2018伯克利冬令营(1)人工智能

北京时间1月28日下午至夜间,我们乘坐的航班在展开的北太平洋上留下一条弧型航线。

跨过国际日期变更线,抵达本次冬令营校园所在的城市——旧金山,时间依然是1月28日。加州正午,阳光灿烂。

图1 加州俯拍

乘车,吃饭,逛街。带东北口音的随行导游和两顿中国菜,让我们快速适应了这陌生的环境。晚上抵达宾馆,颇想唱上一曲《Hotel California》(加州旅馆)。在拥有冰箱、微波炉、浴缸、阳台、熨衣板的房间里,躺在一米五宽的大床上舒服地早早睡去,以倒时差。

图2 真·加州旅馆


言归正传,吃饱睡足后,终于在1月29日上午9点,开始了本次行程的第一节课。

第一堂课的主讲人是许倬师兄,本科清华大学,目前在伯克利做机器人相关的研究工作,为我们带来的演讲主题是「机器人的过去,现在和未来」。

Berkeley Time: 第一堂课之前有个小插曲,我们行程上的约定上课时间为上午9点,但师兄正式开始讲课的时间在9点10分。带队老师说这叫做「Berkeley Time」,因为伯克利的课程安排中间没有课间,而学生下课通常需要赶往另一个教室,因此学校形成习惯,即每堂课都会在整点后过10分钟再正式开始,这种现象被称为伯克利时间(Berkeley Time)。

图3 伯克利钟楼

回到课程本身,按师兄的原话说这个题目其实很大,不是很好讲。整堂课听下来觉得也确实如此,内容更多地集中于机器人概念的讨论,机器学习和深度学习相关的知识介绍、强化学习(Reinforcement Learning)在实际科研项目中的应用等。

什么是机器人?不同的人有不同的见解。师兄说,早些时候的设计会让机器人“Shape like human”,即披着金属外壳的机械手臂、人形装置等,后来也让机器人”Think like human”,即让机器学会思考和判断,最典型的应用就像会下围棋的「AlphaGo」。其实,不管是哪一种应用,最重要的理念是“Robots are tools”,即核心都是要为人类服务。

图4 大众眼中的机器人

接下来是师兄自己的研究方向相关介绍,这部分由机器学习和深度学习作为引入。因为我对大部分概念比较熟悉,听起来不怎么费力。主要内容如下:

  1. 机器学习:尝试寻找拟合数据的函数(模型)
  2. 回归和分类:优化问题
  3. CNN/RNN
  4. ImageNet。由于使用了8层神经网络,2012年Hinton等人在图像分类任务挑战中取得了突破性进步。
  5. 迁移学习:借用他人的模型,加入自己的数据,做针对性的优化。

图5 ImageNet和迁移学习

基础部分引入完成后,师兄开始讲解在机器人方面的应用,主要运用强化学习来完成机器人运动的优化。强化学习首先需要定义回报函数,即机器人作出正确的操作后可以获得奖赏(对应函数值升高),而作出错误操作时获得惩罚(对应函数值降低)。在反复试错和获得奖赏的过程模拟后,机器人便能“学习”出适合应用的运动方法。科研项目的细节内容中有部分是待发表的论文截图,因此不再细说。

图6 深度强化学习在自动驾驶中的应用

Q&A部分相对收获更多,因为个人也是直博,因此向师兄请教了博士期间的规划和安排,比如什么时候确定研究点,什么时候开始发表论文,师兄的回答十分中肯:

一年级会开始慢慢接触研究领域的核心工作,多与师兄师姐们和导师交流,认清自己。这与自身兴趣和所处环境都很相关

二年级决定研究方向,论文的产出以质量为重,并和职业规划相关。如果决定去业界就更多做偏工程方面的研究,并积极找实习。

二年级到四年级一般都是论文的投稿期,论文以质量为重,至少要做出能让自己觉得很不错的成果再考虑发论文。发论文的时间和数量也和导师的性格有关。

基本上这些就是第一堂课的内容了,很佩服师兄在二年级就能够全程英文进行授课和讲解。送自己一句鸡汤:这样的高度不是遥不可及,但需要加倍努力。(附一张许倬师兄的照片(来源:知乎网),听说曾经是清华校草(膜膜膜


丰盛的午餐过后进入下午的学习。讲师是Doctor Daniel Aranki,课程主题为人工智能(没错就是个这么大的题)

Aranki博士从人工智能的历史讲起,包括最初数学上的悖论、人工智能的两次黄金时期和一次严冬。之后提出问题:什么是人工智能?

一位同学直接给出很标准的回答:将一个自动化的设备放入房间,一个人隔着一堵墙与其对话,当这个人无法分辨房间内是否为真人时,这个设备就能够算是人工智能。

解决一个具体问题的过程可以划分为若干步骤及其决策,让机器找到解决问题的方法就需要用到搜索算法,于是讲了深搜和宽搜(DFS&BFS),有权图的搜索,启发式搜索,A*寻路等算法,基本上都是大二算法课上的内容,过程简单,不过听英文授课并且跟着想问题还是有点烧脑,当这位doctor一开始问有哪些常见的搜索算法时,我居然只用英文说出了最简单的DFS/BFS,并且其实挺期待他能讲讲AlphaGo里的蒙特卡洛搜索核心机制(然而并没有

搜索讲完了又回到机器学习相关的问题,这部分其实和上午的课程有不少重合,但讲得更为系统,包括经典的定义(可以参考这篇文章),类型(监督学习/无监督学习,漏掉了强化学习,不过上午已经讲过了),数据集划分方法,如何防止过拟合等。

图7 Dr.Aranki正在回答问题

最后放出必杀:以上讲解内容参考自「Artificial Intelligence: A Modern Approach

下午的课程给我的感觉像是:交互式无字幕科普性公开课。

Aranki神采奕奕、耐心、热情,这是整堂课过后最大的印象。听说日后的行程还会由他带着我们参观Intel公司,期待再会。


课程过后参观校园,附几张图片收尾。

图8 伯克利南楼:已有150余年历史,经历了美国数次大地震依然顽强屹立在校园内,目前为新闻学院所用。

图9 路边的小松鼠:校园自然环境很好,能时常看见小松鼠,并且不怎么怕人。

图10 钟楼前的大图书馆:这里图书馆大楼很多,有的学科还有自己单独的图书馆。

写于2018.1.30

坐标 上图中的图书馆

假装有打赏功能