這家初創公司被美國防部DARPA定義為「第三次AI浪潮」代表

本文屬於本次Emtech Digital人工智慧峰會獨家精選。

Gamalon是最近大火的一家從事機器學習相關研究的初創公司，他們的核心技術Bayesian Program Synthesis（BPS）實現了讓機器自主完成概率編程，而不再需要人工編寫。技術公布後，甚至有媒體宣稱機器學習的速度將可能提升百倍。

讓機器自行完成概率編程

也正因如此，美國國防部高級計劃研究局（DARPA）於不久前對Gamalon注資720萬美元，這筆投資是DARPA近年來投入金額最大的案例之一，而且 Gamalon 的技術也被DARPA歸為「第三次AI浪潮」。

美國當地時間 3 月 28 日，Gamalon創始人兼首席執行官Ben Vigoda在《麻省理工科技評論》於舊金山舉辦的Emtech Digital數字峰會上做了專場演講，DT君隨即也對Ben Vigoda做了獨家專訪。

Ben Vigoda麻省理工科技評論EmTech Digital數字峰會上做演講

這家被認為「可能會為AI發展帶來顛覆式新方法」的公司到底有何獨特之處？請見以下專訪全文：

問：今天上午的演講非常精彩，觀眾們對Gamalon研究人工智慧的方式也非常有興趣。你們所使用的「概率編程」（Probabilistic Programing）與目前基於大數據的深度學習方法非常不同，甚至可以說是基於「小數據」，在設定目標後，由機器去自主學習，會和強化學習有類似之處么？

答：其實和強化學習不太一樣，楊立昆（Yann LeCun）有一個關於機器學習三種類型的精彩演講。他認為，機器學習就像一個蛋糕，上面點綴的漿果就是強化學習，非常美味，但是數量很少。

有點類似於你贏得或輸掉了一個遊戲，會有很強的體驗感，但並不是經常發生。然後，蛋糕上的糖霜可以看做是監督學習。比如，在遊戲中得分或死亡，這要比直接輸掉或贏得遊戲更常發生。

Yann LeCun的「機器學習蛋糕」

最後就是蛋糕本身了，我們稱之為無監督學習，這類是最多的。我們沒有關於這些數據的反饋，也沒人會為我們解釋這些數據。比如，你通過機器學習來識別貓，首先得準備大量貓、狗的圖片，但並沒有人告訴你哪些是貓、哪些是狗，這就是無監督學習。

但即便是在無監督的情況下，有些機器學習系統還是能分辨出貓和狗。畢竟，貓都長得差不多，狗也長得差不多，而且貓和狗看起來不一樣。

問：你是如何想到將「概率編程」應用於人工智慧研究的？畢竟目前絕大多數的方法都趨於同質化。

答：非常好的問題！我個人的觀點是，人工智慧的研究目前確實有同質化的問題。目前最主流的方法，比如大家都在做的深度學習：分析海量的數據、調用大量的計算能力。但如果大家都押寶在一種人工智慧上，這對其發展是不利的。原因是，AI目前所處的階段還太早，根本無法判斷那種方法會最終勝出。在這個時候去推崇某一技術明顯是有問題的。

Ben Vigoda 正在接受 DT 君專訪

AI領域同樣需要生態多樣性。某種程度上，Gamalon其實得益於目前在深度學習領域的大量投資，因為人們只會去關心一件事：你能用深度學習做什麼？我們反倒有了自己的發展空間。於是，我們獲得美國國防部高級研究計劃局（DARPA）的投資。

回到你的問題，為什麼我們會嘗試一條完全不同的 AI 研究路徑？舉例而言，吳恩達曾經想設計一套無人機飛控系統，他在編碼時考慮到了流體動力學、空氣動力學、機械工程等諸多問題，但這套飛控系統還是無法正常工作。

有一天，他突然說，為啥不直接用感測器呢？如果墜機了就是一個負面強化學習，如果能穩定在空中就給一個正面的強化學習，並通過這種方式來訓練系統，並最終成功控制無人機。

吳恩達的無人直升機團隊

吳恩達的例子說明什麼？他最初想純手工打造一套飛控系統，但是失敗了，而使用強化學習、數據分析的方法獲得了成功。我也有類似的經歷，只不過我們的對象不是無人機。

我創立的上一家公司為機器學習開發晶元，後來被Analog Devices收購。我們當初做的就是為晶元設計演算法，比如用於自動駕駛、雷達、智能手錶、醫療感測器、語音識別等。與吳恩達的無人機飛控系統很相似，都屬於單一任務流程。

我們最初在建立模型方面也遇到了很大的問題，但我們沒有選擇吳恩達所用的深度學習的路徑，而是把建立模型當做一個工程問題來解決：通過概率編程來測試。

你知道，在上世紀七八十年代，優秀的程序員非常難找，除了深厚的專業知識背景，還要很懂客戶和市場。否則要做成一個軟體項目非常不容易。

但你看看現在，隨便一個大學畢業生，扔給他一套Python訓練一周就可以編程了。我們在過去35年建立起了很多的軟體工具，大大降低了像編程這種原本專業性非常強的工作門檻。

