國(guó)外媒體今天撰文指出，近年來(lái)人工智能（AI）取得了飛速發(fā)展，谷歌、Facebook和微軟等科技巨頭在語(yǔ)音和圖像識(shí)別等AI領(lǐng)域都獲得了重大突破，甚至有人認(rèn)為我們正生活在一個(gè)“以AI為先”的時(shí)代。但是，在AI的前進(jìn)道路上，目前仍然有三個(gè)巨大的障礙需要跨越。以下為文章全文：
在上個(gè)月于倫敦舉行的深度學(xué)習(xí)大會(huì)上，有一個(gè)特別值得關(guān)注的主題：謙卑，或者說(shuō)需要謙卑。
包括谷歌在內(nèi)的許多公司都信誓旦旦地宣稱，我們正生活在一個(gè)“以AI為先的時(shí)代”，機(jī)器學(xué)習(xí)也在語(yǔ)音和圖像識(shí)別等領(lǐng)域取得了突破，但是身在AI研究最前沿的人經(jīng)常指出，人類在這方面仍有大量工作要做。僅僅因?yàn)槲覀儞碛辛寺?tīng)上去像電影中會(huì)說(shuō)話的虛擬助手，并不意味著我們距離創(chuàng)造真正的人工智能更近一步。
我們?cè)谌斯ぶ悄苎芯款I(lǐng)域還面臨著諸多挑戰(zhàn)，比如需要海量數(shù)據(jù)來(lái)支持深度學(xué)習(xí)系統(tǒng)；我們還不能打造出不止擅長(zhǎng)一項(xiàng)任務(wù)的AI；我們對(duì)這些系統(tǒng)的工作原理缺乏認(rèn)識(shí)。2016年，機(jī)器學(xué)習(xí)創(chuàng)造了一系列極為出色的工具，但這些工具難以具體解釋，訓(xùn)練費(fèi)用高昂，即便對(duì)創(chuàng)造者來(lái)說(shuō)，它們往往也像是謎一般的存在。下面就讓我們來(lái)詳細(xì)闡述一下我們?cè)谌斯ぶ悄茴I(lǐng)域面臨的三大挑戰(zhàn)。
數(shù)據(jù)、數(shù)據(jù)，還是數(shù)據(jù)
眾所周知，人工智能需要數(shù)據(jù)來(lái)了解世界，但我們往往會(huì)忽視數(shù)據(jù)多少的重要性。英國(guó)謝菲爾德大學(xué)機(jī)器學(xué)習(xí)教授、亞馬遜人工智能團(tuán)隊(duì)成員尼爾·勞倫斯（Neil Lawrence）指出，若想理解概念或識(shí)別某項(xiàng)功能，這些系統(tǒng)不僅需要比人類更多 的信息，而且需要的信息數(shù)量更是多出人類數(shù)十萬(wàn)倍。
勞倫斯說(shuō)：“如果你看一看深度學(xué)習(xí)在哪些領(lǐng)域的應(yīng)用取得了成功，那么會(huì)發(fā)現(xiàn)這些往往是我們需要大量數(shù)據(jù)的領(lǐng)域。”例如，在語(yǔ)音和圖像識(shí)別領(lǐng)域，谷歌和Facebook等科技巨頭都擁有海量數(shù)據(jù)（如安卓設(shè)備上的語(yǔ)音搜索），令他們可以輕松開(kāi)發(fā)有用的工具。
勞倫斯稱，當(dāng)前，數(shù)據(jù)就像是工業(yè)革命早期的煤炭。他還以湯瑪斯·紐科門（Thomas Newcomen）為例來(lái)說(shuō)明這一點(diǎn)。紐科門是英國(guó)人，在1712年發(fā)明了以煤為燃料的原始蒸汽機(jī)，比詹姆斯·瓦特（James Watt）發(fā)明先進(jìn)蒸汽機(jī)早了大概60年。紐科門發(fā)明的蒸汽機(jī)并不太好，相比瓦特蒸汽機(jī)，效率低，費(fèi)用高。這意味著，它只能在煤田使用——煤田有足夠多的燃料來(lái)克服蒸汽機(jī)的諸多不利條件。
國(guó)外媒體今天撰文指出，近年來(lái)人工智能（AI）取得了飛速發(fā)展，谷歌、Facebook和微軟等科技巨頭在語(yǔ)音和圖像識(shí)別等AI領(lǐng)域都獲得了重大突破，甚至有人認(rèn)為我們正生活在一個(gè)“以AI為先”的時(shí)代。但是，在AI的前進(jìn)道路上，目前仍然有三個(gè)巨大的障礙需要跨越。以下為文章全文：
