目前的人工智能缺失了一個(gè)關(guān)鍵環(huán)節

　　2012年，谷歌神秘機構X實(shí)驗室里的一項令人驚奇的項目被世界所知曉。這些擁有三百萬(wàn)個(gè)神經(jīng)元的模擬神經(jīng)網(wǎng)絡(luò )在沒(méi)有人工幫助的情況下，只依靠從YouTube里獲得的圖片就識別出了圖片中的貓和人物。

　　項目的成員組建了一個(gè)新的研究小組，這就是公司搜索部門(mén)下面的“谷歌大腦”( Google Brain)。他們和其他的研究者一起很快向世界證明了一個(gè)擁有幾十年歷史的發(fā)明——人工神經(jīng)網(wǎng)絡(luò )將圖像識別和語(yǔ)音識別的精確度提升到了一個(gè)前所未有的新高度。深度學(xué)習的成功促使谷歌和其他公司開(kāi)始大舉投資人工智能，甚至使一些專(zhuān)家開(kāi)始宣稱(chēng)“我們應該為出現比人類(lèi)更加聰明的軟件做好準備。”

　　然而，谷歌這個(gè)“貓檢測器”在某種程度上是一條死胡同。近期深度學(xué)習的成功是建立在那些需要人工幫助其學(xué)習的軟件之上的，這極大限制了人工智能的上升空間。

　　谷歌的實(shí)驗使用了一種非監督式學(xué)習的方法，軟件被輸入未經(jīng)加工的原始數據，然后必須在沒(méi)有人工幫助的情況下計算出結果。盡管它可以學(xué)會(huì )識別貓、人臉和其他物體，但它的精確度還沒(méi)有達到可以使用的水平。深度學(xué)習研究和基于此的產(chǎn)品開(kāi)發(fā)的爆發(fā)都是基于監督式學(xué)習，數據需要人工打好標簽之后再提供給軟件——例如，我們要給圖片中的各個(gè)物體都標上名稱(chēng)。

　　事實(shí)證明，這對于解決一些問(wèn)題非常有效，比如說(shuō)識別圖片中的物體、過(guò)濾垃圾郵件，甚至是為用戶(hù)回復短信提供建議(這是谷歌去年上線(xiàn)的一項功能)。但如果需要軟件更好地去理解世界，那可能就需要非監督式學(xué)習了，Jeff Dean如是說(shuō)，他現在領(lǐng)導著(zhù)谷歌大腦項目，也曾經(jīng)在Google X 的“貓檢測器”項目中工作過(guò)。

　　“我非常確信我們需要它，”Dean 說(shuō)，“當你有正確的數據集時(shí)，監督式學(xué)習會(huì )表現得很好，但終極的非監督式學(xué)習會(huì )成為構建真正的智能系統中重要的一環(huán)——如果你觀(guān)察人類(lèi)的學(xué)習方式，你就會(huì )發(fā)現全部都是非監督式的。”

　　一個(gè)絕好的例子就是，嬰兒的學(xué)習方式為成年時(shí)期的智能打下了基礎。比如說(shuō)我們知道，當一個(gè)物體移到視線(xiàn)之外時(shí)依然存在，或者沒(méi)有支撐就會(huì )掉到地上，這些事情是我們通過(guò)觀(guān)察世界而學(xué)習到的，并不需要明確的指引。和動(dòng)物一樣，如果機器人想要探索真實(shí)世界，那它們就需要這種常識。這也能鞏固更加抽象的任務(wù)，例如對語(yǔ)言的理解。

　　Facebook人工智能研究組主管Yann LeCun說(shuō)，如果人工智能要滿(mǎn)足人們更大的野心，就必須弄清楚軟件如何才能完成那些對人類(lèi)嬰兒來(lái)說(shuō)十分容易的事情。他說(shuō)：“我們都知道，最終的答案就是非監督式學(xué)習。解決了非監督式學(xué)習的問(wèn)題，將把我們帶向更高的級別。”

　　盡管他們還沒(méi)有得到最終的答案，但Facebook、Google等公司以及學(xué)術(shù)界的研究者正在對某些有限的非監督式學(xué)習進(jìn)行實(shí)驗。

　　其中一個(gè)研究分支的目的是創(chuàng )造出一個(gè)人工神經(jīng)網(wǎng)絡(luò )，讓它消化吸收視頻和圖像，并用它們獲得的關(guān)于世界的知識產(chǎn)生出新的圖像——這意味著(zhù)它們已經(jīng)形成了關(guān)于世界是如何運行的內部表征。對世界作出精準的預測是人類(lèi)智能中一個(gè)非常重要的基本特征。

　　Facebook的研究者建造了一個(gè)稱(chēng)為 EyeScream的軟件。這個(gè)軟件可以根據提示(例如“教堂”或“飛機”)生成可識別的圖像。他們也在研究對視頻做出預測的軟件。Google旗下DeepMind的研究者已經(jīng)開(kāi)發(fā)了一種軟件，給它一些部分遮掩的圖片，它能用十分真實(shí)的圖像來(lái)進(jìn)行填補。

　　DeepMind還在研究一種完全的非監督式學(xué)習，叫做強化學(xué)習(reinforcement learning)。在強化學(xué)習中，軟件被訓練來(lái)接收關(guān)于自我表現的自動(dòng)反饋——比如說(shuō)，這些反饋會(huì )來(lái)自電腦游戲的得分系統。還有一些不使用深度學(xué)習的研究者則證明，軟件可以從單個(gè)例子中學(xué)會(huì )識別手寫(xiě)字體(見(jiàn)《人工智能終于能像人類(lèi)一樣學(xué)習》)。

　　但是迄今為止，這些嘗試都尚未揭示出一條能讓非監督式學(xué)習達到人類(lèi)水平的路徑，或者說(shuō)，軟件尚不能僅通過(guò)經(jīng)歷或實(shí)驗就學(xué)會(huì )與真實(shí)世界有關(guān)的復雜東西。百度硅谷AI實(shí)驗室主任Adam Coates說(shuō)：“目前，我們似乎缺失了某個(gè)關(guān)鍵的思想。”

　　Coates說(shuō)，隨著(zhù)搜尋的繼續，監督式學(xué)習依然還能帶給我們很多東西：互聯(lián)網(wǎng)公司可以獲得大量數據，包括人們做了什么事和關(guān)心什么事，可以用這些原料來(lái)建造比今天的產(chǎn)品更加有用的語(yǔ)音交互和個(gè)人助理等產(chǎn)品。他說(shuō)：“在不遠的未來(lái)，你還可以用標記數據來(lái)做很多事。”大公司在這方面花了許多金錢(qián)，讓合約商為他們的機器學(xué)習系統標記數據。

　　Facebook的LeCun相信，研究者不會(huì )永遠依靠標記數據。但是，他拒絕評價(jià)軟件還需要多久才能到達人類(lèi)智能的水平。他說(shuō)：“我們知道原材料，但卻不知道菜譜。這可能還需要花費一些時(shí)間。”