|
深度学习要赶上人类的智能，还有很长的路要走。 今日推荐文章《当商业遇上深度学习》，来自头条号人工智能学家，经编辑。 在电影《超验骇客》中，约翰尼·德普扮演的威尔·卡斯特博士是伯克利人工智能领域首屈一指的研究者，他致力于开创有史以来最人性化的有感知的机器人，全方位结合了人类情感和智慧。 斯图尔特·拉塞尔是威尔·卡斯特的现实版本。他在伯克利加利福尼亚大学致力于人工智能的研究，并且与人合作编写了人工智能领域最有影响力的教科书。同时，他对接下来人工智能研究的潜在威胁也是直言不讳。 在今年早些时候，谷歌的DeepMind团队教会了一个计算机程序仅仅在数小时之内就将Atari（美国一家电脑游戏机厂商）的各款游戏玩到了人类能力所不能及的水平。在这个过程中，DeepMind团队并没有给程序提供相关背景知识。程序从零开始学习每一个游戏。 斯图尔特说“如果是新生儿做到这样，人们会认为这是惊人的天赋”。 对于这样的进步，我们是应该欢欣鼓舞还是应该忧虑紧张？
DeepMind团队成功的奥秘在于深度学习，是机器学习领域一个令人兴奋又非常活跃的分支。 机器学习是计算机领域下一次革命的推动力。取代以往辛苦地手动编写程序来使计算机执行任务，我们现在只需要让计算机自己去学习执行任务。 游戏是应用机器学习非常理想的领域。游戏里有非常精确的规则。这很容易产生胜者。计算机可以百万次的玩这些游戏从而提高自己在游戏中的表现。 可是，学习玩游戏对深度学习来说只是小菜一碟。深度学习转变了计算机转录信息、识别图像、排列搜索结果的方式，使得计算机可以执行许多其他需要智慧的任务。 深度学习使用一套以人类大脑为设计蓝本的“深度”神经网络。之所以说它是“深度”，是因为它有六层左右的神经网络。 这一层层的神经网络对成功至关重要。它们使得神经网络可以识别特性。例如，在图像识别中，中间层可以识别棱角等特性。 数据和运算能力对成功也至关重要。深度学习需要从学习的材料中积累数据。而且它的学习需要运行在多重的、专业的图像处理单元上。
看来深度学习已成为AI工具中重要的一员，然而，我们不可能只依靠它来解决所有AI领域的问题。 深度学习似乎尤其擅长感知方面的任务，如对语音和图像的处理。然而，要做需要更高层级的策略性推理工作，深度学习就遇到挑战了。想想类似规划建造一个工厂，或者解决复杂的综合数学难题这样的任务。 DeepMind的程序已经学会了如何进行像“乒乓球”和“太空入侵者”这样的电子游戏。但它在“吃豆豆”这样的游戏中表现得并不好，因为游戏中为了躲避敌人需要进行预先的规划。 此外还存在一些别的挑战。比如说，深度学习需要大量的数据，相比之下人类只需要几个示例就可以进行学习。 在很多领域中深度学习是困难的、痛苦的甚至无法完成的。我们还需要探索能让机器快速学习的方法。 深度学习的过程很大程度上是一个黑箱子。但很多领域中我们都希望计算机能够解释它做出的推断或者对结果给出证明。 最后，在很多情况下我们需要安全保障。空中运输控制程序必须保证不让两架飞机飞入同一空域中，自动驾驶汽车程序必须让车在红灯时停下来。而深度学习系统不具备这些安全保障。 不过还是有很多的商家在考虑尝试建立基于深度学习技术的新服务。 这一技术终将在无人驾驶汽车、搜索结果排名、产品推荐、垃圾邮件识别、股市交易以及医疗图像识别等领域扮演至关重要的角色。
深度学习要赶上人类的智能，还有很长的路要走。目前深度学习利用的“神经元”数量仅有数千，相互连接数也只有几百万。而人脑的神经元数是以十亿计的，连接数更是大得多的天文数字。 要将深度学习的规模扩展到与人脑相当，这还是一个科学与工程学的难题。毕竟人脑是我们在整个宇宙中已知的最复杂的系统。 而且还有像知觉和情绪这样的难题。虽然人类的智能驾驭这些问题轻车熟路，但我们还需要进一步了解这些问题的机制，并让它们在以硅为基础的智能中再现出来。 因此我们距离电影《超验骇客》中的“科技奇点”还有很长一段距离。到了计算机开始能够对它们的智能进行滚雪球式的自我完善时，它们就会很快超过人类智力的极限。
AI领域的很多研究者实际上都在怀疑我们是否能等到这样的时候。在科学和工程技术等方面遇到的任何障碍都有可能让机器智能停止进步的脚步。 但这一事实不会让我们停止创造正改变我们生活的工具。我们现在就应该为未来做打算，为那个大部分工作都由机器自动化完成的时代做好准备。
|
|
|
