大數(shù)據(jù)文摘作品，轉(zhuǎn)載要求見文末

作者 | THINKMARIYA

編譯 | 張禮俊,，曹翔

人工智能空前火熱,。許多公司已經(jīng)用IBM Watson系統(tǒng)取代了工人；人工智能算法甚至能比醫(yī)生更準(zhǔn)確地診斷病人,。新的人工智能創(chuàng)業(yè)公司如雨后春筍,，宣稱可以使用機(jī)器學(xué)習(xí)來解決你所有個人問題和商業(yè)問題。 

許多平時看似普通的物品,，像是果汁機(jī),、Wi-Fi路由器，做廣告時都說自己由人工智能驅(qū)動,。又比如智慧書桌,，不僅能記住你不同時段所需要的高度設(shè)置，還能幫你叫外賣,。

許多喧囂人工智能的報道其實(shí)是由那些從沒親手訓(xùn)練實(shí)現(xiàn)過一個神經(jīng)網(wǎng)絡(luò)的記者,，或是那些還沒解決任何實(shí)際商業(yè)問題卻想招募天才工程師的初創(chuàng)公司寫的。怪不得大眾會對人工智能能做什么不能做什么有那么多誤解,。

神經(jīng)網(wǎng)絡(luò)早在六十年代就被發(fā)明，但最近大數(shù)據(jù)和計算能力的提升才使它在實(shí)際應(yīng)用中取得效果,。已經(jīng)出現(xiàn)了一個名為“深度學(xué)習(xí)”的新學(xué)科,，它可以應(yīng)用復(fù)雜的神經(jīng)網(wǎng)絡(luò)架構(gòu)，比以前更準(zhǔn)確地對數(shù)據(jù)模型進(jìn)行建模,。

深度學(xué)習(xí)成果斐然,。如今，深度學(xué)習(xí)可以識別圖像和視頻中的物體，可以將語音轉(zhuǎn)化成文字,，甚至比人做得更好,。谷歌將谷歌翻譯的結(jié)構(gòu)替換成了神經(jīng)網(wǎng)絡(luò)，現(xiàn)在機(jī)器翻譯的表現(xiàn)已經(jīng)非常接近人類,。  

深度學(xué)習(xí)的實(shí)際應(yīng)用同樣讓人興奮,。計算機(jī)可以比政府農(nóng)業(yè)機(jī)構(gòu)更準(zhǔn)確地預(yù)測農(nóng)作物產(chǎn)量；在診斷癌癥上,，甚至比最優(yōu)秀的醫(yī)師更加準(zhǔn)確,。

美國國防部高等研究計劃署的主管John Launchbury描述了人工智能的三個浪潮：

1.人工選擇的知識表達(dá)，或者像是IBM深藍(lán),、沃森這樣的專家系統(tǒng),。

2.統(tǒng)計學(xué)習(xí)，包括機(jī)器學(xué)習(xí)和深度學(xué)習(xí),。

3.內(nèi)容適應(yīng),，涉及到用稀疏數(shù)據(jù)給現(xiàn)實(shí)世界的現(xiàn)象構(gòu)建可靠可解釋的模型，像人類一樣,。

作為人工智能第二波的一部分,， 深度學(xué)習(xí)算法效果很好，這是因?yàn)長aunchbury所說的流形假設(shè),。簡單來說,，這是指出了在較低維度下可視化時，不同類型的高維自然數(shù)據(jù)如何趨于聚集和變形,。

通過數(shù)學(xué)操作和分離數(shù)據(jù)塊,，深度學(xué)習(xí)能夠區(qū)分不同的數(shù)據(jù)類型。雖然神經(jīng)網(wǎng)絡(luò)可以取得精確的分類及預(yù)測能力,，這些本質(zhì)上源于Launchbury所說的“增強(qiáng)版的電子表格”,。

最近灣區(qū)人工智能創(chuàng)業(yè)者會議上，F(xiàn)rancois Cholle強(qiáng)調(diào)說深度學(xué)習(xí)僅僅只是比之前的統(tǒng)計和機(jī)器學(xué)習(xí)方法更強(qiáng)大的模式識別方法,。 Cholle是谷歌人工智能研究員,，也是發(fā)明了深度學(xué)習(xí)Keras的著名開發(fā)者。他認(rèn)為人工智能最關(guān)鍵的問題是抽象和推理?，F(xiàn)如今的監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)需要太多數(shù)據(jù),，無法像人一樣做推理規(guī)劃，只是在做簡單的模式識別,。

相反，人類可以從非常少數(shù)的例子中學(xué)習(xí),，可以安排長期的計劃,，并且能夠形成一種情形的抽象模型，并將這些模型用到更多不同的情況之中。

即便讓深度學(xué)習(xí)算法學(xué)會非常簡單的人類行為也是一件費(fèi)勁的事,！ 想想看當(dāng)你走在路上想要躲開撞向你的車時,，如果你想通過監(jiān)督學(xué)習(xí)決定下一步要怎么做，你需要大量標(biāo)記了車輛情景和應(yīng)該采取的行動的數(shù)據(jù),，像是“停止”或者“移動”,。然后你要訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)去學(xué)習(xí)情景和應(yīng)該采取的行動之間的映射。

如果用強(qiáng)化學(xué)習(xí)的方式,，給你的算法一個目標(biāo),，然后讓它自行決定最佳的行動是什么，在計算機(jī)學(xué)會不同道路情況下躲開汽車之前,，可能早已經(jīng)被車撞死幾千次了

