[[255738]]

大數(shù)據(jù)文摘出品

編譯：小蔣、lvy、王嘉儀

經(jīng)過了多波浪潮的人工智能這次能夠有新的突破嗎?還是，歷史依然會(huì)重演呢?歲末年初，本文作者Thomas Nield從歷史上的英國(guó)講起，進(jìn)而探討了人工智能到底是什么，以及這一波人工智能浪潮又有哪些不同。

許多人認(rèn)為算法將會(huì)超越人類的認(rèn)知意識(shí)：機(jī)器可以在沒有人為干預(yù)的情況下辨別和學(xué)習(xí)任務(wù)，并將大規(guī)模地替換掉工人;他們完全可以“思考”;許多人甚至提出了我們是否可以將機(jī)器人作為配偶的問題。

但這不是什么新穎的想法，早在20世紀(jì)60年代，當(dāng)時(shí)的人工智能先驅(qū)Jerome Wiesner、Oliver Selfridge和Claude Shannon已經(jīng)很堅(jiān)信，這種情況會(huì)在不久的將來發(fā)生。

快進(jìn)到1973年，AI的炒作給英國(guó)帶來了適得其反的結(jié)果。

在這種AI熱潮下，英國(guó)議會(huì)不會(huì)無動(dòng)于衷，他們委任當(dāng)時(shí)的人工智能專家，James Lighthill爵士撰寫一份英國(guó)的AI研究現(xiàn)狀報(bào)告。

在這份研究報(bào)告中，James Lighthill非常激烈地批評(píng)了當(dāng)時(shí)被給予厚望的人工智能研究。Lighthill還指出，專業(yè)程序(或人)是如何比他們的“AI”同行表現(xiàn)得更好的。

這份報(bào)告被稱為L(zhǎng)ighthill Report，也正因?yàn)檫@份報(bào)告，當(dāng)時(shí)的英國(guó)政府取消了所有人工智能研究經(jīng)費(fèi)(英國(guó)的研究在20世紀(jì)80年代再次興起，Alvey項(xiàng)目是對(duì)日本的第五代計(jì)算機(jī)項(xiàng)目的回應(yīng))。

點(diǎn)擊查看當(dāng)時(shí)關(guān)于Lighthill報(bào)告的辯論：https://youtu.be/03p2CADwGF8

[[255739]]

1965年突破性的“MAC Hack VI

同一時(shí)間在大西洋彼岸，美國(guó)國(guó)防部在人工智能研究上投入了大量資金，隨后由于同樣的挫折，幾乎取消了所有資金：人工智能能力的夸大，高成本且無回報(bào)，以及在現(xiàn)實(shí)環(huán)境中價(jià)值前景存疑。

在20世紀(jì)80年代，日本積極嘗試用第五代計(jì)算機(jī)項(xiàng)目大膽刺激“AI”。然而，這最終也是一次耗資8.5億美元的失敗。

第一輪AI寒冬

20世紀(jì)80年代末迎來了第一輪AI寒冬。這是計(jì)算機(jī)科學(xué)的一個(gè)黑暗時(shí)期，組織和政府面臨“人工智能”研究失敗和沉沒成本，也由此導(dǎo)致人工智能研究停滯了數(shù)十年。

到了1990年代初，“AI”變成了一個(gè)骯臟的詞，這一狀況持續(xù)到了2000年。人們普遍認(rèn)為“人工智能不起作用”。編寫看似智能程序的軟件公司使用了“搜索算法”、“業(yè)務(wù)規(guī)則引擎”、“約束求解器”和“運(yùn)籌學(xué)”等術(shù)語。值得一提的是，這些寶貴的工具確實(shí)來自人工智能研究，但由于未能實(shí)現(xiàn)更宏大的目的，它們現(xiàn)在被重新命名。

但在2010年左右，情況開始發(fā)生變化。人們對(duì)AI的興趣再次迅速增長(zhǎng)，關(guān)于圖像分類的競(jìng)賽引起了媒體的關(guān)注。硅谷第一次通過使用足夠大的數(shù)據(jù)使神經(jīng)網(wǎng)絡(luò)發(fā)揮作用。

到2015年，“AI”研究獲得了許多財(cái)富500強(qiáng)企業(yè)的巨額預(yù)算。通常情況下，這些公司是由FOMO(fear of missing out)驅(qū)動(dòng)而不是實(shí)際的案例，擔(dān)心他們會(huì)被自動(dòng)化的競(jìng)爭(zhēng)對(duì)手所拋棄。畢竟，讓神經(jīng)網(wǎng)絡(luò)識(shí)別圖像中的物體真是令人印象深刻!對(duì)于非專業(yè)人士來說，SkyNet的能力肯定是下一個(gè)。但這真的是邁向真正的人工智能的一步嗎，或者是歷史重演?

