神經(jīng)網(wǎng)絡(luò )只是AI的一種工具？

　　業(yè)界專(zhuān)家指出，目前所討論的人工智能(AI)其實(shí)只是神經(jīng)網(wǎng)絡(luò )的誤稱(chēng)。神經(jīng)網(wǎng)絡(luò )其實(shí)還無(wú)法實(shí)現基本的人類(lèi)推理和理解力，它們只是在建構人工智能漫漫長(cháng)路上所用到的工具之一...

　　神經(jīng)網(wǎng)絡(luò )(neural network)已經(jīng)發(fā)展到“技術(shù)炒作周期”(hype cycle)的顛峰。但根據日前參加“圖靈獎”(Alan Turing award)50周年紀念活動(dòng)的專(zhuān)家們表示，神經(jīng)網(wǎng)絡(luò )技術(shù)看似具有廣泛的用途且前景無(wú)限，但實(shí)際上仍處于發(fā)展的早期階段，同時(shí)也存在許多局限性。

　　在這次活動(dòng)的一場(chǎng)專(zhuān)題討論上，幾位專(zhuān)家表示，目前所討論的人工智能(artificial intelligence;AI)其實(shí)是神經(jīng)網(wǎng)絡(luò )的誤稱(chēng)。神經(jīng)網(wǎng)絡(luò )其實(shí)還無(wú)法實(shí)現基本的人類(lèi)推理和理解類(lèi)型。相反地，它們只是在建構人工智能漫漫長(cháng)路上所用到的工具。

　　由于圖靈(Alan Turing)認為總有一天機器的智商將會(huì )超過(guò)人類(lèi)，因此討論深度學(xué)習(deep learning)特別有意義。美國加州大學(xué)柏克萊分校(UC Berkeley)電腦科學(xué)教授兼人工智能研究員Stuart Russell指出，“圖靈預測人工智能將超過(guò)人類(lèi)智能，而屆時(shí)將是人類(lèi)末日。當然，如果夠幸運的話(huà)，我們可以把機器關(guān)掉。”

　　UC Berkeley教授Stuart Russell

　　Stuart Russell目前正在撰寫(xiě)有關(guān)人工智能領(lǐng)域的新版教科書(shū)。他表示，“在實(shí)現人工智能之前至少有6個(gè)重要問(wèn)題需要突破，但我很肯定人工智能時(shí)代一定會(huì )來(lái)臨，因此，我將終其一生致力于從事這一領(lǐng)域。”

　　Russell還指出，神經(jīng)網(wǎng)絡(luò )只是打敗世界圍棋冠軍的Google AlphaGo系統之一部份。

　　“AlphaGo……是一個(gè)經(jīng)典的系統……而深度學(xué)習成就了該系統的兩個(gè)組成部份……但他們發(fā)現使用具表達性的程式，更有助于學(xué)習這一游戲規則。端對端的深度學(xué)習系統需要……從過(guò)去數百萬(wàn)場(chǎng)棋弈游戲而來(lái)的資料，進(jìn)而算出下一步落子點(diǎn)。盡管人們做了很多努力，但這種系統不適合西洋雙陸棋和國際象棋。”Russell表示，而且有些問(wèn)題所需的資料集龐大到令人難以置信。

　　Russell把當今的神經(jīng)網(wǎng)絡(luò )視為“某種突破……能夠滿(mǎn)足1980年代人們提出的愿望……但它們缺少編程語(yǔ)言的表達能力，以及支援資料庫系統、邏輯編程和知識系統的陳述性語(yǔ)義。 ”

　　神經(jīng)網(wǎng)絡(luò )還缺乏人類(lèi)解決問(wèn)題的強大預先理解能力。“深度學(xué)習系統永遠無(wú)法從強子對撞機(Hadron Collider)的原始資料中發(fā)現希格斯玻色子(Higgs boson)”，他補充道，“我擔心人們過(guò)度看重利用巨量資料(big data)與深度學(xué)習來(lái)解決我們面臨的所有問(wèn)題。”

　　UC Berkeley教授Stuart Russell表示，神經(jīng)網(wǎng)絡(luò )是朝向人工智能邁進(jìn)的重要步驟之一

　　自駕車(chē)、影像辨識的限制

　　神經(jīng)網(wǎng)絡(luò )在自動(dòng)駕駛車(chē)和影像辨識等領(lǐng)域的發(fā)展前景看好，但也有其局限性。

　　“我一直在研究自動(dòng)駕駛車(chē)……這一類(lèi)系統必須具備可靠性。”在加拿大多倫多大學(xué)(University of Toronto)教授機器學(xué)習課程并負責Uber先進(jìn)研究中心的Raquel Urtasun表示，“這對神經(jīng)網(wǎng)絡(luò )來(lái)說(shuō)極具挑戰性，因為它們不擅長(cháng)對不確定性進(jìn)行建模。”

　　神經(jīng)網(wǎng)絡(luò )“會(huì )說(shuō)汽車(chē)出現在那里的可能性有99%……但你無(wú)法容忍任何誤報……而當你出錯時(shí)，也必須知道為什么會(huì )出錯。”

　　她同意Russell所說(shuō)的“深度學(xué)習無(wú)法解決我們面臨的所有問(wèn)題”。將神經(jīng)網(wǎng)絡(luò )和繪圖模型組合在一起“是一種有趣的研究領(lǐng)域”，它有助于系統獲得人類(lèi)擁有的某些先驗知識。

　　但由于其局限性，使用者必須“了解機器學(xué)習系統可能出現偏見(jiàn)……有時(shí)還會(huì )作出不公平的決策，”她指出。

　　Urtasun將當今神經(jīng)網(wǎng)絡(luò )的成就歸功于“使訓練效果更好的一些技巧，但在過(guò)去25年來(lái)，這些核心演算法并沒(méi)有根本性的改變。突破部份來(lái)自于巨量資料的實(shí)現，以及讓訓練更大規模的模型成為可能的最佳化硬體。”

