人工智能已到瓶頸！院士“聯(lián)名”反深度學(xué)習 并指出AI未來(lái)發(fā)展方向

　　前言：

　　在剛剛結束的CCF-GAIR大會(huì )上，來(lái)自清華、加州大學(xué)伯克利、斯坦福、哈工大等多所國內外頂級理工科院校的院士齊聚深圳，分享了自己最新的研究。雖然各自研究的細分領(lǐng)域有所不同，但是透過(guò)貫穿始終的技術(shù)講演，避不開(kāi)的事實(shí)是，多位院士都在或直接或間接的去“批判”深度學(xué)習算法。

　　演講中，他們再次明確指出深度學(xué)習的缺陷，進(jìn)而點(diǎn)出，在可以預見(jiàn)的未來(lái)里，隨著(zhù)研究的推進(jìn)，當下的深度學(xué)習算法將會(huì )逐步被拉下神壇。

　　不過(guò)，順著(zhù)學(xué)術(shù)界走入產(chǎn)業(yè)應用，會(huì )發(fā)現產(chǎn)業(yè)界的關(guān)注重點(diǎn)是在技術(shù)的落地。所謂落地，本質(zhì)上就是無(wú)數應用場(chǎng)景的聚合。所以對于AI企業(yè)而言，對業(yè)務(wù)的探索和用恰當的技術(shù)去解決實(shí)際問(wèn)題才是首當其沖的。

　　因此，深度學(xué)習存在缺陷，這一問(wèn)題短期內并不會(huì )妨礙AI當下不可阻擋的發(fā)展之勢，技術(shù)的局限也不意味著(zhù)AI公司們將會(huì )無(wú)事可做。

　　但陽(yáng)春白雪的研究始終引領(lǐng)著(zhù)AI產(chǎn)業(yè)的技術(shù)走向，也是企業(yè)盈利和產(chǎn)業(yè)變革的關(guān)鍵驅動(dòng)力。

　　所以，在深度學(xué)習被過(guò)度炒熱的當下，我們理應試著(zhù)站在院士們的“肩膀”上，看的更遠。而企業(yè)家們在腳踏實(shí)地的同時(shí)，也應當不忘仰望星空。

　　盡管這已不是什么新鮮的話(huà)題，但是行業(yè)內一直沒(méi)有可以解決問(wèn)題的辦法。本文旨在傳達學(xué)術(shù)界研究者們提供的一些新思路。

　　機器學(xué)習的弊?。涸从趯Α按蟆钡恼`解

　　當下，最常被提起的名詞就是機器學(xué)習、深度學(xué)習和神經(jīng)網(wǎng)絡(luò )，用數學(xué)上集合里的概念去理解這三者之間的聯(lián)系，他們之間依次是包含的關(guān)系，即機器學(xué)習包含深度學(xué)習，深度學(xué)習包含神經(jīng)網(wǎng)絡(luò )。其中，四層以上的神經(jīng)網(wǎng)絡(luò )就可以稱(chēng)之為深度學(xué)習，而深度學(xué)習是一種典型的機器學(xué)習。

　　上世紀五十年代，神經(jīng)網(wǎng)絡(luò )這一算法結構出現，當時(shí)，它的正式名稱(chēng)應叫做感知機，但已經(jīng)包含了輸入層、隱含層和輸出層這一經(jīng)典的通用結構，并且隨著(zhù)隱含層層數的加深，對事情的描述就愈加精準。

　　但是，神經(jīng)網(wǎng)絡(luò )是一種以輸入為導向的算法，所以?xún)?yōu)質(zhì)的結果一定取決于接近“無(wú)窮”量級的數據。因而，在2000年互聯(lián)網(wǎng)革命沒(méi)有爆發(fā)之前，它一直都處在無(wú)人問(wèn)津的階段。

　　正如大家所知道的，互聯(lián)網(wǎng)時(shí)代積累的大量數據和云計算帶來(lái)的算力的大幅提升，極大地釋放了深度學(xué)習算法(深層的神經(jīng)網(wǎng)絡(luò ))的潛力，因而也讓人工智能時(shí)代全面爆發(fā)，產(chǎn)業(yè)應用得以蓬勃發(fā)展。數據顯示，2017年我國人工智能市場(chǎng)規模達到216.9億元，同比增長(cháng)52.8%，預計2018年市場(chǎng)規模將達到339億元。

　　然而，隨著(zhù)產(chǎn)業(yè)應用的成熟，以及大家對真正“智能”的渴求，讓算力和深度學(xué)習算法本身的局限性，顯露無(wú)疑。

　　“老百姓概念里的‘大數據’和我們所認為的大數據是完全不一樣的，就拿圖像處理來(lái)說(shuō)，數十億的數據量看似量級很高，但對我們來(lái)說(shuō)，它其實(shí)是‘小樣本’。因為真正能夠訓練出好的模型的數據量，應當是趨于無(wú)窮的，所以即便是擁有了大量數據去訓練模型，和理想的智能模型之間，也有著(zhù)本質(zhì)的差別?！睆乃惴ㄐ再|(zhì)出發(fā)，加州大學(xué)伯克利分校電子工程與計算機系教授馬毅也點(diǎn)出了當下這項火熱技術(shù)的局限性。