所以，什么是AI呢?

很長(zhǎng)一段時(shí)間，我一直不喜歡“人工智能”這個(gè)詞。

它太模糊且深?yuàn)W，這還更多的是由營(yíng)銷人員而不是科學(xué)家定義的。當(dāng)然，市場(chǎng)營(yíng)銷和流行語可以說是促進(jìn)改變和接受新思維的必要條件。然而，流行語的混雜不可避免地導(dǎo)致了混亂。我的新華碩智能手機(jī)就被稱作具有“AI鈴聲”功能，而也就是可以動(dòng)態(tài)調(diào)整鈴聲音量，使其在環(huán)境噪音中足夠響亮。我猜想一些可以用一系列“if”條件或簡(jiǎn)單的線性函數(shù)進(jìn)行編程的東西，都被稱為“AI”。

有鑒于此，“AI”的定義受到廣泛爭(zhēng)議也就不足為奇了。我喜歡Geoffrey De Smet的定義，該定義指出AI解決方案適用于具有不確定性答案和/或不可避免的誤差范圍的問題。這將包括從機(jī)器學(xué)習(xí)到概率和搜索算法的各種工具。

也可以說人工智能的定義不斷發(fā)展，只包括突破性的發(fā)展，而過去的成功(如光學(xué)字符識(shí)別或語言翻譯)不再被視為“AI”。所以“人工智能”可以是一個(gè)相對(duì)術(shù)語，而不是絕對(duì)的。

近年來，“AI”經(jīng)常與“神經(jīng)網(wǎng)絡(luò)”聯(lián)系在一起，這也是本文將重點(diǎn)關(guān)注的問題。還有其他“AI”解決方案，從其他機(jī)器學(xué)習(xí)模型(樸素貝葉斯，支持向量機(jī)，XGBoost)到搜索算法。然而，神經(jīng)網(wǎng)絡(luò)可以說是目前最熱門的技術(shù)。

人工智能的“復(fù)興”?

2010年之后，人工智能的興起僅僅是掌握了一類新的任務(wù)：分類。更具體地說，由于神經(jīng)網(wǎng)絡(luò)的存在，科學(xué)家已經(jīng)開發(fā)出有效的方法來分類大多數(shù)類型的數(shù)據(jù)，包括圖像和自然語言。即使是自動(dòng)駕駛汽車也是分類任務(wù)，其中周圍道路的每個(gè)圖像都可以轉(zhuǎn)化為一組離散動(dòng)作(加油，剎車，左轉(zhuǎn)，右轉(zhuǎn)等)。如果想要簡(jiǎn)單了解其工作原理，請(qǐng)觀看這個(gè)如何制作一個(gè)視頻游戲的AI的教程。

(https://v.qq.com/x/page/x0827h24k33.html)

在我看來，自然語言處理比純粹的分類更令人印象深刻。很容易相信這些算法是有感知的，但如果你仔細(xì)研究它們就可以說它們依賴于語言模式而不是有意識(shí)構(gòu)建的思想。

谷歌Duplex可能是最令人印象深刻的自然語言處理技術(shù)，它允許你的安卓手機(jī)替你撥打電話，特別是預(yù)約什么。谷歌訓(xùn)練、結(jié)構(gòu)化、甚至可能硬編碼了“AI”?？梢钥隙ǖ氖?，假呼叫者聽起來自然有停頓。有“啊”和“嗯”......但是，這也是通過對(duì)語音模式的操作來完成的，而不是實(shí)際推理和思考。

這一切都非常令人印象深刻，而且肯定有一些有用的應(yīng)用程序。但我們確實(shí)需要調(diào)整我們的期望并停止炒作“深度學(xué)習(xí)”的能力。如果我們不這樣做，我們可能會(huì)發(fā)現(xiàn)自己處于另一輪的AI寒冬。

歷史總在重演

紐約大學(xué)的Gary Marcus寫了一篇關(guān)于深度學(xué)習(xí)局限性的文章，并提出了幾個(gè)令人警醒的觀點(diǎn)(在文章傳播開之后，他又寫了一篇同樣有趣的續(xù)篇)。Rodney Brooks將時(shí)間線放在一起，并通過引用的研究跟蹤他的AI炒作周期預(yù)測(cè)。

