讓人工智慧更智能的途徑？研究人員表示不能只靠深度學習

在過去的五年里，人工智慧中最熱門的東西就是一個被稱為深度學習的分支。簡單來說，這個宏偉命名的統計技術，為計算機提供了一種通過處理海量數據來學習的方法。由於經過深入的學習，計算機可以輕鬆識別人臉並識別口語，從而使其他形式的類似人類的智能突然變得觸手可及。

谷歌，Facebook和微軟等公司已經投入到深度學習中。初創企業追求從癌症治療到後台自動化的所有事情，都在鼓吹他們的深度學習技能。該技術的感知和模式匹配能力正在應用於改善藥物發現和自動駕駛汽車等領域的進展。

但現在，一些科學家開始質疑，深度學習到底是不是真的那麼有深度。

在最近的一些對話，在線評論和冗長的散文中，越來越多的AI專家們警告說，對深度學習的迷戀現在可能會導致目光短淺和過度投資，並在以後出現破滅。

「那裡沒有真正的智能。」加州大學伯克利分校的教授邁克爾·喬丹(myopia)說，他是四月份發表的一篇文章的作者，旨在調節圍繞AI的崇高期望。 「我認為，過於相信這些蠻力演算法是一種錯誤信仰。」

一些專家警告說，危險是AI將遇到技術壁壘並最終面臨普遍的反彈，這是20世界50年代人們熟知的人工智慧模式。研究人員說，尤其是深度學習，這種擔憂正在被技術的局限所推動。

圖片來源：NYT

深度學習演算法訓練一批相關數據(如人臉圖片)，然後提供越來越多的數據，從而不斷提高軟體的模式匹配精度。雖然這項技術已經取得了成功，但結果主要局限於可以獲得大量數據集並且任務已經很好定義的領域，如標記圖像或將語言翻譯為文本。

技術在更加開放的智能領域 —— 即意義、推理和常識知識 —— 中掙扎。雖然深度學習軟體可以立即識別數百萬字，但它對「正義」，「民主」或「插手」等概念不了解。

研究人員已經表明，深度學習很容易被愚弄。比如對於相對像素較低的情況下，該技術可能會誤認為烏龜是步槍或停車標誌。

在今年年初發表在科學論文網站arXiv.org上的一篇廣泛閱讀的文章中，紐約大學教授加里·馬庫斯提出了這樣一個問題：「深度學習是否正在靠近一堵牆?」他寫道：「在通常情況下，深度學習提取的模式比最初出現的模式更膚淺。」

艾倫人工智慧研究所首席執行官奧倫·伊佐尼說，如果深度學習的範圍有限，那麼現在可能會投入了太多金錢和精明的頭腦。 「我們冒著失去其他重要概念和途徑的風險在推進AI。」他說。

在辯論中，一些研究小組，初創公司和計算機科學家對人工智慧方法表現出更多的興趣，這些方法解決了一些深度學習的弱點。首先，西雅圖的非營利實驗室艾倫研究所在2月份宣布，它將在未來三年投資1.25億美元，主要用於教機器產生常識知識的研究——- 一項名為亞歷山大項目(Project Alexandria)的舉措。

雖然這一方案和其他努力各不相同，但他們的共同目標是比深度學習更廣泛和更靈活的智能。而且他們的數據通常要少得多。他們在構成中經常使用深度學習作為其中一種成分。

華盛頓大學艾倫研究所的研究員和計算機科學家Yejin Choi說：「我們不是反深度學習。」 「我們試圖拔高AI的視線，而不是批評工具。」

圖片來源：NYT

那些其他非深度學習工具通常是以新方式採用的舊技術。在矽谷的初創公司Kyndi，計算機科學家正在編寫Prolog代碼，這是一種可以追溯到20世紀70年代的編程語言。它是為AI的推理和知識表達方面而設計的，它處理事實和概念，並嘗試完成並不總是明確定義的任務。深度學習來自AI的統計學方面，稱為機器學習。

本傑明·格羅索夫，AI三十年的研究員，5月加入Kyndi擔任首席科學家。格羅索夫說，他對Kyndi的「將AI兩個分支聯合起來的新方法」印象深刻。

初創公司首席執行官Ryan Welsh表示，Kyndi已經能夠使用非常少的培訓數據來自動生成事實、概念和推論。

他說，Kyndi系統可以訓練10到30個10-50頁的科學文件。 Kyndi的軟體一經培訓就可以識別概念，而不僅僅是文字。

在為三家大型政府機構工作時(拒絕透露名字)，Kyndi一直在要求其系統回答這個典型問題：技術是否已在「實驗室環境中展示」?威爾士說，Kyndi計劃可以準確推斷出答案，即使該短語沒有出現在文件中。

而且Kyndi的閱讀和評分軟體很快。威爾士說，人類分析師平均需要花費兩個小時才能閱讀一篇冗長的科學文獻，並在一年內可能閱讀1,000篇。他表示，Kyndi的技術可以在七個小時內讀取這1,000個文件。

Kyndi作為一個不知疲倦的數字助理，識別需要人類判斷的文件和段落。 「目標是提高人類分析師的生產力。」威爾士說。

Kyndi和其他人都認為，在AI中面臨一些更為艱巨挑戰，終於是的時候了。這反映了深度學習的軌跡，在最近爆發的數字數據爆炸之前幾十年沒有取得什麼進展，而且越來越快的計算機推動了其性能的飛躍，即所謂神經網路。這些網路是鬆散地類似於生物神經元的數字層。 「深度」是指很多層。

超深度學習營還有其他充滿希望的跡象。 Vicarious是一家初創的開發機器人，可以像人類一樣迅速地從任務轉向任務，去年秋天在《科學》雜誌上發表了有前景的研究成果。 AI技術從相對較少的例子中學習，以模仿人類視覺智能，使用的數據比深度學習模型的效率高300倍。該系統還突破了驗證碼的防禦功能，即在網站上進行扭曲的字母識別測試，以阻止軟體入侵者。

代理人，其投資者包括埃隆·倫馬斯克，傑夫·貝佐斯和馬克扎克伯格，是在A.I.中企業家追求新路徑的突出例子。

「深度學習讓我們得以一瞥所承諾的沃土，但我們需要投資於其他方法。」人工智慧專家、總部位於加州聯合城的Vicarious聯合創始人Dileep George說。

五角大樓的研究機構國防高級研究計劃局提出了一項計劃，旨在開展大學研究，並提供一個非商業網路，用於分享技術思想，以模擬人類常識推理，而缺乏深度學習。 如果獲得批准，該計劃即Machine Common Sense將於今年秋季開始，最有可能運行五年，總資金約為6000萬美元。

「這是一個高風險的項目，問題比任何一家公司或研究組都要大。」管理達帕個人助理計劃的大衛·蓋寧說，該計劃十年前結束，並生產出後來成為蘋果Siri的技術。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！