有比“深度學習”更聰明的人工智能嗎？

　　一提到人工智能，人們就會想到“深度學習”。然而，“深度學習”也有限度嗎?是否有比“深度學習”更好的人工智能技術(shù)。《紐約時報》近日撰文對此進行了討論。

　　文章全文如下：

　　在過去的五年里，人工智能領(lǐng)域最熱門的一個分支就是所謂的“深度學習”。簡單來說，這種稱為“深度學習”的統(tǒng)計技術(shù)為計算機提供了一種通過處理海量數(shù)據(jù)來進行學習的方法。通過深度學習，計算機可以輕松識別人臉和人類口語，使機器獲得其他形式的人類智能成為可能。

　　谷歌、Facebook和微軟等公司已經(jīng)為“深度學習”的研究進行了大量投資，這一領(lǐng)域也涌現(xiàn)出許多創(chuàng)業(yè)公司，他們試圖用這項技術(shù)來解決從癌癥治療到后臺自動化等一切問題。這一技術(shù)的感知和模式匹配能力正在應用于新藥開發(fā)和自動駕駛汽車等領(lǐng)域。

　　但是，現(xiàn)在有一些科學家提出了質(zhì)疑：“深度學習”是否真的如此深刻。

　　在最近的一些對話、在線評論和長篇論文中，越來越多的A.I.專家發(fā)出這樣的警告：對“深度學習”的迷戀可能會讓開發(fā)者短視和過度投資，并在以后產(chǎn)生幻滅。

　　“那里沒有真正的智能。”美國加州大學伯克利分校的教授邁克爾·喬丹(Michael I. Jordan)說。邁克爾·喬丹在今年四月份發(fā)表的一篇論文中為研究者對A.I的崇高期望潑了冷水。“我認為，對這些高級算法的過度信任是一種錯誤的信仰。”

　　一些專家警告說，危險在于A.I.將遇到技術(shù)壁壘，并最終面臨普遍的反彈。

　　“深度學習”算法利用一批相關(guān)數(shù)據(jù)(如人臉圖片)對軟件進行訓練，然后提供越來越多的數(shù)據(jù)，從而不斷提高軟件的模式匹配精度。雖然這種技術(shù)已經(jīng)取得了成功，但其應用主要局限于可以獲得大量數(shù)據(jù)集并且任務已經(jīng)被很好定義的領(lǐng)域，如標記圖像或語言翻譯。

　　這項技術(shù)在更加開放的智能領(lǐng)域——意義、推理和常識知識——則沒有什么進展。雖然深度學習軟件可以立即識別數(shù)百萬單詞，但它對“正義”、“民主”或“干預”等概念毫無理解。

　　研究人員已經(jīng)發(fā)現(xiàn)，具有“深度學習”能力的神經(jīng)網(wǎng)絡很容易被愚弄，例如，它可能會將3D打印的烏龜識別為步槍，將停車標志識別為冰箱。

　　在今年年初發(fā)表于科學論文網(wǎng)站arXiv.org上的一篇文章中，紐約大學教授加里·馬庫斯(Gary Marcus)提出了這樣一個問題：“深度學習是否已經(jīng)快要撞墻?”他寫道：“就像我們常�？吹降哪菢�，通過“深度學習”提取的模式比最初出現(xiàn)的模式更膚淺。”

　　如果“深度學習”是有限度的，那么我們現(xiàn)在可能為之投入了太多的金錢和聰明的大腦，艾倫人工智能研究所(Allen Institute for Artificial Intelligence)首席執(zhí)行官奧倫·伊佐尼(Oren Etzioni)說，“我們是在冒險，因為我們原本可以去推進A.I.領(lǐng)域其他重要概念和技術(shù)。”他說。