對(duì)此持懷疑態(tài)度的人通常有幾個(gè)共同點(diǎn)。神經(jīng)網(wǎng)絡(luò)需要的數(shù)據(jù)量非常大，即使在今天，數(shù)據(jù)仍然是有限的。這也是為什么你在YouTube上看到的“游戲”AI示例通常需要幾天不斷地輸?shù)粲螒颍钡缴窠?jīng)網(wǎng)絡(luò)找到對(duì)應(yīng)的獲勝模式。

我們確實(shí)需要降低我們的期望并停止夸大“深度學(xué)習(xí)”的能力。如果我們不這樣做，我們可能會(huì)發(fā)現(xiàn)即將又會(huì)迎來AI的另一個(gè)寒冬。

神經(jīng)網(wǎng)絡(luò)“深度”是在于它具有多層節(jié)點(diǎn)，而不是因?yàn)樗鼘?duì)問題產(chǎn)生了深刻的理解。這些層也使神經(jīng)網(wǎng)絡(luò)難以理解，對(duì)于開發(fā)人員也是是如此。最重要的是，當(dāng)神經(jīng)網(wǎng)絡(luò)進(jìn)入其他問題空間時(shí)，例如旅行推銷員問題，它會(huì)出現(xiàn)回報(bào)遞減的問題。為什么在搜索算法更加直接、有效、可擴(kuò)展且經(jīng)濟(jì)的情況下，我還要使用神經(jīng)網(wǎng)絡(luò)來解決旅行商問題呢?

當(dāng)然，有些人希望使用神經(jīng)網(wǎng)絡(luò)解決更多其他復(fù)雜的問題，雖然這很有趣，但神經(jīng)網(wǎng)絡(luò)似乎很難超越任何專門的算法。

Luke Hewitt 在《The Unreasonable Reputation of Neural Networks》文章中給出了最好的解釋：

需要指出的是，神經(jīng)網(wǎng)絡(luò)需要大量的硬件和軟件才能進(jìn)行訓(xùn)練。對(duì)我來說，這是不可持續(xù)的。當(dāng)然，神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度比訓(xùn)練時(shí)要高得多。然而，為了提高神經(jīng)網(wǎng)絡(luò)的精度，它需要不斷的被訓(xùn)練，因此訓(xùn)練時(shí)消耗的能量和成本成指數(shù)級(jí)增長(zhǎng)。當(dāng)然，現(xiàn)在計(jì)算機(jī)的速度越來越快，但芯片制造商能否繼續(xù)維持摩爾定律呢?

這是有道理的。為什么在搜索算法更加直接、有效、可擴(kuò)展且經(jīng)濟(jì)的情況下，我還要使用神經(jīng)網(wǎng)絡(luò)來解決旅行商問題呢?

正是由于這些原因，我認(rèn)為另一個(gè)AI寒冬即將來臨。越來越多的專家和博主正在指出這些局限。公司依舊花費(fèi)大價(jià)錢招聘最好的“深度學(xué)習(xí)”和“人工智能”人才，但我認(rèn)為許多公司認(rèn)識(shí)到深度學(xué)習(xí)并不是他們所需要的只是一個(gè)時(shí)間問題。更糟糕的是，如果你的公司沒有Google的研究預(yù)算、博士人才或從用戶那里收集的海量數(shù)據(jù)，你很快就會(huì)發(fā)現(xiàn)你實(shí)際的“深度學(xué)習(xí)”前景非常有限。

在每一個(gè)人工智能的寒冬之前，科學(xué)家們都在夸大和鼓吹他們創(chuàng)造的潛能。僅僅說他們的算法能很好地完成一項(xiàng)任務(wù)是不夠的，他們希望它能解決任何任務(wù)，或者至少給人一種它可以的印象。例如，AlphaZero特別擅長(zhǎng)于下棋，于是媒體的反應(yīng)是“哦，天哪，通用智能時(shí)代來了!機(jī)器人來了!”然而科學(xué)家們并沒有去糾正它們，而是鼓勵(lì)他們使用這些詞匯。畢竟，降低預(yù)期并不能幫助風(fēng)投融資。但是，盡管人工智能研究人員的機(jī)器人能力有限，但他們?nèi)匀粚⑺惴〝M人化，他們?yōu)槭裁磿?huì)這么做呢，這比起科學(xué)問題，倒更像是一個(gè)哲學(xué)問題。

[[255741]]

Garry Kasparov在1997年對(duì)陣Deep Blue時(shí)表示：Rex功能

接下來會(huì)面臨什么呢?

