量子計算、神經(jīng)形態(tài)芯片和其他技術正悄悄地將機器學習推向深不可測的新高度。

機器學習在短時間內(nèi)取得了長足進步，似乎每天我們都會聽到有關人工智能（AI）能力的新突破。但即使有這么多炒作，一些改變游戲規(guī)則的進步最初卻往往被忽視。

無論是在國際象棋和圍棋上戰(zhàn)勝人類大師，創(chuàng)作新的視頻游戲配樂，還是在診斷癌癥方面擊敗醫(yī)生，人工智能顯然已經(jīng)不再只是科學幻想。但即便如此，我們實際上也只是觸及了各種可能性的“冰山一角”。

機器學習在數(shù)據(jù)、計算能力、可解釋性等方面仍然面臨一些基本限制。但這正是這些新興創(chuàng)新讓人們?nèi)绱伺d奮的原因。它們可以打破現(xiàn)有的限制，為人工智能開辟一個我們今天幾乎無法想象的新應用世界。

在探索這個新世界之前，讓我們先回顧一下機器學習。

機器學習的演進

機器學習一夜成名。第一個神經(jīng)網(wǎng)絡出現(xiàn)在1958年！但是，當研究人員意識到殘酷的數(shù)據(jù)和計算需求時，早期的樂觀情緒很快就消失了。

這些原始的“感知機”（Perceptrons）在能力上很快就遇到了瓶頸。快進到80年代，由于有了更先進的模型，人們的興趣又開始回升。但在學術界之外，機器學習仍然是相當小眾的領域。此時，它對大多數(shù)企業(yè)來說還不是很方便或有用。

云計算，像TensorFlow這樣的開源框架，以及由網(wǎng)絡釋放的大量數(shù)據(jù)集，都完全改變了游戲規(guī)則。當你把它與功能強大的現(xiàn)代硬件結合起來時，機器學習終于在2010年代實現(xiàn)了騰飛。盡管如此，今天的機器學習仍有明顯的缺陷：算法吸收了大量的數(shù)據(jù)，但提供了很少的透明度。

它們需要艱辛的人類工程，而且在狹義的任務范圍之外，表現(xiàn)是脆弱的。雖然視覺和語音識別繼續(xù)快速發(fā)展，但像情商、社交技能和抽象推理等領域仍然嚴重缺乏。即使是在新環(huán)境中的導航也能難倒今天的機器人！顯然，我們需要的不僅僅是漸進式的進步來推動人工智能進入下一個階段。我們需要量子飛躍——完全不同的技術將我們“彈射”至未來。

量子機器學習：一場恐怖的革命？

好了，是時候來點科幻了。當提及“量子機器學習”（Quantum Machine Learning）時，你的腦海中可能會浮現(xiàn)《黑客帝國》中的幽靈圖像。但是這里的“量子”究竟是什么意思呢？簡而言之，量子計算機利用奇異的物理現(xiàn)象（如糾纏和疊加），以即使是最強大的超級計算機也無法觸及的方式處理信息。

這里就不贅述“量子力學”的概念了，但關鍵的思想是量子計算機并不局限于二進制位，它可以并行地探索廣闊的可能性空間?！疤剿骺赡苄浴保@聽起來跟機器學習的理念不謀而合！這正是量子計算能讓機器學習研究人員如此興奮的原因。

對于量子計算機來說，某些阻礙傳統(tǒng)硬件的優(yōu)化問題變得輕而易舉。利用量子效應，像格羅弗搜索（Grover Search）和量子退火（Quantum Annealing，一種利用量子隧穿效應尋找全局最優(yōu)解的技術）這樣的算法可以比經(jīng)典方法更快地發(fā)現(xiàn)隱藏在巨大數(shù)據(jù)集中的模式。

制藥研究人員已經(jīng)在實際藥物數(shù)據(jù)上使用量子算法來分析分子間的相互作用。這一結果無疑是令人興奮的。展望未來，量子人工智能還將為醫(yī)學生產(chǎn)出全新的化合物，或者譜寫出我們從未聽過的永恒旋律。

當然，量子計算仍處于萌芽階段。我們還需要幾年的時間才能獲得足夠穩(wěn)定的量子比特來運行先進的人工智能應用程序。當然，也不是所有的機器學習技術都能完美地轉化為量子平臺。但如果我們克服了工程上的障礙，量子人工智能可以以驚人的速度和準確性承擔從疾病診斷到天氣預報的任何事情。