Chollet提醒人們不可能僅僅通過加強(qiáng)當(dāng)今的深度學(xué)習(xí)算法來取得通用智能,。

人類只要別人說一次就知道要避開車。我們有能力從少數(shù)例子來泛化我們學(xué)到的知識,，并且可以想象從被車撞到后會有多糟糕,。我們大多數(shù)人很快就能學(xué)會毫發(fā)無損的躲開汽車。

當(dāng)神經(jīng)網(wǎng)絡(luò)在大規(guī)模數(shù)據(jù)上取得統(tǒng)計意義明顯的成果時,，個體數(shù)據(jù)上卻是不可靠的,，并且常常會犯人們不會犯的錯誤，比如把牙刷預(yù)測成棒球棍,。

你的結(jié)果只會和你的數(shù)據(jù)一樣好,。給神經(jīng)網(wǎng)絡(luò)不準(zhǔn)確或者不完整的數(shù)據(jù)只會得到錯誤的結(jié)果。這些結(jié)論既很尷尬,，還很危險,！兩次公關(guān)危機(jī)中，谷歌錯誤得把黑人識別成大猩猩,，微軟的系統(tǒng)僅僅用推特的數(shù)據(jù)訓(xùn)練幾小時后就學(xué)會種族歧視,，女性歧視的言論了。

我們的輸入數(shù)據(jù)中潛藏著不希望的偏差,。谷歌龐大的詞向量系統(tǒng)建立在谷歌新聞的三百萬條新聞之上,。數(shù)據(jù)集會自己做出像父親是醫(yī)生母親是護(hù)士的聯(lián)系，反映了我們語言中的性別偏見,。波士頓大學(xué)的研究人員Tolga Bolukbasi借助了亞馬遜Mechanical Turk眾籌平臺,，利用人們的評分來嘗試去除這些偏見的聯(lián)系。

Bolukbasi認(rèn)為這個思路是至關(guān)重要的,，因?yàn)樵~向量不僅會反映成見,，還會放大成見。如果醫(yī)生更多的和男性聯(lián)系在一起,，那么算法會優(yōu)先將男性工作申請者匹配到醫(yī)師的職位上去,。

最后,，生成式對抗性網(wǎng)絡(luò)的發(fā)明人Ian Goodfellow展示了神經(jīng)網(wǎng)絡(luò)會被反例給欺騙。給圖像做一些人眼看不出來的操作之后,，復(fù)雜的攻擊者欺騙了神經(jīng)網(wǎng)絡(luò)使其無法正確識別出物體,。

我們?nèi)绾慰朔疃葘W(xué)習(xí)的局限性并通向通用智能呢,？Chollet最早的計劃是從數(shù)學(xué)證明領(lǐng)域開始使用超越人類的模式識別,，比如深度學(xué)習(xí)來幫助增強(qiáng)搜索和形式系統(tǒng)。

自動定理證明器通常暴力搜索每一種可能的情形,，實(shí)際應(yīng)用中很快就會遇到組合爆炸的問題（搜索時間指數(shù)性上漲）,。在深度數(shù)學(xué)項(xiàng)目中，Chollet和他的同事使用深度學(xué)習(xí)來協(xié)助定理搜索的過程,，模擬數(shù)學(xué)家關(guān)于哪些引理會是有用的直覺,。

另一種方式是開發(fā)更易于解釋的模型。手寫識別中,，神經(jīng)網(wǎng)絡(luò)通常要有成千上萬的數(shù)據(jù)才能達(dá)到還不錯的分類結(jié)果,。相比著眼于像素，Launchbury認(rèn)為生成式模型可以學(xué)會任意一個文字的筆劃,，然后用這些筆劃信息來區(qū)分相似的數(shù)字,，比如9和4。

卷積神經(jīng)網(wǎng)絡(luò)的創(chuàng)始人兼臉書人工智能研究總監(jiān)Yann LeCun提出了一種基于能量的模型來克服深度學(xué)習(xí)中的局限性,。通常而言,，我們只會訓(xùn)練神經(jīng)網(wǎng)絡(luò)產(chǎn)生一個輸出，像是一個圖像的標(biāo)簽或者一句話的翻譯,。LeCun的基于能量的模型則給出了所有可能輸出的集合,，比如說一句話所有可能的翻譯方式，以及每種翻譯方式對應(yīng)的評分,。

深度學(xué)習(xí)之父Geoffrey Hinton想用塊狀結(jié)構(gòu) 來取代神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元結(jié)果,。他相信這樣能更準(zhǔn)確地反映人類大腦的生理學(xué)模型。生物進(jìn)化必然已經(jīng)發(fā)現(xiàn)了一種能高效地在初級神經(jīng)感知回路進(jìn)行特征調(diào)整的方式,，這些調(diào)整會對后續(xù)神經(jīng)回路特征表達(dá)非常有用,。Hinton希望塊狀的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能夠更有效的應(yīng)對之前Goodfellow提出的對抗訓(xùn)練。

也許所有這些克服深度學(xué)習(xí)局限性的方法都有自己的價值,，也許都沒有,。只有時間和人工智能領(lǐng)域的持續(xù)投入才能告訴我們答案。

掃碼報名Strata Data Conference大會

大數(shù)據(jù)文摘專享優(yōu)惠截至5月5日