強大的人工智能推理：人工智能動(dòng)蕩的過(guò)去和不確定的未來(lái)

是否能打破人工智能繁榮與蕭條的周期循環(huán)？

1956年夏天，一群數學(xué)家和計算機科學(xué)家聚集在達特茅斯學(xué)院數學(xué)系大樓的頂層。在大約8周的時(shí)間里，他們設想了開(kāi)拓一個(gè)新的研究領(lǐng)域的可能性。當時(shí)還是達特茅斯學(xué)院青年教授的約翰?麥卡錫（John McCarthy）在撰寫(xiě)會(huì )議提案時(shí)創(chuàng )造了“人工智能”一詞，并表示要探索這樣一個(gè)假設：“原則上，可以精確地描述出學(xué)習的每一個(gè)方面或智能的任何特征，從而制造出可以模擬的機器?！?nbsp;

它有400個(gè)光傳感器，它們共同充當視網(wǎng)膜，能夠向大約1000個(gè)進(jìn)行處理并產(chǎn)生單一輸出的“神經(jīng)元”提供信息。1958年，《紐約時(shí)報》的一篇文章援引羅森布拉特的話(huà)說(shuō)：“這臺機器將是第一臺像人腦一樣思考的設備?！?/span>在盲目樂(lè )觀(guān)主義的鼓勵下，美國和英國政府機構投入了大量資金用于投機性研究。1967年，麻省理工學(xué)院教授馬文?明斯基（Marvin Minsky）寫(xiě)道：“在一代人的時(shí)間之內……創(chuàng )造‘人工智能’的問(wèn)題將得到實(shí)質(zhì)性解決。”然而此后不久，由于感到人工智能研究沒(méi)有達到其宣傳水平，政府開(kāi)始停止資助。20世紀70年代出現了人工智能的第一個(gè)寒冬。然而，真正的信徒還在繼續戰斗。到20世紀80年代初，重新燃起的熱情為符號人工智能研究人員帶來(lái)了一個(gè)全盛時(shí)期，他們因“專(zhuān)家系統”而獲得了贊譽(yù)和資助，這些系統對法律、醫學(xué)等特定學(xué)科的知識進(jìn)行了編碼。投資者希望這些系統能很快實(shí)現商業(yè)應用。最著(zhù)名的符號人工智能風(fēng)險項目始于1984年，當時(shí)研究人員道格拉斯?勒納特（Douglas Lenat）開(kāi)始研究一個(gè)名為“Cyc”的項目，旨在將常識編碼到機器中。時(shí)至今日，勒納特及其團隊還在繼續向Cyc的本體添加術(shù)語(yǔ)（事實(shí)和概念），并通過(guò)規則解釋它們之間的關(guān)系。到2017年，該團隊已經(jīng)擁有150萬(wàn)條術(shù)語(yǔ)和2450萬(wàn)條規則。然而，Cyc還遠未達到通用智能的水平。20世紀80年代末，商業(yè)的寒風(fēng)帶來(lái)了人工智能的第二個(gè)寒冬。專(zhuān)家系統市場(chǎng)崩潰了，因為它們需要專(zhuān)門(mén)的硬件，無(wú)法與越來(lái)越普遍、價(jià)格更低廉的臺式計算機競爭。到20世紀90年代，學(xué)術(shù)上都不再流行研究符號人工智能或神經(jīng)網(wǎng)絡(luò )，因為這兩種策略似乎都失敗了。不過(guò)，取代專(zhuān)家系統的廉價(jià)計算機對連接主義者來(lái)說(shuō)是一個(gè)福音，他們突然獲得了足夠的計算能力來(lái)運行具有多層人工神經(jīng)元的神經(jīng)網(wǎng)絡(luò )。這類(lèi)系統被稱(chēng)為“深度神經(jīng)網(wǎng)絡(luò )”，其實(shí)現的方法被稱(chēng)為“深度學(xué)習”。多倫多大學(xué)的杰弗里?辛頓（Geoffrey Hinton）應用了一種叫做“反向傳播”的原理來(lái)讓神經(jīng)網(wǎng)絡(luò )從其錯誤中學(xué)習（參見(jiàn)《深度學(xué)習的工作原理》）。