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(chēng)，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(lèi)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(huà)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?zhuān)?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(NeilLawrence)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(lèi)更多的信息，而且需要的信息數(shù)量更是多出人類(lèi)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(chēng)，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(mén)(ThomasNewcomen)為例來(lái)說(shuō)明這一點(diǎn)。紐科門(mén)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(JamesWatt)發(fā)明先進(jìn)蒸汽機(jī)早了大概60年。紐科門(mén)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。

　　Facebook開(kāi)源的圖像識(shí)別工具

　　勞倫斯表示，如今世界各地存在著數(shù)百個(gè)“紐科門(mén)”，他們正在開(kāi)發(fā)自己的機(jī)器學(xué)習(xí)工具。這些工具可能具有革命性，但沒(méi)有數(shù)據(jù)來(lái)支撐它們，所以我們將永遠(yuǎn)無(wú)法知道結(jié)果如何。谷歌、Facebook和微軟等科技巨頭就好像是今天的“煤礦”。他們擁有豐富的數(shù)據(jù)，也有經(jīng)濟(jì)能力來(lái)運(yùn)行效率不高的機(jī)器學(xué)習(xí)系統(tǒng)并加以改善。

　　規(guī)模更小的創(chuàng)業(yè)公司可能有不錯(cuò)的創(chuàng)意，但如果沒(méi)有數(shù)據(jù)支撐，他們就無(wú)力跟進(jìn)科技巨頭在這個(gè)領(lǐng)域的動(dòng)作。如果看一看你難以獲得數(shù)據(jù)的其他領(lǐng)域，會(huì)發(fā)現(xiàn)問(wèn)題甚至更嚴(yán)重。以醫(yī)療保健為例，人工智能正被用于機(jī)器視覺(jué)任務(wù)，如識(shí)別X光片中的腫瘤，但這個(gè)領(lǐng)域的數(shù)字化數(shù)據(jù)卻很少。

　　正如勞倫斯所指出的，問(wèn)題的棘手之處就在于，“迫使人們不厭其煩地去獲取數(shù)據(jù)，被普遍認(rèn)為是不道德的事情”。勞倫斯表示，這里的問(wèn)題不是尋找分發(fā)數(shù)據(jù)的途徑，而是如何讓深度學(xué)習(xí)系統(tǒng)變得更高效，可以在數(shù)據(jù)更少的情況下使用。就如同瓦特蒸汽機(jī)相比紐科門(mén)蒸汽機(jī)有了巨大突破一樣，人工智能的研究若想取得突破，可能也需要60年。

　　需要具備多任務(wù)處理能力

　　深度學(xué)習(xí)面臨的另一個(gè)重大挑戰(zhàn)是，當(dāng)前所有的AI系統(tǒng)基本上就是“紙上談兵”。據(jù)谷歌Deep Mind研究小組科學(xué)家拉伊亞·哈德塞爾(Raia Hadsell)介紹，一旦經(jīng)過(guò)訓(xùn)練，它們可以極為高效地應(yīng)對(duì)一些任務(wù)，比如識(shí)別貓咪或是玩Atari游戲，但是，“目前世界上沒(méi)有神經(jīng)網(wǎng)絡(luò)或任何方法在經(jīng)過(guò)訓(xùn)練后，可以識(shí)別物體和圖像，玩《太空侵略者》游戲，聽(tīng)音樂(lè)。”神經(jīng)網(wǎng)絡(luò)(Neuralnetwork)是深度系統(tǒng)系統(tǒng)的基本組成部分。

　　實(shí)際上，問(wèn)題比實(shí)際情況還嚴(yán)重。谷歌Deep Mind團(tuán)隊(duì)去年2月份宣布，它已經(jīng)開(kāi)發(fā)了一種能在49個(gè)游戲中勝出的系統(tǒng)，雖然這肯定是巨大的科學(xué)成就，但每次擊敗某款游戲，該系統(tǒng)都需要再次進(jìn)行訓(xùn)練，以便在下一次的較量中勝出。正如哈德塞爾所指出的，你不能同時(shí)試著學(xué)會(huì)所有不同的游戲，因?yàn)椴煌螒虻囊?guī)則會(huì)相互干擾。你可以一次學(xué)習(xí)一個(gè)游戲規(guī)則，但最終會(huì)忘了前幾個(gè)游戲的規(guī)則?！叭粝雽?shí)現(xiàn)通用型人工智能，我們就需要一種能學(xué)會(huì)多任務(wù)處理的東西，”哈德塞爾說(shuō)，“但是，我們現(xiàn)在甚至不能掌握多個(gè)游戲規(guī)則?！?/p>

　　解決這一問(wèn)題就需要一種稱(chēng)為“漸進(jìn)神經(jīng)網(wǎng)絡(luò)”(progressiveneural network)的東西——這意味著要將不同深度學(xué)習(xí)系統(tǒng)連接起來(lái)，令其可以傳遞某些信息片段。今年6月份，哈德塞爾的團(tuán)隊(duì)就這一話(huà)題發(fā)表了一篇論文，稱(chēng)他們開(kāi)發(fā)的漸進(jìn)神經(jīng)網(wǎng)絡(luò)可以適應(yīng)規(guī)則略有不同的多款《Pong》游戲，而且適應(yīng)的速度遠(yuǎn)超正常的神經(jīng)網(wǎng)絡(luò)——后者必須從零開(kāi)始了解每個(gè)游戲的規(guī)則。

　　漸進(jìn)神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

　　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(chēng)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(lèi)的系統(tǒng)，可以寫(xiě)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(hù)的是什么東西?”他們發(fā)現(xiàn)，該系統(tǒng)并沒(méi)有看窗戶(hù)，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(hù)”。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(hù)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(lèi)似于《Pong》，因?yàn)樗鼈兌嫉玫搅藰颓?，但堪比人?lèi)的認(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?！鄙臣{漢及其團(tuán)隊(duì)正在開(kāi)發(fā)一種新的方法(他們稱(chēng)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(lèi)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。