　　一些研究團隊、初創(chuàng)公司和計算機科學家對那些解決“深度學習”弱點的人工智能技術(shù)表現(xiàn)出更多的興趣。艾倫人工智能研究所在今年二月份宣布，它將在未來三年投資1.25億美元，主要用于研究如何教機器學習常識知識，該計劃名為“亞歷山大項目(Project Alexandria)”。

　　雖然各個研究團隊和公司的項目各不相同，但他們的共同目標是開發(fā)比“深度學習”應用更廣泛、更靈活的人工智能技術(shù)。這些技術(shù)需要的數(shù)據(jù)通常少得多，“深度學習”只是這些技術(shù)的一個要素。

　　“我們不是‘反深度學習’。”艾倫人工智能研究所的研究員、華盛頓大學計算機科學家Yejin Choi說，“我們正在試圖將A.I.推向更廣泛的領(lǐng)域，我們不是在批判工具。”

　　不同于“深度學習”的新工具通常是以新方式應用的舊技術(shù)。硅谷初創(chuàng)公司Kyndi的計算機科學家正在用Prolog(一種20世紀70年代出現(xiàn)的編程語言)開發(fā)新的工具。這種新工具是為A.I.的推理和知識表述而設(shè)計的，它可以處理事實和概念，并嘗試完成沒有明確定義的任務。

　　資深A.I.研究員本杰明·格羅索夫(Benjamin Grosof)今年五月加入Kyndi，擔任該公司首席科學家。格羅索夫表示，Kyndi正在為“將A.I.兩個分支聯(lián)合起來的新方法”而工作。

　　Kyndi首席執(zhí)行官Ryan Welsh表示，Kyndi已經(jīng)能夠使用非常少的數(shù)據(jù)來進行培訓，使之能夠自動生成事實、概念和推論。

　　他說，Kyndi系統(tǒng)可以用10到30份科學文件(每份文件10到50頁)來訓練。經(jīng)過訓練之后，Kyndi的軟件可以識別概念，而不僅僅是識別文字。

　　而且，Kyndi的閱讀和評分軟件工作速度很快。Ryan Welsh稱，人類分析師平均需要花費兩個小時才能閱讀一篇科學文獻，一年內(nèi)可能閱讀1000篇左右，而Kyndi的技術(shù)可以在七個小時內(nèi)閱讀完這1000份文件。

　　Kyndi作為一個不知疲倦的數(shù)字助理，可以識別需要人類作出判斷的文件。“目標是提高人類分析師的生產(chǎn)力。”威爾士先生說。

　　另一家名為Vicarious的創(chuàng)業(yè)公司致力于開發(fā)可以像人類一樣迅速地從一項任務轉(zhuǎn)向另一項任務的機器人。該公司去年秋天在《科學》雜志上發(fā)表了一篇論文。該公司在論文中稱，其A.I.技術(shù)可以從相對較少的例子中學習，以模仿人類視覺智能，其使用數(shù)據(jù)的效率是深度學習模型的300倍。

　　美國人工智能公司Vicarious的投資者包括伊隆·馬斯克、杰夫·貝佐斯和馬克·扎克伯格，該公司是研究A.I.新工具的杰出榜樣。

　　“‘深度學習’讓我們看到了希望之鄉(xiāng)，但我們還需要投資其他技術(shù)。”Vicarious共同創(chuàng)始人迪利普·喬治(Dileep George)說。

　　美國國防高級研究計劃局(DefenseAdvancedResearchProjectsAgency)提出了一個名為“機器常識(Machine Common Sense)”的計劃，該計劃旨在推進大學在A.I.領(lǐng)域的研究，并擬推出一個非商業(yè)性網(wǎng)絡，用于分享模擬人類常識性推理的技術(shù)創(chuàng)意。如果獲得批準，該計劃將于今年秋季開始實施，很可能運行五年，總投資約為6000萬美元。

　　“這是一個高風險的項目，問題比任何一家公司或研究團隊都大。”美國國防高級研究計劃局的官員大衛(wèi)·蓋寧(David Gunning)說。