當(dāng)然，并不是所有使用“機(jī)器學(xué)習(xí)”或“人工智能”的公司實(shí)際上使用了“深度學(xué)習(xí)”。

一個(gè)好的數(shù)據(jù)科學(xué)家可能被雇傭來構(gòu)建一個(gè)神經(jīng)網(wǎng)絡(luò)，但當(dāng)她真正研究這個(gè)問題時(shí)，她覺得構(gòu)建一個(gè)樸素的貝葉斯分類器可能更合適。對(duì)于那些成功使用圖像識(shí)別和語言處理的公司來說，他們將繼續(xù)鉆研下去。但我認(rèn)為神經(jīng)網(wǎng)絡(luò)并沒有在這類問題空間以外的地方取得進(jìn)展。畢竟，緩和預(yù)期對(duì)風(fēng)投融資沒有幫助。

過去的人工智能寒冬在推動(dòng)計(jì)算機(jī)科學(xué)的發(fā)展方面是毀滅性的。但是人工智能研究確實(shí)產(chǎn)生了一些有用的東西，比如搜索算法可以在國(guó)際象棋中奪冠，也可以將運(yùn)輸問題的成本最小化。簡(jiǎn)單來說，創(chuàng)新性的算法往往只擅長(zhǎng)于一個(gè)特定的任務(wù)。

我想說明的是，許多問題都有都有很多相對(duì)應(yīng)的有效的解決方案。為了不在人工智能的寒冬中凍死，你最好專注于你想要去解決的問題并且理解它的本質(zhì)。在這基礎(chǔ)上，為這個(gè)特定問題提供一個(gè)直觀的解決方案路徑。如果你要對(duì)文本消息進(jìn)行分類，可能需要使用樸素貝葉斯分類器。如果你試圖優(yōu)化你的運(yùn)輸網(wǎng)絡(luò)，可能需要使用離散優(yōu)化。不管周圍的研究者怎么說，你都可以對(duì)卷積模型持有懷疑態(tài)度，并質(zhì)疑它的理論是否正確。

如果你不認(rèn)同畢達(dá)哥拉斯派的哲學(xué)，那么你能想到的最好方法就是讓人工智能“模擬”一些行為，創(chuàng)造出它產(chǎn)生了情感和思想的錯(cuò)覺。

希望這篇文章能讓你清楚的意識(shí)到，深度學(xué)習(xí)并不是解決大多數(shù)問題的正確方法。不要為所有問題尋求一個(gè)通用人工智能解決方案，因?yàn)槟悴豢赡苷业降摹?/p>

哲學(xué)vs科學(xué)

我想在這篇文章中提出的最后一點(diǎn)是，這個(gè)問題比科學(xué)更具有哲學(xué)意義。我們的每一個(gè)想法和感覺都僅僅是一堆數(shù)字以線性代數(shù)的方式被乘法和加法嗎?難道我們的大腦僅僅是一個(gè)神經(jīng)網(wǎng)絡(luò)，整天只是在做點(diǎn)積嗎?這聽起來像是畢達(dá)哥拉斯的哲學(xué)把我們的意識(shí)降維到了一個(gè)數(shù)字矩陣。也許這就是為什么如此多的科學(xué)家相信通用人工智能是可能存在的，因?yàn)槿祟惡陀?jì)算機(jī)沒有什么差別(我只是在這指出了這一點(diǎn)，并不是評(píng)論這個(gè)世界觀是對(duì)還是錯(cuò))。

不管周圍的研究者怎么說，你都可以對(duì)卷積模型持有懷疑態(tài)度，并質(zhì)疑它的理論是否正確。

如果你不認(rèn)同畢達(dá)哥拉斯的哲學(xué)，那么你能想到的最好方法就是讓人工智能“模擬”一些行為，創(chuàng)造出它產(chǎn)生了情感和思想的錯(cuò)覺。翻譯程序并不懂得中文，只不過它可以通過尋找概率模式來“模擬”理解中文的假象。當(dāng)你的智能手機(jī)“識(shí)別”狗狗的圖片時(shí)，難道它真的能識(shí)別出狗狗嗎?還是它只是看到了它以前學(xué)習(xí)過的數(shù)字模式?

相關(guān)報(bào)道：

https://towardsdatascience.com/is-deep-learning-already-hitting-its-limitations-c81826082ac3

【本文是51CTO專欄機(jī)構(gòu)大數(shù)據(jù)文摘的原創(chuàng)譯文，微信公眾號(hào)“大數(shù)據(jù)文摘（ id: BigDataDigest）”】

戳這里，看該作者更多好文