神經(jīng)形態(tài)計算：芯片能模擬大腦嗎？

現(xiàn)在，我們來看一種不那么令人費解但同樣具有變革意義的技術——神經(jīng)形態(tài)計算（Neuromorphic Computing）。下一個趨勢不是量子怪誕性（Quantum Weirdness），而是試圖用微芯片模擬我們的生物大腦。

人類的大腦可以毫不費力地處理讓AI費解的復雜的模式識別和學習任務。神經(jīng)形態(tài)芯片旨在通過物理上類似神經(jīng)網(wǎng)絡的電路來模擬大腦的大規(guī)模并行結構。 

這個領域的領先項目甚至結合了突觸可塑性和脈沖信號來傳遞數(shù)據(jù)。最終結果是快速模式識別以及超低功耗。這種神經(jīng)形態(tài)的方法可以為我們提供所需的震動，以開發(fā)更靈活的類人智能。想象一下，可以根據(jù)面部線索感知情緒的交互式助手，或者像動物一樣本能地在陌生地方導航的機器人。與量子計算一樣，神經(jīng)形態(tài)硬件仍處于高度實驗階段。

與經(jīng)過市場驗證的GPU和張量處理單元（Tensor Processing Units）相比，未經(jīng)驗證的新架構通常面臨著大規(guī)模采用的困局。但就神經(jīng)形態(tài)計算而言，一切冒險都將是值得的。Darpa、IBM和英特爾實驗室的項目就很好地證明了這一點。

聯(lián)邦學習：將人工智能帶給人們

我們的人工智能創(chuàng)新之旅已經(jīng)進行了一半，讓我們換個話題，談談軟件方面的突破，也就是所謂的聯(lián)邦學習（Federated Learning）?，F(xiàn)在，技術人員可能知道機器學習會吞噬數(shù)據(jù)，而且還是海量的數(shù)據(jù)。

當涉及敏感數(shù)據(jù)（如醫(yī)療記錄）時，問題就出現(xiàn)了。嚴格的隱私法意味著醫(yī)院通常不能輕易匯集患者數(shù)據(jù)來訓練共享模型——即使它可以挽救生命。

傳統(tǒng)上，數(shù)據(jù)科學家必須在強大的集中式人工智能和局部缺陷模型之間做出艱難抉擇。不過，無論哪種選擇都不能盡如人意。聯(lián)邦學習的出現(xiàn)很好地解決了這一問題。它允許組織在不共享原始私有數(shù)據(jù)的情況下協(xié)作訓練高質量的模型，其本質上是點對點發(fā)送算法模型更新，而不是將敏感數(shù)據(jù)傳輸?shù)街醒敕掌鳌?/p>

領先的研究人員認為，在本世紀20年代及以后，私人聯(lián)邦學習將為醫(yī)學、金融、生物識別等領域開啟改變生活的人工智能。當然，濫用仍然會損害隱私。反對者還認為，它比集中式方法效率低。也許吧，但通過將協(xié)作式人工智能安全地帶入落后的醫(yī)院和銀行，我認為聯(lián)邦學習是一場勝利！

小樣本學習：“健忘癥”AI？

至此，你可能想知道人工智能研究人員是否還有其他瘋狂的想法。當然，畢竟我們還沒說到“小樣本學習”（few-shot learning）呢！你可能以為我要抱怨人工智能所謂的金魚記憶了，但事實恰恰相反。

今天的模式饑渴型（pattern-hungry）神經(jīng)網(wǎng)絡面臨的一個巨大限制是它們對標記訓練數(shù)據(jù)的無盡需求。構建有能力的圖像和語言模型需要將算法暴露于數(shù)百萬個高質量的示例中。對于許多應用程序來說，組裝大量數(shù)據(jù)集是不可行的。這就是小樣本學習可以發(fā)揮作用的地方！

避免繁重的數(shù)據(jù)集編碼和無休止的重復訓練。小樣本學習使模型能夠熟練地從少量樣本中分類新概念。

還記得你的大腦是如何在幾次接觸后輕松識別新的動物或語言的嗎？“小樣本學習”的目標是為機器帶來這種通用的、采樣效率高的智能。

研究人員報告稱已經(jīng)在使用快速積累知識的專業(yè)神經(jīng)網(wǎng)絡架構方面實現(xiàn)了新突破。令人難以置信的是，一些計算機視覺模型可以在觀看一兩張圖像后準確地分類看不見的物體類別！

