包括谷歌在內(nèi)的許多公司都信誓旦旦地宣稱，我們正生活在一個“以AI為先的時代”，機器學習也在語音和圖像識別等領(lǐng)域取得了突破，但是身在AI研究最前沿的人經(jīng)常指出，人類在這方面仍有大量工作要做。僅僅因為我們擁有了聽上去像電影中會說話的虛擬助手，并不意味著我們距離創(chuàng)造真正的人工智能更近一步。

 

　　我們在人工智能研究領(lǐng)域還面臨著諸多挑戰(zhàn)，比如需要海量數(shù)據(jù)來支持深度學習系統(tǒng)；我們還不能打造出不止擅長一項任務(wù)的AI；我們對這些系統(tǒng)的工作原理缺乏認識。2016年，機器學習創(chuàng)造了一系列極為出色的工具，但這些工具難以具體解釋，訓練費用高昂，即便對創(chuàng)造者來說，它們往往也像是謎一般的存在。下面就讓我們來詳細闡述一下我們在人工智能領(lǐng)域面臨的三大挑戰(zhàn)。

 

　　數(shù)據(jù)、數(shù)據(jù)，還是數(shù)據(jù)

 

　　眾所周知，人工智能需要數(shù)據(jù)來了解世界，但我們往往會忽視數(shù)據(jù)多少的重要性。英國謝菲爾德大學機器學習教授、亞馬遜人工智能團隊成員尼爾·勞倫斯（Neil Lawrence）指出，若想理解概念或識別某項功能，這些系統(tǒng)不僅需要比人類更多的信息，而且需要的信息數(shù)量更是多出人類數(shù)十萬倍。

 

　　勞倫斯說：“如果你看一看深度學習在哪些領(lǐng)域的應(yīng)用取得了成功，那么會發(fā)現(xiàn)這些往往是我們需要大量數(shù)據(jù)的領(lǐng)域。”例如，在語音和圖像識別領(lǐng)域，谷歌和Facebook等科技巨頭都擁有海量數(shù)據(jù)（如安卓設(shè)備上的語音搜索），令他們可以輕松開發(fā)有用的工具。

 

　　勞倫斯稱，當前，數(shù)據(jù)就像是工業(yè)革命早期的煤炭。他還以湯瑪斯·紐科門（Thomas Newcomen）為例來說明這一點。紐科門是英國人，在1712年發(fā)明了以煤為燃料的原始蒸汽機，比詹姆斯·瓦特（James Watt）發(fā)明先進蒸汽機早了大概60年。紐科門發(fā)明的蒸汽機并不太好，相比瓦特蒸汽機，效率低，費用高。這意味著，它只能在煤田使用——煤田有足夠多的燃料來克服蒸汽機的諸多不利條件。

 

 

　　勞倫斯表示，如今世界各地存在著數(shù)百個“紐科門”，他們正在開發(fā)自己的機器學習工具。這些工具可能具有革命性，但沒有數(shù)據(jù)來支撐它們，所以我們將永遠無法知道結(jié)果如何。谷歌、Facebook和微軟等科技巨頭就好像是今天的“煤礦”。他們擁有豐富的數(shù)據(jù)，也有經(jīng)濟能力來運行效率不高的機器學習系統(tǒng)并加以改善。

 

　　規(guī)模更小的創(chuàng)業(yè)公司可能有不錯的創(chuàng)意，但如果沒有數(shù)據(jù)支撐，他們就無力跟進科技巨頭在這個領(lǐng)域的動作。如果看一看你難以獲得數(shù)據(jù)的其他領(lǐng)域，會發(fā)現(xiàn)問題甚至更嚴重。以醫(yī)療保健為例，人工智能正被用于機器視覺任務(wù)，如識別X光片中的腫瘤，但這個領(lǐng)域的數(shù)字化數(shù)據(jù)卻很少。

 

　　正如勞倫斯所指出的，問題的棘手之處就在于，“迫使人們不厭其煩地去獲取數(shù)據(jù)，被普遍認為是不道德的事情”。勞倫斯表示，這里的問題不是尋找分發(fā)數(shù)據(jù)的途徑，而是如何讓深度學習系統(tǒng)變得更高效，可以在數(shù)據(jù)更少的情況下使用。就如同瓦特蒸汽機相比紐科門蒸汽機有了巨大突破一樣，人工智能的研究若想取得突破，可能也需要60年。

 

　　深度學習面臨的另一個重大挑戰(zhàn)是，當前所有的AI系統(tǒng)基本上就是“紙上談兵”。據(jù)谷歌DeepMind研究小組科學家拉伊亞·哈德塞爾（Raia Hadsell）介紹，一旦經(jīng)過訓練，它們可以極為高效地應(yīng)對一些任務(wù)，比如識別貓咪或是玩Atari游戲，但是，“目前世界上沒有神經(jīng)網(wǎng)絡(luò)或任何方法在經(jīng)過訓練后，可以識別物體和圖像，玩《太空侵略者》游戲，聽音樂。”神經(jīng)網(wǎng)絡(luò)（Neural network）是深度系統(tǒng)系統(tǒng)的基本組成部分。

 

　　實際上，問題比實際情況還嚴重。谷歌DeepMind團隊去年2月份宣布，它已經(jīng)開發(fā)了一種能在49個游戲中勝出的系統(tǒng)，雖然這肯定是巨大的科學成就，但每次擊敗某款游戲，該系統(tǒng)都需要再次進行訓練，以便在下一次的較量中勝出。正如哈德塞爾所指出的，你不能同時試著學會所有不同的游戲，因為不同游戲的規(guī)則會相互干擾。你可以一次學習一個游戲規(guī)則，但最終會忘了前幾個游戲的規(guī)則。“若想實現(xiàn)通用型人工智能，我們就需要一種能學會多任務(wù)處理的東西，”哈德塞爾說，“但是，我們現(xiàn)在甚至不能掌握多個游戲規(guī)則。”