問：沒錯，這就是比爾·蓋茨當年提出的將編程技術商品化的概念，讓所有人都可以進入這個行業。但史蒂夫·喬布斯就不這麼認為，他覺得技術還多樣化，而不是作為一種標準商品。你認為，目前AI領域也存在這個問題么？

答：我們可能並沒準備好將機器學習「民主化」，當然，這也包括Gamalon專註的概率編程，這些都還是處於非常早期的技術。但我們的結論是：開發工具還是很必要的。

Gamalon的概率編程如何通過人類筆跡來生成一個標準三角形

吳恩達無法手工編碼來設計一套飛控系統，並不是因為手工編碼做不到，而是缺乏相應的開發工具來建立飛行控制的概率編程模型。換而言之，如果有這麼一套開發工具，或者吳恩達就不需要使用深度學習了。

總得來說，在某些場景下，比如僅僅是輸入輸出、感測器與校準等，這些類似於動物反應的情況下，深度學習是一個非常好的選擇。但如果 AI 系統涉及到要有自己的「想法」或「判斷」，深度學習就不怎麼樣了。

問：Gamalon技術的優勢在哪？接受DARPA的投資是否有考慮過軍用技術與商用技術的界定？

答：大部分初創公司都是以現有商用技術為基礎，在上面去做用戶體驗，我的上一家公司也是一樣。而現在Gamalon則不同，我們的優勢在於獨特的技術賦予我們獨特的市場地位，哪怕最接近的競爭對手也無法做出與我們類似的東西，我們再產品差異化方面做得很好。

更重要的是，我們是第一家將這一技術商業化的公司。目前，據我們所知道的，全球在這方面做研究的有七個團隊，大多在大學和研究機構，但只有我們是唯一的一家把這項技術變成商業化應用。

不利的地方在於風險非常大，我們必須開發全新的技術，還要讓它可以進入應用端。畢竟，我們不是拿現有技術做改進。

關於與 DARPA 的合作，他們會將所投資的項目進行分級，據我所知，DARPA根據保密級別分為1-10級，每一個級別又會再做細分，他們稱之為「技術成熟度」（Technology Readiness Level, TRL）。

比如，DARPA 將 Gamalon 劃為 6 級，這裡面又分為6.1（大學實驗室級別）、6.2（工業科研級別與原型機）、6.3（可小範圍部署），以此類推。

目前，Gamalon就是處於6.1級，有點類似於最早期的互聯網，不對外開放，但也不保密，旨在幫助美國國防部看清未來技術發展趨勢。

問：目前的深度學習需要大量的數據以及計算資源，這會耗費大量財力物力。但有說法是AI最終將從雲端走向本地設備端，Gamalon目前就可以基於像iPad這樣的設備，這是否代表你也認同這一趨勢？

答：非常好的問題。我們與 Google TensorFlow 以及 TensorFlow Mobile 的團隊聊過此事。他們相信，做深度學習的訓練需要大量的計算資源，雲端訓練是最好的選擇，但會在移動端做識別。

簡單說，就是在移動端收集數據發送到雲端在雲端訓練神經網路將訓練完成的神經網路下發到移動端移動端成功識別。畢竟，識別所需的計算資源要比訓練所需的計算資源少成百上千倍。

所以說，DARPA的「第二次技術浪潮」中定義的深度學習是結構化的，訓練和學習是中心化的，繼而感測器得以隨之部署。這是必要的，因為需要雲端去做的訓練肯定無法在移動端完成。

DARPA將AI定義為三次浪潮：人工輸入的知識庫、深度學習為代表的訓練模式、自主從數據中獲取知識結構

DARPA還定義了「第三次技術浪潮」，雖然這類定義聽起來很炫酷，但也確實有一個技術解釋：高等機器學習概率編程（Probabilistic Programming for Advanced Machine Learning, PPMAL），Gamalon就屬於這一類。這類技術在結構上與深度學習不同，要解決的是無法連接雲端情況下，或者說因為安全或隱私問題而不能接入雲端時的技術解決方案。

概率編程這項技術不同於深度學習，不需要大量數據和計算資源，往本地化和移動端的方向發展是其自然趨勢。但反過來看，即便是在目前深度學習佔主導地位的情況下，概率編程也能反過來幫助深度學習提高效率。這意味著在同等數據和計算資源的條件下，能完成更多的任務、節約成本。

通過幾幅簡單的檯燈示意圖讓機器學會識別不同形狀的檯燈

問：既然你認為機器學習的未來發展是去中心化、向移動端發展，那目前Gamalon有沒有來自移動領域的合作夥伴？

答：目前還沒有，不過你這倒真是個好主意，我們會認真考慮。真的，或許是時候跟移動產業建立一些夥伴關係了。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！