深度學(xué)習(xí)要趕上人類的智能，還有很長的路要走。
今日推薦文章《當(dāng)商業(yè)遇上深度學(xué)習(xí)》，來自頭條號人工智能學(xué)家，經(jīng)編輯。
在電影《超驗(yàn)駭客》中，約翰尼·德普扮演的威爾·卡斯特博士是伯克利人工智能領(lǐng)域首屈一指的研究者，他致力于開創(chuàng)有史以來最人性化的有感知的機(jī)器人，全方位結(jié)合了人類情感和智慧。
斯圖爾特·拉塞爾是威爾·卡斯特的現(xiàn)實(shí)版本。他在伯克利加利福尼亞大學(xué)致力于人工智能的研究，并且與人合作編寫了人工智能領(lǐng)域最有影響力的教科書。同時(shí)，他對接下來人工智能研究的潛在威脅也是直言不諱。
在今年早些時(shí)候，谷歌的DeepMind團(tuán)隊(duì)教會了一個(gè)計(jì)算機(jī)程序僅僅在數(shù)小時(shí)之內(nèi)就將Atari（美國一家電腦游戲機(jī)廠商）的各款游戲玩到了人類能力所不能及的水平。在這個(gè)過程中，DeepMind團(tuán)隊(duì)并沒有給程序提供相關(guān)背景知識。程序從零開始學(xué)習(xí)每一個(gè)游戲。
斯圖爾特說“如果是新生兒做到這樣，人們會認(rèn)為這是驚人的天賦”。
對于這樣的進(jìn)步，我們是應(yīng)該歡欣鼓舞還是應(yīng)該憂慮緊張？
秘密武器
DeepMind團(tuán)隊(duì)成功的奧秘在于深度學(xué)習(xí)，是機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)令人興奮又非?；钴S的分支。
機(jī)器學(xué)習(xí)是計(jì)算機(jī)領(lǐng)域下一次革命的推動力。取代以往辛苦地手動編寫程序來使計(jì)算機(jī)執(zhí)行任務(wù)，我們現(xiàn)在只需要讓計(jì)算機(jī)自己去學(xué)習(xí)執(zhí)行任務(wù)。
游戲是應(yīng)用機(jī)器學(xué)習(xí)非常理想的領(lǐng)域。游戲里有非常精確的規(guī)則。這很容易產(chǎn)生勝者。計(jì)算機(jī)可以百萬次的玩這些游戲從而提高自己在游戲中的表現(xiàn)。
可是，學(xué)習(xí)玩游戲?qū)ι疃葘W(xué)習(xí)來說只是小菜一碟。深度學(xué)習(xí)轉(zhuǎn)變了計(jì)算機(jī)轉(zhuǎn)錄信息、識別圖像、排列搜索結(jié)果的方式，使得計(jì)算機(jī)可以執(zhí)行許多其他需要智慧的任務(wù)。
深度學(xué)習(xí)使用一套以人類大腦為設(shè)計(jì)藍(lán)本的“深度”神經(jīng)網(wǎng)絡(luò)。之所以說它是“深度”，是因?yàn)樗辛鶎幼笥业纳窠?jīng)網(wǎng)絡(luò)。
這一層層的神經(jīng)網(wǎng)絡(luò)對成功至關(guān)重要。它們使得神經(jīng)網(wǎng)絡(luò)可以識別特性。例如，在圖像識別中，中間層可以識別棱角等特性。
數(shù)據(jù)和運(yùn)算能力對成功也至關(guān)重要。深度學(xué)習(xí)需要從學(xué)習(xí)的材料中積累數(shù)據(jù)。而且它的學(xué)習(xí)需要運(yùn)行在多重的、專業(yè)的圖像處理單元上。
深度學(xué)習(xí)不擅長做什么？
