Sesgos inherentes : hice una investigación de pregrado bastante pesada en Berkeley y soy estudiante de doctorado en Stanford. Si bien tengo muchos amigos y compañeros de conferencias en MIT y CMU, y visité a ambos antes de tomar la decisión de mi escuela de posgrado, no estoy tan bien informado sobre sus fortalezas y debilidades. Se trata mucho más de impresiones a nivel de superficie de visitas y conferencias. Además, no sé casi nada sobre HCI, por lo que no intentaré mencionarlo. Mientras que trabajo en robótica, estaré sesgando esto excesivamente hacia disciplinas relacionadas con eso. Si quieres saber exactamente cómo soy parcial, Google acecha al contenido de tu corazón.
Descargos de responsabilidad obvios : Estas son las cuatro mejores universidades del mundo para IA, y personalmente me pareció extraordinariamente difícil elegir a qué escuela quería ir para graduarme. Las fortalezas o debilidades se califican en una curva muy, muy empinada: todas son fantásticas para lo que sea que le interese. Si menciono o no menciono a ningún profesor o grupo, es solo porque personalmente soy más o menos familiarizado con su trabajo; No es una evaluación de calidad en absoluto. Probablemente también olvidaré grupos que realmente no debería olvidar, y usaré nombres coloquiales que parecen irrespetuosos. Nada de esto es intencional. También usaré distinciones como “pionero / fundamental” frente a “joven / estrella de rock / ascendente”, lo que simplemente significa que el primero ha hecho contribuciones a su campo que han sido probadas y cambian el juego. Este último podría ser igual de bueno o mejor, pero no han existido lo suficiente como para hablar de su “legado”.
Campos que mencionaré : solo menciono cosas que son ampliamente consideradas “AI”. Esto incluye Aprendizaje automático / Modelos gráficos, Planificación, Visión por computadora, Robótica, Comp Bio, PNL y un poco de Gráficos en relación con los campos anteriores (por ejemplo, no me preocupan cosas como el trazado de rayos o la simulación, principalmente porque saber muy poco sobre ellos)
- ¿Se puede clasificar a un robot autorreplicante e artificialmente inteligente como un ser vivo?
- ¿Cuál será el próximo gran avance conceptual en redes neuronales artificiales, después del concepto de atención? ¿Cómo te imaginas que se está implementando?
- ¿Cuál es la mejor manera de aprender inteligencia artificial mientras se está en educación a tiempo completo? (escuela secundaria - 16 años)
- ¿Hay alguna conexión entre el aprendizaje automático y la inteligencia artificial?
- ¿Los sitios web necesitan un algoritmo de aprendizaje automático?
En orden decreciente de familiaridad:
Stanford podría caracterizarse por tener un porcentaje excesivamente alto de grandes nombres que han hecho contribuciones fundamentales en su campo, pero con menos grupos trabajando en elaborados sistemas de demostración / software de extremo a extremo. Encontrarás grupos que hacen Machine Learning puro (Andrew Ng en Deep Learning, Daphne Koller en Graphical Models, otros en el departamento de estadísticas), donde la aplicación particular es menos importante que el mecanismo subyacente. Jure Leskovec aplica técnicas de aprendizaje y teórica de grafos para modelar y analizar redes sociales. Pure Computer Vision está creciendo constantemente, con (además de ser la aplicación favorita de los grupos de ML) Fei-Fei Li y Silvio Savarese son muy respetados en el campo; Aquí suele haber un énfasis en el alto nivel, con más reconocimiento de objeto / escena / acción que, por ejemplo, estéreo, detección de bordes, segmentación, etc. Esos roles tienden a ser cubiertos por los grupos de Robótica y Gráficos. La robótica tiende a dividirse entre percepción (grupo de Sebastian Thrun), control / háptica / retroalimentación (Oussama Khatib, Ken Salisbury) sin cerrar mucho la brecha. El laboratorio de Allison Okamura es grande en el espacio de Robótica Quirúrgica. El departamento de Gráficos ha comenzado a trabajar cada vez más en la percepción 3D (un fuerte fuerte obvio después de años de trabajar con modelos 3D), generalmente con un énfasis en la reconstrucción / registro geométrico: Vladlen Koltun, Leo Guibas y Marc Levoy vienen a la mente. PNL es muy fuerte, con Dan Jurafsky, Chris Manning y Percy Liang que comprenden una fracción bastante considerable del campo. Finalmente, Comp Bio es enorme aquí, con Serafim Batzoglou, Gil Bejerano y Daphne Koller conformando el frente de IA.
