咨詢電話：023-6276-4481
咨詢電話：023-6276-4481
熱門文章
電 話：023-6276-4481
郵箱：broiling@qq.com
地址：重慶市南岸區(qū)亞太商谷6幢25-2
一些科技公司通過他們的人工智能或者科幻作品讓大家對其有了非常初步的理解，但對我們理解超級計(jì)算機(jī)到底可以做什么新奇有趣的事情上用處并不大。在這個(gè)前提下，我們這篇文章的主要目的就是科普一些普遍使用的措辭給消費(fèi)級領(lǐng)域的普通大眾————同時(shí)我們也會看到現(xiàn)在科學(xué)技術(shù)所遇到的瓶頸，以及我們暫時(shí)還要不要花精力擔(dān)心機(jī)器人的“起義”。
神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)
這三個(gè)術(shù)語應(yīng)該大家最近常常聽到的，為了盡量讓講解通俗易懂，我們可以將他們理解為處于不同的層次。神經(jīng)網(wǎng)絡(luò)是底層，它們是一種計(jì)算機(jī)體系結(jié)構(gòu)，人工智能就是在它上面建立起來的；機(jī)器學(xué)習(xí)居中，它是一種在神經(jīng)網(wǎng)絡(luò)上運(yùn)行的程序，通過大量的數(shù)據(jù)來“訓(xùn)練”它并讓其去尋求特定的答案；深度學(xué)習(xí)居于頂層，它是一種最近十年才逐漸興起的特定的機(jī)器學(xué)習(xí)類型，它的興起多虧了兩大資源：廉價(jià)的數(shù)據(jù)處理和豐富的數(shù)據(jù)（也被稱為互聯(lián)網(wǎng)）。
神經(jīng)網(wǎng)絡(luò)的概念在五十年前就有了，它也象征著AI開始被作為一個(gè)獨(dú)立的研究領(lǐng)域。簡單的說，這些網(wǎng)絡(luò)是構(gòu)建電腦的方式，它和我們的大腦很像，由類似于神經(jīng)元的節(jié)點(diǎn)組成，這些節(jié)點(diǎn)連接在一起形成一個(gè)網(wǎng)絡(luò)。每個(gè)單獨(dú)的節(jié)點(diǎn)都是“啞巴”節(jié)點(diǎn)，它們可以回答非?；A(chǔ)的問題，但是結(jié)合起來就可以回答困難的問題。更重要的是，通過正確的算法，他們可以被“教育”。
舉例子，然后讓計(jì)算機(jī)通過深度學(xué)習(xí)了解要做的是什么
紐約大學(xué)計(jì)算機(jī)科學(xué)專家Ernest Davis說，“如果你想要一個(gè)計(jì)算機(jī)學(xué)會怎么過馬路，你可以使用傳統(tǒng)的編碼方式為其設(shè)定非常精確的規(guī)則，教它怎么左看看右看看，等車輛通過，使用人行橫道等等，然后再讓其通過；而通過機(jī)器學(xué)習(xí)呢，你要給它看10，000段行人安全通過馬路的視頻（和10，000被車撞的視頻），然后讓它做自己該做的事情。這個(gè)學(xué)習(xí)過程中最困難的地方是讓計(jì)算機(jī)可以在第一時(shí)間吸收這些視頻中的信息?！痹谶^去的幾十年里，人們曾嘗試各種不同的方法來教育計(jì)算機(jī)。這些方法包括：強(qiáng)化學(xué)習(xí)（在得到想要結(jié)果后給計(jì)算機(jī)一些獎(jiǎng)勵(lì)，讓它逐漸掌握最佳的解決方案）、遺傳學(xué)算法（模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理的生物進(jìn)化過程的計(jì)算模型，是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法）。