1988年，辛頓的博士后楊立昆進(jìn)入了AT&T貝爾實(shí)驗室，他和一位名叫約書(shū)亞?本吉奧（Yoshua Bengio）的博士后將神經(jīng)網(wǎng)絡(luò )用于了光學(xué)字符識別；很快，美國的銀行就采用了這種技術(shù)來(lái)處理支票。辛頓、楊立昆和本吉奧最終獲得了2019年圖靈獎，他們有時(shí)被稱(chēng)為“深度學(xué)習之父”。然而，神經(jīng)網(wǎng)絡(luò )倡導者仍然面臨一個(gè)重大問(wèn)題：雖然有了理論框架和不斷增長(cháng)的計算能力，但世界上沒(méi)有足夠的數字數據來(lái)訓練他們的系統，至少對大多數應用來(lái)說(shuō)是這樣的。春天還沒(méi)有到來(lái)。在過(guò)去20年中，一切都發(fā)生了變化。特別是萬(wàn)維網(wǎng)的繁榮發(fā)展，突然到處都是數據?；ヂ?lián)網(wǎng)上充斥著(zhù)數碼相機和智能手機拍攝的圖像，維基百科和Reddit等網(wǎng)站充滿(mǎn)了可自由訪(fǎng)問(wèn)的數字文本，YouTube上也有大量視頻。最后，我們有了足夠的數據來(lái)為廣泛的應用訓練神經(jīng)網(wǎng)絡(luò )。另一個(gè)重****展得益于游戲業(yè)。英偉達等公司開(kāi)發(fā)了一種名為“圖形處理單元”（GPU）的芯片，用于電子游戲中渲染圖像所需的繁重處理任務(wù)。游戲開(kāi)發(fā)者也使用GPU來(lái)完成復雜的著(zhù)色和幾何變換工作。需要強大計算能力的計算機科學(xué)家則意識到，他們其實(shí)可以讓GPU去做其他任務(wù)，比如訓練神經(jīng)網(wǎng)絡(luò )。英偉達注意到了這一趨勢，因此創(chuàng )建了CUDA平臺，讓研究人員能夠使用GPU進(jìn)行通用處理。其中有一位來(lái)自辛頓實(shí)驗室的博士生亞歷克斯?克里澤夫斯基（Alex Krizhevsky），他用CUDA為一個(gè)神經(jīng)網(wǎng)絡(luò )編寫(xiě)了代碼，該神經(jīng)網(wǎng)絡(luò )在2012年給所有人留下了印象的深刻。他寫(xiě)這個(gè)代碼是為了參加ImageNet競賽，該競賽向人工智能研究人員提出了挑戰，要求他們搭建起能夠將100多萬(wàn)張圖像分類(lèi)為1000種物體的計算機視覺(jué)系統。雖然克里澤夫斯基的AlexNet并不是第一個(gè)用于圖像識別的神經(jīng)網(wǎng)絡(luò )，但它在2012年比賽中的表現引起了全世界的注意。AlexNet的錯誤率為15%，而第二名的錯誤率為26%。該神經(jīng)網(wǎng)絡(luò )的壓倒性勝利得益于GPU的強大性能和總計包含65萬(wàn)個(gè)神經(jīng)元的多層“深度”結構。在第二年的ImageNet競賽中，幾乎所有人都使用了神經(jīng)網(wǎng)絡(luò )。到2017年，許多參賽者的錯誤率已降至5%，隨后組織者結束了該競賽。深入學(xué)習騰飛了。借助GPU的計算能力和訓練深度學(xué)習系統的大量數字數據，自動(dòng)駕駛汽車(chē)可以在道路上行駛，語(yǔ)音助手可以識別用戶(hù)的語(yǔ)音，網(wǎng)絡(luò )瀏覽器可以在幾十種語(yǔ)言之間進(jìn)行翻譯。人工智能還在幾個(gè)曾被認為機器無(wú)法獲勝的游戲中擊敗了人類(lèi)冠軍，包括古老的圍棋和電子游戲《星際爭霸II》。前人工智能的繁榮已觸及每一個(gè)行業(yè)，為我們提供了識別模式和做出復雜決策的新方法。不過(guò)，深度學(xué)習的不斷成功依賴(lài)于增加神經(jīng)網(wǎng)絡(luò )的層數和增加用于訓練它們的GPU時(shí)間。