Breve : un gran número de personas extremadamente “centrales” en sus respectivos campos, relativamente pocos de los cuales actualmente son jóvenes y buscan la tenencia. Investigación fantástica en los temas particulares enumerados anteriormente, con un poco menos de espíritu de colaboración interna (aunque siempre hay excepciones, y las colaboraciones entre departamentos son particularmente comunes). Si desea una analogía, creo que compararla con una empresa de investigación de Sillicon Valley de gran éxito (prestigio masivo para todos los altos mandos, ambiente divertido para los trabajadores, muchas exportaciones y una marca bien definida) sería justo.
Berkeley es un grupo muy diverso con, por lo que puedo ver, un alto grado de colaboración. La proporción de profesores antiguos / pioneros con respecto a los más jóvenes / multifacéticos es más baja, lo que no es una declaración de valor a favor o en contra. Donde en Stanford todo el mundo es un gran líder en un campo preexistente, en Berkeley encontrarás más que parecen dispuestos a probar cosas nuevas. Por supuesto, aquí también hay investigadores pioneros. En el frente de Machine Learning, Mike Jordan y Martin Wainwright son un equipo bastante difícil de vencer en los fundamentos de las estadísticas. También hay una investigación básica de IA / Lógica realizada por Stuart Russell, que, por lo que puedo decir, no tiene un análogo en Stanford. La visión por computadora es extremadamente fuerte con Jitendra Malik, (recién contratada por CMU) Alyosha Efros y Trevor Darrel, todos investigadores de alto perfil con laboratorios independientes. Si bien el alto nivel (por ejemplo, la detección de objetos) ciertamente está ahí, probablemente sea justo decir que hay una mayor diversidad de tareas de nivel inferior: 3D a partir de una sola imagen, segmentación, replanteamiento de la clasificación (dependiendo de qué aspectos de la investigación del Prof. Efros transferencias), etc. En el frente de la robótica, Pieter Abbeel es un profesor más joven con una amplia gama de intereses, desde el aprendizaje por refuerzo hasta el control y la percepción, y un gran énfasis en la construcción de sistemas de extremo a extremo; Ken Goldberg es un gran experto en robótica quirúrgica y en la nube, además de comprender el trabajo y toneladas de esfuerzos de colaboración con grupos de medios; Claire Tomlin trabaja en control y planificación, particularmente para sistemas híbridos; Ron Fearing realiza diseño y control mecánico, típicamente para pequeños robots biomimíticos. El lado de la IA de los gráficos con el que estoy bastante familiarizado aquí, aunque se sabe que James O’Brien colabora en proyectos de simulación para robótica. PNL también es muy fuerte, con Dan Klein siendo un verdadero rudo.
Breve: un grupo diverso que parece un poco más interesado en mezclar las cosas, con menos nombres “fundamentales” pero un mayor nivel de energía. Hay poca superposición entre la experiencia de los laboratorios; De ahí las colaboraciones. Si Stanford es una prestigiosa compañía SV, Berkeley es la contraparte de startups esbeltas.
(Aquí es donde mis relaciones personales se rompen, por lo que la cantidad de nombres específicos que doy probablemente disminuirá exponencialmente. Alguien más debería intervenir y conocer mejor estas escuelas, porque no hay forma de que les dé su merecido).
CMU es el epítome de la diversidad: piense en Berkeley con el número de profesores multiplicado por 50 … OK, eso fue una ligera exageración. Pero todo está sucediendo allí; la broma es que si hay algo que quieres hacer, probablemente hay un departamento que lleva su nombre. Por ejemplo, hay un departamento completo de Machine Learning con un proceso de admisión por separado. A partir de ahí recuerdo un gran énfasis en la resolución de grandes modelos gráficos aplicados a dominios particulares (especialmente en los regímenes de bio y salud). Con eso es un énfasis en Big Data ML: Carlos Guestrin es el nombre principal que viene a la mente, aunque recientemente se mudó a UW. También hay mucho trabajo algorítmico más fundamental, por ejemplo, los profesores Blum y IIRC, un énfasis en el aprendizaje permanente. Los grupos de Visión tienden a tener vínculos estrechos con la comunidad de Robótica, y muchos tienen citas dobles con el Instituto de Robótica. Martial Hebert y (hasta hace muy poco) Alyosha Efros colaboraron con frecuencia, trabajando en 3D, segmentación, detección de objetos y otras cosas similares. En el lado de la robótica pura, Drew Bagnell es enorme en aprendizaje, control y planificación; Sidd Srinivasa hace percepción, comprensión, HRI y muchos otros. Me sentiré culpable si olvido mencionarlo; Matt Mason es ampliamente conocido por hacer un trabajo fundamental en la comprensión; Manuela Veloso trabaja en percepción y planificación para robots móviles + fútbol de robots; y Chris Atkeson es grande en el control ágil. No sé absolutamente nada acerca de Gráficos, Comp Bio o PNL aquí, aunque sé que hay un departamento completo de PNL. Entonces mi falta de conocimiento no debería indicar remotamente una falta de investigación en curso.