現(xiàn)今一種“教育”方式在實(shí)驗(yàn)室中風(fēng)靡：深度學(xué)習(xí)——一種機(jī)器學(xué)習(xí)，使用了很多層神經(jīng)網(wǎng)絡(luò)，用不同的抽象方式分析數(shù)據(jù)。這么說吧，如果你通過深度學(xué)習(xí)系統(tǒng)查閱一張照片，它會用自己很多的神經(jīng)網(wǎng)絡(luò)層上追蹤不同的放大倍數(shù)。底層也許只追蹤5*5像素網(wǎng)格，對當(dāng)前網(wǎng)格展示的東西給出一個(gè)“是/否”的答案。如果回答“是”，較一層會看這個(gè)5*5像素網(wǎng)格是怎樣融入更大的版面的。比如說這是一條線的開始，或者是一個(gè)角?這是一個(gè)復(fù)雜的構(gòu)建過程，可以通過分解至各組成部分，來讓軟件來理解更復(fù)雜的數(shù)據(jù)。
“經(jīng)過一層一層的分析，監(jiān)測到的東西會越來越全面化”，臉書的人工智能研究組組長Yann LeCun告訴我們，“經(jīng)過越來越多的抽象，之后最頂層會告訴我們這張照片上是一個(gè)人、一只狗還是一個(gè)滑翔機(jī)，無論它是什么吧?！?/p>
深度學(xué)習(xí)系統(tǒng)需要大量的數(shù)據(jù)和大量的工作時(shí)間
接下來，我們用深度學(xué)習(xí)來“教會”計(jì)算機(jī)什么樣的東西是貓咪。首先，我們使用神經(jīng)網(wǎng)絡(luò)架構(gòu)方式來編碼不同的層，用來辨別貓的不同元素：比如說爪子、掌墊、晶須等等（每一個(gè)層都被分別定義，用來辨別特定的元素，這是為什么被稱為深度學(xué)習(xí)的原因。）之后，這個(gè)系統(tǒng)會被展示很多貓的圖像和其他動物的圖像，并被告之都分別是什么。我們會告訴機(jī)器“這是一只貓。這不是一只貓。”隨著系統(tǒng)看到不同的圖像，神經(jīng)網(wǎng)絡(luò)內(nèi)不同的層和不同的節(jié)點(diǎn)，會在發(fā)現(xiàn)爪子、掌墊，和晶須等之后被“點(diǎn)亮”。隨著時(shí)間的推移，系統(tǒng)會記住這些層所標(biāo)記的元素哪些是不重要的而哪些是重要的，強(qiáng)調(diào)一些并拋棄一些。他們會發(fā)現(xiàn)爪子和貓的聯(lián)系密切，但是也會發(fā)現(xiàn)其他的東西也會有爪子，所以它們會尋找一些和晶須一塊兒出現(xiàn)的爪子。
這是一個(gè)漫長的迭代過程，基于人類的反饋，這個(gè)系統(tǒng)會變得越來越好。人類的指正，可以將其向正確的方向上推進(jìn)?；蛘撸绻W(wǎng)絡(luò)擁有足夠多的帶有標(biāo)簽的數(shù)據(jù)，它可以自己做測試，看看它自己的各個(gè)層產(chǎn)生正確結(jié)果的權(quán)重?，F(xiàn)在，你可以設(shè)想到底需要多少步來確定一個(gè)東西到底是不是一只貓。再進(jìn)一步猜想這個(gè)系統(tǒng)究竟要有多復(fù)雜才能完全認(rèn)知世界上所有現(xiàn)存事物。這就是幾周前微軟公布能鑒別狗種類的應(yīng)用程序都會那么自豪的原因。對于我們來說區(qū)分杜賓和雪納瑞也許是非常容易的，但是在計(jì)算機(jī)能夠做出區(qū)分之前，它需要定義很多細(xì)微差異。 這就是臉書、谷歌和其他公司在用的人工智能？
大多數(shù)情況下，是的。
深度學(xué)習(xí)技術(shù)現(xiàn)在被應(yīng)用于各類日常任務(wù)中。很多大技術(shù)公司都有自己的人工智能部門，而且谷歌和臉書都嘗試通過開源他們的軟件來進(jìn)一步推動其AI的發(fā)展。谷歌在上個(gè)月甚至推出了為期三個(gè)月的免費(fèi)深度學(xué)習(xí)課程。而且在許多研究人員都保持緘默的時(shí)候，有些公司機(jī)構(gòu)利用被開源出來的技術(shù)推出了一些粗制濫造的應(yīng)用，從谷歌的情緒識別到圖像識別，不放過任何可能。這也是我們最近常常能聽到深度學(xué)習(xí)這個(gè)詞的原因:很多面向消費(fèi)者的公司正在使用它們，分享一些自己正在制作的奇怪東西。