人工智能研究公司OpenAI的一項分析顯示，在2012年之前，訓練最大的人工智能系統所需要的計算能力每?jì)赡攴环?，此后?.4個(gè)月翻一番。正如尼爾?C.湯普森（Neil C. Thompson）及其同事在《深度學(xué)習的回報在減少》一文中所述，許多研究人員擔心人工智能的計算需求存在不可持續問(wèn)題。為了避免破壞地球的能源預算，研究人員需要打破構建這些系統的既定方式。雖然神經(jīng)網(wǎng)絡(luò )陣營(yíng)似乎已經(jīng)徹底擊敗了符號主義者，但事實(shí)上，這場(chǎng)戰爭的結果遠沒(méi)有那么簡(jiǎn)單。以OpenAI因操作和解魔方而成為頭條新聞的機械手為例。該機器人使用了神經(jīng)網(wǎng)絡(luò )和符號人工智能。它是諸多新型神經(jīng)符號系統之一，它使用神經(jīng)網(wǎng)絡(luò )進(jìn)行感知，使用符號人工智能進(jìn)行推理，這種混合方法既可以提高效率也能提高可解釋性。雖然深度學(xué)習系統往往像是以不透明和神秘方式進(jìn)行推理的黑匣子，但神經(jīng)符號系統能夠讓用戶(hù)深入了解人工智能是如何得出結論的。正如埃文?艾克曼（Evan Ackerman）在《深度學(xué)習進(jìn)入新兵訓練營(yíng)》中所述，美國陸軍特別警惕依賴(lài)黑匣子系統，因此陸軍研究人員正在研究各種混合方法來(lái)推動(dòng)其機器人和自動(dòng)駕駛車(chē)輛的發(fā)展。想象一下，你能否使用陸軍的一個(gè)道路清理機器人并讓它給你煮一杯咖啡。這在今天是一個(gè)可笑的命題，因為深度學(xué)習系統是為狹義的目的而建立的，不能將其能力從一項任務(wù)推廣到另一項任務(wù)。更重要的是，學(xué)習一項新任務(wù)通常需要人工智能擦除它知道的所有關(guān)于如何解決先前任務(wù)的信息，這個(gè)難題被稱(chēng)為“災難性遺忘”。在谷歌位于倫敦的人工智能實(shí)驗室DeepMind，著(zhù)名的機器人學(xué)家拉亞?哈塞爾（Raia Hadsell）正在用各種復雜的技術(shù)解決該問(wèn)題。在《如何訓練多用途機器人》一文中，湯姆?奇弗斯（Tom Chivers）解釋了為什么該問(wèn)題對于在不可預知的現實(shí)世界中行動(dòng)的機器人如此重要。其他研究人員正在研究新型元學(xué)習，以期開(kāi)發(fā)出能夠學(xué)習怎樣學(xué)習，然后將該技能應用于任何領(lǐng)域或任務(wù)的人工智能系統。所有這些策略都可能有助于研究人員實(shí)現其最崇高的目標：用我們看到的兒童所發(fā)展出的流動(dòng)智力來(lái)構建人工智能。幼兒不需要大量數據來(lái)得出結論。他們只是觀(guān)察世界，創(chuàng )建一個(gè)關(guān)于世界如何運作的心智模型，采取行動(dòng)，并利用行動(dòng)的結果來(lái)調整其心智模型。他們會(huì )反復迭代直到理解為止。這個(gè)過(guò)程非常高效，甚至遠遠超出了當今最先進(jìn)的人工智能的能力。
當前的熱情使人工智能獲得了其加德納技術(shù)成熟度曲線(xiàn)，而且有關(guān)人工智能的資金已經(jīng)達到了歷史最高水平，鮮有證據表明我們的未來(lái)會(huì )失敗。世界各地的公司都在采用人工智能系統，因為它們看到自己的盈虧底線(xiàn)立即得到了改善，而且他們不會(huì )回頭。現在就看研究人員能否找到適應深度學(xué)習的方法并使其更靈活、更穩健，或者設計出我們在讓機器變得更像人類(lèi)的65年探索過(guò)程中從未想過(guò)的新方法。
作者：Eliza Strickland 

*博客內容為網(wǎng)友個(gè)人發(fā)布，僅代表博主個(gè)人觀(guān)點(diǎn)，如有侵權請聯(lián)系工作人員刪除。