　　因而從學(xué)者、投資人到AI頭部企業(yè)，尋找新的技術(shù)和方向成為了現在的重點(diǎn)。

　　在會(huì )議的開(kāi)場(chǎng)報告中，清華大學(xué)張鈸院士呼吁大家思考的“如何走向真正的人工智能”成為了為期三天會(huì )議的基調，同時(shí)也反映了行業(yè)發(fā)展至當下階段，眾人的訴求。

　　新方向探索：數據處理方法、基本思想和技術(shù)思路

　　·數據處理層面，語(yǔ)義向量空間或進(jìn)一步拓寬入口

　　看見(jiàn)了技術(shù)的“天花板”，很多專(zhuān)家學(xué)者開(kāi)始提出“小數據”的概念，然而清華大學(xué)人工智能學(xué)院院長(cháng)張鈸院士卻不認為數據量的大小是當下的根本問(wèn)題所在，他指出，傳統的人工智能三要素將不能帶來(lái)真正的智能。

　　“評價(jià)人工智能獲得的成果，我們可以從這五件事來(lái)看：深藍打敗人類(lèi)國際象棋冠軍;IBM 在電視知識競賽中打敗了美國的前兩個(gè)冠軍;2015 年微軟在ImageNet 上做圖象識別，誤識率略低于人類(lèi);百度、訊飛也都宣布在單句的中文語(yǔ)音識別上識別準確度略低于人類(lèi)和AlphaGo 打敗了李世石。前兩件事歸為一類(lèi)，后三件事可歸為另一類(lèi)。大家一致認為，這五件事得以發(fā)生的三要素是：大數據、算力的提升和非常好的人工智能算法。但我認為大家忽略了一項因素，就是這所有的成果必須建立在一個(gè)合適的場(chǎng)景下?！?/p>

　　換言之，當下人工智能的發(fā)展避不開(kāi)種種限制條件，因而智能的機器也只能夠照章辦事，沒(méi)有任何靈活性，也達不到人們想要的智能，而這也就是當下AI的發(fā)展狀態(tài)。

　　“我們現在的人工智能基本方法有缺陷，而我們必須走向具有理解能力的AI，這才是真正的人工智能?！睆堚撛菏吭谘葜v中指出。

　　那解決辦法是什么呢?通過(guò)循序漸進(jìn)，張院士在演講中給出了思路，并指明語(yǔ)義向量空間這一技術(shù)方向。

　　“首先，需要明確的是，現有的機器缺乏推理能力的原因在于他沒(méi)有常識?！?/p>

　　張鈸院士通過(guò)實(shí)驗驗證，常識的建立確實(shí)會(huì )極大程度的提升機器的性能。而為機器建立常識庫也成為人工智能企業(yè)進(jìn)一步提升系統性能的第一步?！懊绹?984 年就搞了這樣一個(gè)常識庫的工程，做到現在還沒(méi)完全做出來(lái)?？梢?jiàn)，要走向真正的人工智能，有理解的人工智能，是一條很漫長(cháng)的路?！?/p>

　　但即使在建立常識庫的基礎上，做到有理解能力的人工智能依然不容易。想要提升智能的第二步，在張院士看來(lái)，就是將感性和知識的世界統一起來(lái)，而這將為人工智能的發(fā)展帶來(lái)一次質(zhì)的飛躍。

　　“深度學(xué)習之所以能夠極大的促進(jìn)人工智能的發(fā)展，技術(shù)上的關(guān)鍵在于人們能夠將獲取的標量數據轉變?yōu)橄蛄?，從而用到機器上。但至今為止，將行為(特征向量)和數據(符號向量)結合起來(lái)使用始終是科研的難點(diǎn)，而這就限制了機器變得更‘智能’?！?/p>

　　不僅如此，從安全層面來(lái)看，純數據驅動(dòng)的系統也存在很大問(wèn)題——魯棒性很差，易受到很大的干擾。因而，在大量樣本的訓練下，系統仍會(huì )犯重大的錯誤。如商湯、曠視等頭部企業(yè)也表示，即便訓練出的系統模型準確率高達99%，但在實(shí)際應用中，系統仍然會(huì )犯很多“弱智”的錯誤。

　　“我們現在想出的解決辦法是這樣的，就是把這特征向量空間和符號向量投射到一個(gè)空間去，這個(gè)空間我們把它叫做語(yǔ)義向量空間?！?/p>

　　怎么做?