在上個(gè)月于倫敦舉行的深度學(xué)習(xí)大會(huì)上，有一個(gè)特別值得關(guān)注的主題：謙卑，或者說(shuō)需要謙卑。
包 括谷歌在內(nèi)的許多公司都信誓旦旦地宣稱，我們正生活在一個(gè)“以AI為先的時(shí)代”，機(jī)器學(xué)習(xí)也在語(yǔ)音和圖像識(shí)別等領(lǐng)域取得了突破，但是身在AI研究最前沿的人經(jīng)常指出，人類在這方面仍有大量工作要做。僅僅因?yàn)槲覀儞碛辛寺?tīng)上去像電影中會(huì)說(shuō)話的虛擬助手，并不意味著我們距離創(chuàng)造真正的人工智能更近一步。
我們?cè)谌斯ぶ悄苎芯款I(lǐng)域還面臨著諸多挑戰(zhàn)，比如需要海量數(shù)據(jù)來(lái)支持深度學(xué)習(xí)系統(tǒng)；我們還不能打造出不止擅長(zhǎng)一項(xiàng)任務(wù)的AI；我們對(duì)這些系統(tǒng)的工作原理缺乏認(rèn)識(shí)。2016年，機(jī)器學(xué)習(xí)創(chuàng)造了一系列極為出色的工具，但這些工具難以具體解釋，訓(xùn)練費(fèi)用高昂，即便對(duì)創(chuàng)造者來(lái)說(shuō)，它們往往也像是謎一般的存在。下面就讓我們來(lái)詳細(xì)闡述一下我們?cè)谌斯ぶ悄茴I(lǐng)域面臨的三大挑戰(zhàn)。
數(shù)據(jù)、數(shù)據(jù)，還是數(shù)據(jù)
眾所周知，人工智能需要數(shù)據(jù)來(lái)了解世界，但我們往往會(huì)忽視數(shù)據(jù)多少的重要性。英國(guó)謝菲爾德大學(xué)機(jī)器學(xué)習(xí)教授、亞馬遜人工智能團(tuán)隊(duì)成員尼爾·勞倫斯（Neil Lawrence）指出，若想理解概念或識(shí)別某項(xiàng)功能，這些系統(tǒng)不僅需要比人類更多的信息，而且需要的信息數(shù)量更是多出人類數(shù)十萬(wàn)倍。
勞倫斯說(shuō)：“如果你看一看深度學(xué)習(xí)在哪些領(lǐng)域的應(yīng)用取得了成功，那么會(huì)發(fā)現(xiàn)這些往往是我們需要大量數(shù)據(jù)的領(lǐng)域。”例如，在語(yǔ)音和圖像識(shí)別領(lǐng)域，谷歌和Facebook等科技巨頭都擁有海量數(shù)據(jù)（如安卓設(shè)備上的語(yǔ)音搜索），令他們可以輕松開(kāi)發(fā)有用的工具。
勞倫斯稱，當(dāng)前，數(shù)據(jù)就像是工業(yè)革命早期的煤炭。他還以湯瑪斯·紐科門（Thomas Newcomen）為例來(lái)說(shuō)明這一點(diǎn)。紐科門是英國(guó)人，在1712年發(fā)明了以煤為燃料的原始蒸汽機(jī)，比詹姆斯·瓦特（James Watt）發(fā)明先進(jìn)蒸汽機(jī)早了大概60年。紐科門發(fā)明的蒸汽機(jī)并不太好，相比瓦特蒸汽機(jī)，效率低，費(fèi)用高。這意味著，它只能在煤田使用——煤田有足夠多的燃料來(lái)克服蒸汽機(jī)的諸多不利條件。
這是一種頗具前景的方法，在最新實(shí)驗(yàn)中，它甚至可以應(yīng)用于機(jī)械臂——將機(jī)械臂的學(xué)習(xí)過(guò)程從過(guò)去的幾周，縮短為現(xiàn)在的一天。然而，這種方法也存在諸多嚴(yán)重的短板，哈德塞爾稱漸進(jìn)神經(jīng)網(wǎng)絡(luò)不能持續(xù)地在“記憶”中增加新任務(wù)。她說(shuō)，如果你將幾條鐵鏈子連在一起，那么整條鏈子遲早“變得過(guò)于龐大，難以駕馭”。到那個(gè)時(shí)候，我們正在管理的不同任務(wù)基本上都是相同的——打造一種智力相當(dāng)于人類的系統(tǒng)，可以寫詩(shī)、解決微分方程、設(shè)計(jì)椅子，這種系統(tǒng)也將成為與眾不同的東西。
缺乏對(duì)AI內(nèi)部機(jī)制的了解
