神經(jīng)網(wǎng)絡只是AI的一種工具？

　　業(yè)界專家指出，目前所討論的人工智能(AI)其實只是神經(jīng)網(wǎng)絡的誤稱。神經(jīng)網(wǎng)絡其實還無法實現(xiàn)基本的人類推理和理解力，它們只是在建構(gòu)人工智能漫漫長路上所用到的工具之一...

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

　　在這次活動的一場專題討論上，幾位專家表示，目前所討論的人工智能(artificial intelligence;AI)其實是神經(jīng)網(wǎng)絡的誤稱。神經(jīng)網(wǎng)絡其實還無法實現(xiàn)基本的人類推理和理解類型。相反地，它們只是在建構(gòu)人工智能漫漫長路上所用到的工具。

　　由于圖靈(Alan Turing)認為總有一天機器的智商將會超過人類，因此討論深度學習(deep learning)特別有意義。美國加州大學柏克萊分校(UC Berkeley)電腦科學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人類智能，而屆時將是人類末日。當然，如果夠幸運的話，我們可以把機器關(guān)掉。”

　　UC Berkeley教授Stuart Russell

　　Stuart Russell目前正在撰寫有關(guān)人工智能領(lǐng)域的新版教科書。他表示，“在實現(xiàn)人工智能之前至少有6個重要問題需要突破，但我很肯定人工智能時代一定會來臨，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)絡只是打敗世界圍棋冠軍的Google AlphaGo系統(tǒng)之一部份。

　　“AlphaGo……是一個經(jīng)典的系統(tǒng)……而深度學習成就了該系統(tǒng)的兩個組成部份……但他們發(fā)現(xiàn)使用具表達性的程式，更有助于學習這一游戲規(guī)則。端對端的深度學習系統(tǒng)需要……從過去數(shù)百萬場棋弈游戲而來的資料，進而算出下一步落子點。盡管人們做了很多努力，但這種系統(tǒng)不適合西洋雙陸棋和國際象棋。”Russell表示，而且有些問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)絡視為“某種突破……能夠滿足1980年代人們提出的愿望……但它們?nèi)鄙倬幊陶Z言的表達能力，以及支援資料庫系統(tǒng)、邏輯編程和知識系統(tǒng)的陳述性語義。 ”

　　神經(jīng)網(wǎng)絡還缺乏人類解決問題的強大預先理解能力。“深度學習系統(tǒng)永遠無法從強子對撞機(Hadron Collider)的原始資料中發(fā)現(xiàn)希格斯玻色子(Higgs boson)”，他補充道，“我擔心人們過度看重利用巨量資料(big data)與深度學習來解決我們面臨的所有問題。”

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

　　自駕車、影像辨識的限制

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

　　“我一直在研究自動駕駛車……這一類系統(tǒng)必須具備可靠性。”在加拿大多倫多大學(University of Toronto)教授機器學習課程并負責Uber先進研究中心的Raquel Urtasun表示，“這對神經(jīng)網(wǎng)絡來說極具挑戰(zhàn)性，因為它們不擅長對不確定性進行建模。”

　　神經(jīng)網(wǎng)絡“會說汽車出現(xiàn)在那里的可能性有99%……但你無法容忍任何誤報……而當你出錯時，也必須知道為什么會出錯。”

　　她同意Russell所說的“深度學習無法解決我們面臨的所有問題”。將神經(jīng)網(wǎng)絡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(tǒng)獲得人類擁有的某些先驗知識。

　　但由于其局限性，使用者必須“了解機器學習系統(tǒng)可能出現(xiàn)偏見……有時還會作出不公平的決策，”她指出。

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

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

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

　　Li指出，現(xiàn)在正是起始階段的結(jié)束時刻，機器學習已經(jīng)從實驗室的實驗過渡到商業(yè)部署了。廣泛的工業(yè)與科學領(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(shù)問題帶來的愉悅感并不真實。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(zhàn)。”

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

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

　　利多還是利空?

　　“現(xiàn)在要問神經(jīng)網(wǎng)絡會把我們帶多遠還為時尚早。”最看好神經(jīng)網(wǎng)絡發(fā)展前景的專家題討論成員——OpenAI共同創(chuàng)辦人兼研究總監(jiān)Ilya Sutskever表示，“這些模型很難理解。例如，將機器視覺作為一種程式真的很不可思議，但現(xiàn)在我們對不可思議的問題都能提出不可思議的解決方案了。”Ilya Sutskever還曾任職Google Brain研究科學家

　　雖然位于神經(jīng)網(wǎng)絡核心的反向傳播演算法已經(jīng)出現(xiàn)好幾年了，但執(zhí)行這些演算法的硬體最近才實現(xiàn)。Sutskever補充說，用于神經(jīng)網(wǎng)絡的新架構(gòu)承諾“在今后幾年中，人們將見證取得長足進展的驚人電腦。”

　　在微軟(Microsoft)Azure云端服務開發(fā)FPGA加速器的杰出工程師Doug Burger對此表示同意。他在另一場專題討論上表示，“盡管神經(jīng)網(wǎng)絡有點宣傳過火，但它是真實存在的……而且還存在一些我們尚未完全理解的深度和基礎(chǔ)知識。”

　　許多新創(chuàng)企業(yè)、學術(shù)研究機構(gòu)和現(xiàn)有業(yè)者都在研究可加速神經(jīng)網(wǎng)絡的處理器，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、四年這種方法會逐漸退出歷史舞臺，而之后會出現(xiàn)什么真的很令人感興趣。”

　　資深微處理器設(shè)計師和Google TPU加速器開發(fā)團隊負責人Norm Joupi也表示同意，他把神經(jīng)網(wǎng)絡稱為當今電腦科學領(lǐng)域中“最大的金塊之一”。

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

　　他表示，“它只是一個大型的工具箱。我們必須打造圍繞著神經(jīng)網(wǎng)絡的基礎(chǔ)設(shè)施和工程，如今，我們離這個愿景還很遠。未來也需要讓系統(tǒng)用數(shù)學和機器學習的方式去思考。”

　　如同專題討論上的其它主講人一樣，他指出人類的推理能力遠遠超過神經(jīng)網(wǎng)絡范圍之外。 “自然語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。”

　　舉例來說，他提到了中國對聊天機器人的熱情。這種自動化的對話裝置可以與人類進行應答互動，但并不支援抽象和語義，它們無法說出有關(guān)這個世界的任何真實內(nèi)容。

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