Breve: Siempre tuve la sensación de que se trataba de una atmósfera extremadamente orientada a la comunidad, con un énfasis particularmente grande en sistemas de extremo a extremo y big data. Con todo un Instituto de Robótica, se trabaja mucho para crear sistemas funcionales, y es mucho más probable que veas robots en acción aquí que en cualquier otro lugar. A este respecto, diría que la investigación está mucho más orientada a la aplicación que algunos de los trabajos de “ciencia pura” de los grupos anteriores; aunque en mi opinión eso es una fortaleza, no una debilidad. Si Stanford es una poderosa corporación tecnológica y Berkeley es una startup esbelta, CMU es un grupo de expertos gigante. Aquí no hay una marca bien definida, pero hay toneladas de expertos que trabajan en campos superpuestos, tratando de lograr un objetivo bien definido.
MIT siempre será sinónimo de IA gracias a Marvin Minsky. Creo que es justo decir que su legado aún está allí bastante fuerte. Aquí se está trabajando mucho en los fundamentos más básicos de la IA clásica: por ejemplo, la planificación del espacio de creencias con Leslie Kaelbling y Tomas Lozano-Perez y un trabajo de investigación cognitiva muy bueno en el grupo de Josh Tenenbaum. Tommi Jakkola es grande en Machine Learning, con una aplicación principal en genética. Por el lado de la Visión por Computadora, Antonio Torralba es un nombre grande y joven en el campo, que hace reconocimiento de objetos y escenas pero con una habilidad especial para proyectos secundarios ingeniosos; Bill Freeman es más pionero, con importantes contribuciones a la fotografía computacional. Además del trabajo frecuente de aplicación en los grupos de IA anteriores, la robótica también tiene un gran componente Aero-Astro: Nick Roy y (recientemente) Julie Shah son grandes nombres en robótica aérea. De lo contrario, Russ Tedrake es grande en control óptimo para robots con patas (con demostraciones increíbles para demostrarlo), Daniella Rus trabaja en robótica distribuida, Seth Teller hace HRI (una generalización amplia, hay mucha variedad en su laboratorio). En el lado de la percepción de la robótica, John Leonard es muy importante en la comunidad de mapeo y navegación (por ejemplo, SLAM). Sé muy poco sobre la comunidad gráfica más amplia, pero Fredo Durand es un gran nombre en, entre otras cosas, la fotografía computacional. También sé vergonzosamente poco acerca de la PNL, pero ciertamente está ahí. Comp Bio también es enorme aquí, aunque no estoy lo suficientemente familiarizado con los laboratorios para entrar en detalles. Finalmente, las colaboraciones con el Laboratorio de Medios son bastante comunes, por lo que está sucediendo una gran cantidad de inteligencia artificial para instalaciones artísticas.
Breve: MIT es un caso atípico en todos los aspectos. Tiene muchas personas que han realizado un trabajo pionero en el campo de la IA, y si está buscando un trabajo de “IA fundamental” (especialmente planificación), podría decirse que está a la vanguardia. Sus grupos de robótica parecen sobresalir en navegación, control, etc. (lo que llamaría nivel bajo) y razonamiento abstracto (lo que llamaría nivel muy alto), sin un énfasis tan grande (que he visto) en la semántica. percepción. Y hay un gran grupo Comp Bio. Probablemente se parezcan más a Stanford en el estilo de investigación, pero con más del desglose de temas de Berkeley, es difícil comunicar lo que voy a hacer aquí, lo sé. No creo que tenga una analogía para que MIT vaya con los demás: no hay nada como eso. Básicamente comenzaron este campo, y siguen siendo algo completamente único.
Y ahora que probablemente he tergiversado y cabreado a una variedad de grupos, y casi seguramente me he olvidado de profesores increíbles, es hora de huir.