　　盡管如此，深度學(xué)習“成就了以往我們在健康、交通領(lǐng)域中無(wú)法想像的應用——現在我們幾乎在任何地方都能見(jiàn)到它們的身影。”

　　目前在Google Cloud休假研究的首席科學(xué)家李飛飛(Fei-Fei Li)也認同處于炒作顛峰的神經(jīng)網(wǎng)絡(luò )存在實(shí)際的前景與限制。她同時(shí)也是史丹佛大學(xué)人工智能實(shí)驗室主任，不久前才剛在史丹佛大學(xué)上完該校學(xué)生人數最多的課程——770人選修的神經(jīng)網(wǎng)絡(luò )課程。

　　Li指出，現在正是起始階段的結束時(shí)刻，機器學(xué)習已經(jīng)從實(shí)驗室的實(shí)驗過(guò)渡到商業(yè)部署了。廣泛的工業(yè)與科學(xué)領(lǐng)域“正受到龐大的資料和資料分析功能的深遠影響。”

　　盡管如此，“我們解決大多數問(wèn)題帶來(lái)的愉悅感并不真實(shí)。雖然我們贊揚ImageNet在影像辨識領(lǐng)域取得了成功，但我們很少談到它的失敗……在推理等方面仍然面臨諸多的挑戰。”

　　“例如在房間起火時(shí)，人工智能演算法仍然能夠下出完美的圍棋招數。”她引用另一位研究人員杜撰有關(guān)深度學(xué)習缺少情景理解能力的笑話(huà)時(shí)表示。

　　更廣泛的說(shuō)，“我們對于人類(lèi)認知的理解程度還非常有限。正因為此，這兩個(gè)領(lǐng)域都處于非常早期的階段。”

　　利多還是利空?

　　“現在要問(wèn)神經(jīng)網(wǎng)絡(luò )會(huì )把我們帶多遠還為時(shí)尚早。”最看好神經(jīng)網(wǎng)絡(luò )發(fā)展前景的專(zhuān)家題討論成員——OpenAI共同創(chuàng )辦人兼研究總監Ilya Sutskever表示，“這些模型很難理解。例如，將機器視覺(jué)作為一種程式真的很不可思議，但現在我們對不可思議的問(wèn)題都能提出不可思議的解決方案了。”Ilya Sutskever還曾任職Google Brain研究科學(xué)家

　　雖然位于神經(jīng)網(wǎng)絡(luò )核心的反向傳播演算法已經(jīng)出現好幾年了，但執行這些演算法的硬體最近才實(shí)現。Sutskever補充說(shuō)，用于神經(jīng)網(wǎng)絡(luò )的新架構承諾“在今后幾年中，人們將見(jiàn)證取得長(cháng)足進(jìn)展的驚人電腦。”

　　在微軟(Microsoft)Azure云端服務(wù)開(kāi)發(fā)FPGA加速器的杰出工程師Doug Burger對此表示同意。他在另一場(chǎng)專(zhuān)題討論上表示，“盡管神經(jīng)網(wǎng)絡(luò )有點(diǎn)宣傳過(guò)火，但它是真實(shí)存在的……而且還存在一些我們尚未完全理解的深度和基礎知識。”

　　許多新創(chuàng )企業(yè)、學(xué)術(shù)研究機構和現有業(yè)者都在研究可加速神經(jīng)網(wǎng)絡(luò )的處理器，其中有許多人使用降低精確度的向量乘法矩陣，他指出，“在今后三、四年這種方法會(huì )逐漸退出歷史舞臺，而之后會(huì )出現什么真的很令人感興趣。”

　　資深微處理器設計師和Google TPU加速器開(kāi)發(fā)團隊負責人Norm Joupi也表示同意，他把神經(jīng)網(wǎng)絡(luò )稱(chēng)為當今電腦科學(xué)領(lǐng)域中“最大的金塊之一”。

　　UC Berkeley機器學(xué)習專(zhuān)家Michael I. Jordan看到的是人工智能的限制。他認為，電腦科學(xué)仍然是最首要的學(xué)科，人工智能還無(wú)法取而代之，而神經(jīng)網(wǎng)絡(luò )只是該領(lǐng)域中仍在發(fā)展中的一個(gè)部份。

　　他表示，“它只是一個(gè)大型的工具箱。我們必須打造圍繞著(zhù)神經(jīng)網(wǎng)絡(luò )的基礎設施和工程，如今，我們離這個(gè)愿景還很遠。未來(lái)也需要讓系統用數學(xué)和機器學(xué)習的方式去思考。”

　　如同專(zhuān)題討論上的其它主講人一樣，他指出人類(lèi)的推理能力遠遠超過(guò)神經(jīng)網(wǎng)絡(luò )范圍之外。 “自然語(yǔ)言的處理是十分困難的。今天我們所做的只是字串到字串的配對，但這跟解譯是不一樣的。”

　　舉例來(lái)說(shuō)，他提到了中國對聊天機器人的熱情。這種自動(dòng)化的對話(huà)裝置可以與人類(lèi)進(jìn)行應答互動(dòng)，但并不支援抽象和語(yǔ)義，它們無(wú)法說(shuō)出有關(guān)這個(gè)世界的任何真實(shí)內容。

　　“我們正處于巨量學(xué)習的年代，但尚未進(jìn)入人工智能時(shí)代。”雖然如此，他同意神經(jīng)網(wǎng)絡(luò )具有足夠的重要性，必須成為新版電腦科學(xué)課程中的一部份。