想象一下，這對衛(wèi)星圖像分析、醫(yī)學甚至是有限參考圖像的藝術修復的影響。當然，懷疑者警告說，小樣本方法仍然無法與無限制數(shù)據(jù)的性能飽和模型相匹配。

不過，先別就此氣餒！如果說過去十年機器學習的進步教會了我們什么，那就是永遠不要低估研究人員的聰明才智。

可解釋性AI：不再有黑匣子的借口了？

最后，我有一個更令人振奮的創(chuàng)新要分享，但需要提醒的是，最后一個存在一些爭議。到目前為止，我們已經(jīng)介紹了解決ML在速度、效率和數(shù)據(jù)需求等方面限制的前沿進展。

但許多專家認為，如今的算法存在一個更大的缺陷——缺乏透明度。批評者抱怨神經(jīng)網(wǎng)絡是難以理解的“黑匣子”，甚至設計師也很難追溯其預測和建議背后的邏輯。

立法者對不透明的人工智能決策的社會后果持謹慎態(tài)度。如果我們根本不知道這些模型是如何運行的，我們?nèi)绾文鼙ＷC問責制呢？面對這種情況，研究人員并未選擇擺爛，為復雜性辯護，而是正面解決了黑箱困境，讓人工智能邁入了可解釋的新領域。

可解釋性人工智能（Explainable AI，簡稱XAI）包含了一些巧妙的技術，本質上是對機器學習模型的內(nèi)部工作原理進行逆向工程。XAI工具包中的工具范圍從敏感性分析到精確定位有影響的訓練數(shù)據(jù)的技術。它甚至包括生成模型邏輯的自然語言解釋的算法。

不要誤解我的意思——考慮到最先進模型的復雜性，可解釋性人工智能仍然是一個令人難以置信的雄心勃勃的目標。但恢復透明度的穩(wěn)步進展讓我感到樂觀?？山忉屝匀斯ぶ悄懿粌H可以緩解合規(guī)性壓力，還可以嗅出隱藏的偏見，建立公眾信任。這些見解可能會為下一代機器學習算法打開思路。

人工智能的未來——即將到來的融合

我們剛剛講了很多內(nèi)容，希望你已經(jīng)瞥見了當今主流人工智能表面下一些令人興奮的進展。

但即便如此，我們也只是觸及了表面。我甚至沒有談到3D機器學習、GAN創(chuàng)造力等方面的創(chuàng)新！現(xiàn)在，你可能想知道，這么多的進步同時進行，我們?nèi)绾卫斫膺@一切？

這個問題問得好。我認為最令人興奮的可能性實際上來自于多種技術協(xié)同作用的交匯點。例如，將小樣本學習與量子優(yōu)化相結合實際上可以消除某些應用程序的數(shù)據(jù)障礙。神經(jīng)形態(tài)芯片可能解鎖曾經(jīng)被計算瓶頸阻礙的能力。

可解釋的接口對于解釋量子算法或解碼的大腦活動至關重要。為尚未證實的技術繪制開發(fā)路線圖是很棘手的。但我認為，與這些突破對未來社會可能產(chǎn)生的劃時代意義相比，這些挑戰(zhàn)都顯得蒼白無力。

我們需要深思熟慮地解決偏見、自動化等方面的風險。但如果引導謹慎，將互補的量子、神經(jīng)、聯(lián)邦和其他學習方法結合起來，可能會催化人工智能的復興，為人類進步積聚數(shù)十年的動力。

結語

我們探索的創(chuàng)新——從量子機器學習到可解釋性人工智能——突顯了人工智能領域的發(fā)展速度有多快。每一項技術突破都有可能打破限制當前人工智能系統(tǒng)的障礙。它們有望共同開創(chuàng)一個前所未有的機器學習能力時代。

然而，如此強大的力量也帶來了巨大的責任。當我們將機器推向未知的智能領域時，我們必須在如何開發(fā)和部署這些技術方面保持謹慎和道德。深思熟慮的治理、問責措施和社會意識對于確保繁榮和公平地分享人工智能的利益，同時降低風險至關重要。

如果我們明智地引導進步，這場多維度的人工智能革命可以使我們以前所未有的方式蓬勃發(fā)展。從個性化醫(yī)療保健到清潔能源等領域，量子、神經(jīng)和其他機器學習領域的融合突破可能很快就會幫助人類解決最棘手的挑戰(zhàn)。

原文標題：??Quantum leaps in machine learning: Pushing the boundaries of AI capabilities??，作者：Shafeeq Rahaman