看來深度學(xué)習(xí)已成為AI工具中重要的一員，然而，我們不可能只依靠它來解決所有AI領(lǐng)域的問題。
深度學(xué)習(xí)似乎尤其擅長感知方面的任務(wù)，如對語音和圖像的處理。然而，要做需要更高層級的策略性推理工作，深度學(xué)習(xí)就遇到挑戰(zhàn)了。想想類似規(guī)劃建造一個(gè)工廠，或者解決復(fù)雜的綜合數(shù)學(xué)難題這樣的任務(wù)。
DeepMind的程序已經(jīng)學(xué)會了如何進(jìn)行像“乒乓球”和“太空入侵者”這樣的電子游戲。但它在“吃豆豆”這樣的游戲中表現(xiàn)得并不好，因?yàn)橛螒蛑袨榱硕惚軘橙诵枰M(jìn)行預(yù)先的規(guī)劃。
此外還存在一些別的挑戰(zhàn)。比如說，深度學(xué)習(xí)需要大量的數(shù)據(jù)，相比之下人類只需要幾個(gè)示例就可以進(jìn)行學(xué)習(xí)。
在很多領(lǐng)域中深度學(xué)習(xí)是困難的、痛苦的甚至無法完成的。我們還需要探索能讓機(jī)器快速學(xué)習(xí)的方法。
深度學(xué)習(xí)的過程很大程度上是一個(gè)黑箱子。但很多領(lǐng)域中我們都希望計(jì)算機(jī)能夠解釋它做出的推斷或者對結(jié)果給出證明。
最后，在很多情況下我們需要安全保障?？罩羞\(yùn)輸控制程序必須保證不讓兩架飛機(jī)飛入同一空域中，自動駕駛汽車程序必須讓車在紅燈時(shí)停下來。而深度學(xué)習(xí)系統(tǒng)不具備這些安全保障。
不過還是有很多的商家在考慮嘗試建立基于深度學(xué)習(xí)技術(shù)的新服務(wù)。
這一技術(shù)終將在無人駕駛汽車、搜索結(jié)果排名、產(chǎn)品推薦、垃圾郵件識別、股市交易以及醫(yī)療圖像識別等領(lǐng)域扮演至關(guān)重要的角色。
深度學(xué)習(xí)要趕上人類的智能，還有很長的路要走。目前深度學(xué)習(xí)利用的“神經(jīng)元”數(shù)量僅有數(shù)千，相互連接數(shù)也只有幾百萬。而人腦的神經(jīng)元數(shù)是以十億計(jì)的，連接數(shù)更是大得多的天文數(shù)字。
要將深度學(xué)習(xí)的規(guī)模擴(kuò)展到與人腦相當(dāng)，這還是一個(gè)科學(xué)與工程學(xué)的難題。畢竟人腦是我們在整個(gè)宇宙中已知的最復(fù)雜的系統(tǒng)。
而且還有像知覺和情緒這樣的難題。雖然人類的智能駕馭這些問題輕車熟路，但我們還需要進(jìn)一步了解這些問題的機(jī)制，并讓它們在以硅為基礎(chǔ)的智能中再現(xiàn)出來。
因此我們距離電影《超驗(yàn)駭客》中的“科技奇點(diǎn)”還有很長一段距離。到了計(jì)算機(jī)開始能夠?qū)λ鼈兊闹悄苓M(jìn)行滾雪球式的自我完善時(shí)，它們就會很快超過人類智力的極限。
AI領(lǐng)域的很多研究者實(shí)際上都在懷疑我們是否能等到這樣的時(shí)候。在科學(xué)和工程技術(shù)等方面遇到的任何障礙都有可能讓機(jī)器智能停止進(jìn)步的腳步。
但這一事實(shí)不會讓我們停止創(chuàng)造正改變我們生活的工具。我們現(xiàn)在就應(yīng)該為未來做打算，為那個(gè)大部分工作都由機(jī)器自動化完成的時(shí)代做好準(zhǔn)備。
聯(lián)系客服