　　張院士指出，第一，要通過(guò)Embedding(嵌入)把符號變成向量，盡量保持語(yǔ)義不丟失;第二就是Raising(提升)，結合神經(jīng)學(xué)科，把特征空間提升到語(yǔ)義空間。

　　“只有解決這些問(wèn)題，我們才能夠建立一個(gè)統一的理論。因為在過(guò)去，對感知和認知的處理方法是不同的，因而兩者不在同一維度，無(wú)法統一處理。但如果我們能夠將感知和認知投射到同一空間，我們就可以建立一個(gè)統一的理論框架，并在語(yǔ)義向量空間里解決理解問(wèn)題。這是我們的目標，但是這項工作是非常艱巨?！?/p>

　　·基本思想的顛覆，模糊計算或是未來(lái)

　　“無(wú)論是知識圖譜，語(yǔ)義向量空間還是當下的其他深度學(xué)習訓練，它們都是基于概率統計理論，而模糊邏輯不是，它是以模糊集理論為基礎的?！狈浅４竽懙?，從思想層面，美國猶他州立大學(xué)計算機系終身教授承恒達給出了顛覆性的想法。

　　其實(shí)模糊邏輯并非全新的概念。1931年，Kurt Godel發(fā)表論文證明了形式數論(即算術(shù)邏輯)系統的“不完全性定理”，模糊邏輯誕生。而在1965年，美國加州大學(xué)的L.A.Zadeh博士發(fā)表的關(guān)于模糊集的論文，標志著(zhù)人類(lèi)首次用數學(xué)理論成功描述了不確定性。

　　“現在的計算機領(lǐng)域，不是0就是1，而我們描述的是0到1之間的很多不確定性成分，其實(shí)，這一過(guò)程描述的是導致結果的原因。以?xún)善克疄槔?，一瓶水上標記‘是純凈水的概率?.91’，而另一瓶水上標記的是‘水的純凈程度是0.91’，你會(huì )選擇哪一瓶呢?顯然，你會(huì )選擇后者。這里的思考判斷過(guò)程就是模糊邏輯，因為后者對于程度的描述本質(zhì)上就是模糊的?！?/p>

　　目前，類(lèi)似于經(jīng)典邏輯體系(微積分、線(xiàn)性代數、生物學(xué)等衍生學(xué)科)，模糊邏輯也逐步形成了自己的邏輯體系。

　　然而再好的技術(shù)，都需要結合應用去展現它的優(yōu)勢。在這一方面，承教授也是格外重視，于是他選擇了乳腺癌的早期診斷研究領(lǐng)域?！暗侥壳盀橹?，我們的設計樣本已經(jīng)被全世界二十多個(gè)國家，五十多個(gè)團隊用來(lái)使用?！?/p>

　　在承教授看來(lái)，現有的技術(shù)存在著(zhù)非常明顯的不足，需要大家沉下心來(lái)去分析問(wèn)題，從而探索到改進(jìn)的方法?！艾F在大家都在模擬腦波中的電信號，但其實(shí)大腦里存在的不僅僅是電信號，還有化學(xué)反應。而很多人在做的醫學(xué)圖像處理，實(shí)際上只是做圖像處理，卻不是醫學(xué)圖像處理，它們之間是有著(zhù)非常大的不同?！?/p>

　　·技術(shù)思路：大繁至簡(jiǎn)

　　當下，面對技術(shù)的毫無(wú)進(jìn)展，AI公司的焦慮顯而易見(jiàn)。不同于上面院士教授們給出的具體技術(shù)思路，馬毅教授更像是科技界的“魯迅”，他用PPT中一張張演講稿中的優(yōu)質(zhì)論文做例，只為重新喚醒大家對于A(yíng)I的思考。

　　“神經(jīng)網(wǎng)絡(luò )，導入的數據有一個(gè)很小的改動(dòng)，分類(lèi)就會(huì )有很大的變化，這不是什么新發(fā)現，2010年，大家就遇到這樣的問(wèn)題，但至今沒(méi)有解決?！毖葜v一開(kāi)始，馬毅就拎出了“老生常談”，毫不留情的將一盆冷水澆到了眾多對AI盲目樂(lè )觀(guān)的人身上。

　　對技術(shù)的不正確認知，馬毅也在極力得糾正。

　　“在人臉識別領(lǐng)域，要讓算法具有魯棒性，比寫(xiě)個(gè)AlphaGo要困難千倍?！?/p>

　　“都說(shuō)神經(jīng)網(wǎng)絡(luò )越大越好，這簡(jiǎn)直是胡說(shuō)八道?！?/p>

　　嬉笑怒罵間，從事研究數年，馬毅給出了自己的思考方向：“真正的優(yōu)質(zhì)算法一定是最簡(jiǎn)單的，比如迭代、遞歸，還有經(jīng)典的ADMM，這些簡(jiǎn)單的算法就很好，也很有用?！?/p>

　　結語(yǔ)

　　接下來(lái)，人工智能技術(shù)的發(fā)展并不會(huì )樂(lè )觀(guān)，尤其是產(chǎn)業(yè)發(fā)展將進(jìn)入一個(gè)平緩期，但是這并不意味著(zhù)學(xué)術(shù)界和產(chǎn)業(yè)界將無(wú)事可做。

　　正如張鈸院士指出的，“我們正在通往真正AI 的路上，現在走得并不遠，在出發(fā)點(diǎn)附近。但人工智能永遠在路上，大家要有思想準備，而這也就是人工智能的魅力?！?/p>