另一個(gè)重大挑戰(zhàn)是，理解人工智能如何得出它們的結(jié)論。對(duì)于外行人來(lái)說(shuō)，神經(jīng)系統(tǒng)通常是謎一般的存在。雖然我們了解了如何將它們連接起來(lái)的辦法，也了解了經(jīng)過(guò)這些系統(tǒng)的信息，但這些系統(tǒng)為何會(huì)作出某些決定，原因往往是我們難以理解的。
弗吉尼亞理工學(xué)院的一次實(shí)驗(yàn)，就充分展現(xiàn)了這一挑戰(zhàn)。研究人員給神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)了一種眼部追蹤系統(tǒng)，將計(jì)算機(jī)最先看到的像素記錄下來(lái)。研究人員將一張臥室的神經(jīng)網(wǎng)絡(luò)照片拿給該系統(tǒng)看，然后問(wèn)：“蓋住窗戶的是什么東西？”他們發(fā)現(xiàn)，該系統(tǒng)并沒(méi)有看窗戶，而是朝地上看了看。
接著，如果發(fā)現(xiàn)了一張床，它會(huì)回答“窗簾蓋住了窗戶”。該系統(tǒng)碰巧給出了正確答案，但這只是因?yàn)樗邮苡?xùn)練時(shí)的數(shù)據(jù)有限。根據(jù)研究人員向它展示的照片，神經(jīng)網(wǎng)絡(luò)得出了這樣的一個(gè)結(jié)論，即如果是在臥室中，那么窗戶上一定要窗簾。所以，只要看到床，該系統(tǒng)就不會(huì)再看第二眼了——它已經(jīng)看到過(guò)窗簾了。當(dāng)然，這合乎邏輯，但卻是很愚蠢的做法。許多臥室根本就沒(méi)有窗簾！
眼部追蹤只是一個(gè)揭示AI內(nèi)部機(jī)制的方法，另一個(gè)方法可能是給深度學(xué)習(xí)系統(tǒng)注入更多的連貫性。倫敦大學(xué)帝國(guó)理工學(xué)院認(rèn)知機(jī)器人科學(xué)教授莫里·沙納漢（Murray Shanahan）表示，實(shí)現(xiàn)這一目的的途徑是，重新采用一種名為“有效的老式人工智能”（ GOFAI）的傳統(tǒng)機(jī)器學(xué)習(xí)方法。這種方法是基于一個(gè)假想提出的，即腦海中發(fā)生的東西可以縮減為基本的邏輯，讓世界由眾多復(fù)雜的符號(hào)來(lái)定義。通過(guò)將這些表示動(dòng)作、事件和物體的符號(hào)結(jié)合起來(lái)，你基本上可以形成自己的看法。
沙納漢建議，我們應(yīng)該吸取GOFAI的符號(hào)描述方法，然后與深度學(xué)習(xí)結(jié)合起來(lái)。這些系統(tǒng)將成為人工智能系統(tǒng)了解世界的一個(gè)起點(diǎn)，而不是不斷提供數(shù)據(jù)，等待其識(shí)別某些圖像。他說(shuō)，這種辦法不僅可以解決AI的透明度問(wèn)題，而且還能解決哈德塞爾提出的轉(zhuǎn)移學(xué)習(xí)成果的問(wèn)題。
沙納漢說(shuō)：“可以這樣說(shuō)，《Breakout》類似于《Pong》，因?yàn)樗鼈兌嫉玫搅藰颓颍氨热祟惖恼J(rèn)知能力將它們以更大的規(guī)模連接起來(lái)，就像是原子結(jié)構(gòu)和太陽(yáng)系結(jié)構(gòu)之間的連接一樣。”沙納漢及其團(tuán)隊(duì)正在開(kāi)發(fā)一種新的方法（他們稱之為“深度符號(hào)增強(qiáng)學(xué)習(xí)法”），并且公布了一些實(shí)驗(yàn)成果。
這項(xiàng)研究目前仍然處于初級(jí)階段，發(fā)現(xiàn)它是否可以應(yīng)用于更大的系統(tǒng)和不同類型的數(shù)據(jù)，將更加具有說(shuō)服力。但是，它很有可能會(huì)演變?yōu)楦嗟臇|西。畢竟，在研究人員近年來(lái)開(kāi)始挖掘廉價(jià)數(shù)據(jù)和大量處理能力之前，深度學(xué)習(xí)本身就是AI當(dāng)中一個(gè)不受垂青的部分。也許，現(xiàn)在到了AI迎來(lái)再一次爆發(fā)，在新環(huán)境下大展身手的時(shí)候了。