 

　　解決這一問題就需要一種稱為“漸進神經(jīng)網(wǎng)絡(luò)”（progressive neural network）的東西——這意味著要將不同深度學習系統(tǒng)連接起來，令其可以傳遞某些信息片段。今年6月份，哈德塞爾的團隊就這一話題發(fā)表了一篇論文，稱他們開發(fā)的漸進神經(jīng)網(wǎng)絡(luò)可以適應(yīng)規(guī)則略有不同的多款《Pong》游戲，而且適應(yīng)的速度遠超正常的神經(jīng)網(wǎng)絡(luò)——后者必須從零開始了解每個游戲的規(guī)則。

 

 

　　這是一種頗具前景的方法，在最新實驗中，它甚至可以應(yīng)用于機械臂——將機械臂的學習過程從過去的幾周，縮短為現(xiàn)在的一天。然而，這種方法也存在諸多嚴重的短板，哈德塞爾稱漸進神經(jīng)網(wǎng)絡(luò)不能持續(xù)地在“記憶”中增加新任務(wù)。她說，如果你將幾條鐵鏈子連在一起，那么整條鏈子遲早“變得過于龐大，難以駕馭”。到那個時候，我們正在管理的不同任務(wù)基本上都是相同的——打造一種智力相當于人類的系統(tǒng)，可以寫詩、解決微分方程、設(shè)計椅子，這種系統(tǒng)也將成為與眾不同的東西。

 

　　缺乏對AI內(nèi)部機制的了解

 

　　另一個重大挑戰(zhàn)是，理解人工智能如何得出它們的結(jié)論。對于外行人來說，神經(jīng)系統(tǒng)通常是謎一般的存在。雖然我們了解了如何將它們連接起來的辦法，也了解了經(jīng)過這些系統(tǒng)的信息，但這些系統(tǒng)為何會作出某些決定，原因往往是我們難以理解的。

 

　　弗吉尼亞理工學院的一次實驗，就充分展現(xiàn)了這一挑戰(zhàn)。研究人員給神經(jīng)網(wǎng)絡(luò)開發(fā)了一種眼部追蹤系統(tǒng)，將計算機最先看到的像素記錄下來。研究人員將一張臥室的神經(jīng)網(wǎng)絡(luò)照片拿給該系統(tǒng)看，然后問：“蓋住窗戶的是什么東西？”他們發(fā)現(xiàn)，該系統(tǒng)并沒有看窗戶，而是朝地上看了看。

 

　　接著，如果發(fā)現(xiàn)了一張床，它會回答“窗簾蓋住了窗戶”。該系統(tǒng)碰巧給出了正確答案，但這只是因為它接受訓練時的數(shù)據(jù)有限。根據(jù)研究人員向它展示的照片，神經(jīng)網(wǎng)絡(luò)得出了這樣的一個結(jié)論，即如果是在臥室中，那么窗戶上一定要窗簾。所以，只要看到床，該系統(tǒng)就不會再看第二眼了——它已經(jīng)看到過窗簾了。當然，這合乎邏輯，但卻是很愚蠢的做法。許多臥室根本就沒有窗簾！

 

　　眼部追蹤只是一個揭示AI內(nèi)部機制的方法，另一個方法可能是給深度學習系統(tǒng)注入更多的連貫性。倫敦大學帝國理工學院認知機器人科學教授莫里·沙納漢（Murray Shanahan）表示，實現(xiàn)這一目的的途徑是，重新采用一種名為“有效的老式人工智能”（ GOFAI）的傳統(tǒng)機器學習方法。這種方法是基于一個假想提出的，即腦海中發(fā)生的東西可以縮減為基本的邏輯，讓世界由眾多復(fù)雜的符號來定義。通過將這些表示動作、事件和物體的符號結(jié)合起來，你基本上可以形成自己的看法。

 

　　沙納漢建議，我們應(yīng)該吸取GOFAI的符號描述方法，然后與深度學習結(jié)合起來。這些系統(tǒng)將成為人工智能系統(tǒng)了解世界的一個起點，而不是不斷提供數(shù)據(jù)，等待其識別某些圖像。他說，這種辦法不僅可以解決AI的透明度問題，而且還能解決哈德塞爾提出的轉(zhuǎn)移學習成果的問題。

 

　　沙納漢說：“可以這樣說，《Breakout》類似于《Pong》，因為它們都得到了槳和球，但堪比人類的認知能力將它們以更大的規(guī)模連接起來，就像是原子結(jié)構(gòu)和太陽系結(jié)構(gòu)之間的連接一樣。”沙納漢及其團隊正在開發(fā)一種新的方法（他們稱之為“深度符號增強學習法”），并且公布了一些實驗成果。

 

　　這項研究目前仍然處于初級階段，發(fā)現(xiàn)它是否可以應(yīng)用于更大的系統(tǒng)和不同類型的數(shù)據(jù)，將更加具有說服力。但是，它很有可能會演變?yōu)楦嗟臇|西。畢竟，在研究人員近年來開始挖掘廉價數(shù)據(jù)和大量處理能力之前，深度學習本身就是AI當中一個不受垂青的部分。也許，現(xiàn)在到了AI迎來再一次爆發(fā)，在新環(huán)境下大展身手的時候了。