智能是一個(gè)與常識無關(guān)的事情
深度學(xué)習(xí)已經(jīng)證明了它所擅長的領(lǐng)域，比如說語音和圖像的識別——一些有很多商業(yè)應(yīng)用領(lǐng)域的東西——這些還有很多不完美的地方。不僅僅是深度學(xué)習(xí)需要大量的數(shù)據(jù)和微調(diào)工作，它們所謂的智能也是非常狹窄和脆弱的。正如認(rèn)知心理學(xué)家Gary Marcus在紐約客中寫道，現(xiàn)在流行的深度學(xué)習(xí)方法缺少表示“因果關(guān)系的邏輯(比如說疾病和它的表現(xiàn))”，而且在獲取抽象概念的時(shí)候也更容易遇到困難，比如說在理解“兄弟姐妹”或“等同于”這類詞的時(shí)候。它們沒有明確的方法來執(zhí)行邏輯推理，而且距整合抽象知識還有一段很長的路要走。比如說某個(gè)東西到底攜帶了什么樣的信息，它們是用來干什么的。換句話說，不會整合共性。
比如說，上圖就是谷歌在其研究項(xiàng)目中讓系統(tǒng)生成的啞鈴照片，這個(gè)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)受到了大量啞鈴照片的“訓(xùn)練”。其實(shí)它生成的啞鈴的照片倒也沒啥打錯(cuò)：兩個(gè)灰圈，被一個(gè)水平管鏈接?？上總€(gè)啞鈴的外圍都會有健美選手手臂的肌肉輪廓。這是因?yàn)樘峁┙o神經(jīng)網(wǎng)絡(luò)的圖片常常都是健美運(yùn)動員舉著啞鈴。深度學(xué)習(xí)也許能夠通過數(shù)以萬計(jì)的照片猜到啞鈴的通用視覺屬性，但是它永遠(yuǎn)不會有啞鈴并沒有手臂的認(rèn)知飛躍。這種問題不僅僅會受到常識的限制，還有它們監(jiān)測數(shù)據(jù)的方式。深度學(xué)習(xí)還可能會隨機(jī)模式愚弄，比如說你可以確切的認(rèn)知那是一只豹子，但是一臺電腦會告訴你它有95%的可能性是一只豹子。
然而這種不足也可以被巧妙地隱藏掉。比如說，新興的數(shù)字助理Siri，它常?？雌饋硎悄軌蚶斫馕覀兊模瑫卮饐栴}、設(shè)定鬧鐘、給我們講一些預(yù)先設(shè)定好的笑話，并且一直在“進(jìn)步”。但作為計(jì)算機(jī)科學(xué)家的Hector Levesque指出，這個(gè)怪物只是顯示出了我們和真正的人工智能之間到底有多大的鴻溝。Hector Levesque指出Siri最難的技術(shù)點(diǎn)在于如何欺騙人類讓他們覺得自己正在與人對話。它們使用笑話，引用、情緒爆發(fā)、誤導(dǎo)和各種口頭語來造成迷惑和避免直面問題。
這個(gè)領(lǐng)域中真正的人工智能的測試應(yīng)該是讓機(jī)器回答超現(xiàn)實(shí)、邏輯性的寬泛問題，Levesque給出了問題例子，“鱷魚能跑障礙賽嗎？”、“棒球運(yùn)動員準(zhǔn)許在他們的帽子上粘小翅膀嗎？”想想類似的這些問題，它們是真正的人工智能需要了解并回答的。
所以說根本沒有什么人工智能，一切都是噱頭嗎？
其實(shí)也不盡然。這要看你心目中的人工智能是什么樣了。我們的機(jī)器肯定會變得越來越聰明，但不一定是我們科幻小說中設(shè)想的那樣。AI的未來可能是非常微妙的。想象一下，將來你會有一輛完美的自動駕駛汽車，配備先進(jìn)的數(shù)字助理。你可以在早上通勤的時(shí)候與它交換笑話、聊新聞、安排日歷、改變目的地。這個(gè)自動駕駛汽車學(xué)會的不僅僅是交通規(guī)則。當(dāng)我們做到這一點(diǎn)的時(shí)候，你還會在意人工智能是不是一個(gè)噱頭嗎？它看起來不令我們滿意嗎？
