
机器感知
机器学习已被证明十分强大。但该校一名教授认为，机器可以更快速地学习，从而完成更多任务。他的团队所采用的方法是模仿人类在婴儿时期的学习方式。他说：“我们从玩耍开始，了解各种事物给我们带来的感受。”为了说明这一点，他播放了一段婴儿手中翻转发出吱吱响声的气泡包装膜的视频。“重点在于，我们注意到，移动这些物品时，物品会发出各种声音。”
为了让机器能够以类似的方式感受这个世界，他的一名学生录下了自己使用木槌轻击超过1000种物品的声音。这个声音集合被称之为“最美敲击（Greatest Hits）”，包括木槌敲击陶瓷杯具、灌木摇曳和流水飞溅时的声音。获得这些视频输入后，计算机可以开始预测这个世界的声音，并从本质上反映其物理特性。这都无需做出明确的指示。
日常场景视频（没有木槌）也被证明是机敏的老师。通常会使用带注释的图片训练机器，指导它们辨识物体。这意味着程序员会十分细致地列出照片中的每个物体，例如人、灯和高脚椅，以便计算机能够学会如何识别它们。但该团队发现，通过向计算机提供具有物体声音的视频（例如街道的环境噪声或人们的谈话声），机器的神经网络可以在无需任何指导的情况下开始辨识物体。
该教授介绍了使用这种方法训练的机器如何开始识别水、天空和人脸。机器能够非常熟练地识别婴儿，因为“他们会发出非常特别的声音，”他说。识别的声音保存在机器的人造神经元中。他补充道：“有许多专用于婴儿的单元。”
决策辅助者
机器完成学习后，就能够帮助专家更好地决策。麻省理工学院一名助理教授演示了如何通过尽可能多地识别信息数据，让机器更快速地学习、更可靠地预测。她的团队最近开发了新技术，让这个过程变得更加可行。
同时，精明的机器还可以帮助我们评估政策。麻省理工学院的另一名助理教授演示了如何实现这一目的。她的团队与经济学家合作，重点关注如何快速准确地量化不确定性这一问题。例如，小额贷款（即为人们提供用于创业的小额贷款）是否能够真正帮助减轻贫困，需要了解与这些贷款的回报有关的变动后才能得出结论。
要求计算机告诉我们贷款多创造了多少价值时（例如，通过3美元的投资获得了4美元的回报），我们还可以使用机器学习来评估结果的可靠性。如果我们要调整模型，会发生什么？她问道：“我们最终是否会获得同样的数字？还是我们会获得完全不同的数字，从而做出完全不同的行动决策（即制定何种政策）？”机器学习可以为我们指引方向。
关于医疗保健
但是，在峰会上讨论最多的机器智能应用领域是医疗保健。计算机科学与人工智能实验室的一名研究生在陈述会上分享了自己的成果——名为“Lana”的个人营养师应用。我们可以告诉她午餐吃了什么，她会推荐在下一餐吃的富有营养的食品。
癌症幸存者巴尔齐莱想为计算机提供临床报告和医学扫描结果输入。这些图像包含大量信息，但单靠人类无法系统阐述，她指出。例如，如果机器获得您的乳腺X光片，它就可能识别出某种疗法有90%的几率有效。
在同事的帮助下，巴尔齐莱教授还在研究如何提取机器的推理，这一工作虽然更加艰难但很有必要。她表示：“医生们并不满意在最后只获得一个数字，他们需要知道为什么。”
在医生办公室以外的地方，智能机器也可帮助决策。阿曼（Aman）在与美国信息技术公司Actifio首席执行官的非正式访谈中说道，能够实施机器学习的数据科学家已在政府机构中变得无所不在。他目前供职于默克药业（Merck）的药品研发部门，曾在巴拉克·奥巴马（Barack Obama）总统的科学和技术政策办公室（Office of Science and Technology Policy）工作。这位总统在其任期内大力推进所有病历的数字化工作。“就医疗保健而言，我们已从数据收集、捕获、生产和分析的石器时代来到所有这些环节的‘工业时代’，并且仍在继续这一过程。”他表示，“所以，第一个阶段是系统数字化，下一阶段是美国政府向各个部门发布数据。”
