吳恩達對AI的看法或太樂觀！AI研究在很多領域正停滯不前

本文屬於Emtech Digital人工智慧峰會獨家精選

編者論：有一位著名的深度學習質疑者近日在EmTech Digital人工智慧峰會上發表演講。其中，關於業界權威吳恩達對於通用人工智慧的一些觀點，這位在學界和產業界都有著一定聲望的質疑者毫無保留地進行了評論。

質疑歸質疑，質疑本身並不是問題。但我們看完這篇文章也可得出一個結論：在人工智慧已經進入全民瘋狂炒作的當下中國，我們其實很需要冷靜下來對AI做些真正的、有意義的思考和研討。

在 20 世紀 40 年代，唐納德·赫布（Donald Hebb）提出了一個關於大腦中神經元如何學習識別輸入的理論。他的研究表明，神經元的重複放電可能會加強它們之間的聯繫，因此再次遇到同樣輸入時會增加再次放電的可能性。

一些研究人員採用了類似的設計構建的計算機，但是這種所謂的「神經網路」受到了很大的限制。直到1986年，一組研究人員才找到了提高學習能力的方法。

同時，研究人員還表明了神經網路可以處理很多問題：從視覺數據中的模式識別，到英語動詞的過去時識別等等。用足夠的數據樣本來訓練神經網路，它們就能形成執行某些任務所需要的聯繫。

這些研究人員將他們的方法稱為「聯結主義」（connectionism），並認為只要有構建足夠大的神經網路，就能構建機器智能。儘管他們的想法並沒有立刻顛覆人工智慧學界，但最終卻促成了今天的深度學習時代。

45歲的 Gary Marcus 是紐約大學的心理學教授，同時也是人工智慧創業公司 Geometric Intelligence 的聯合創始人，這家公司後被Uber收購。

然而，今天我們介紹的這位 AI 領域著名研究者、認知科學家Gary Marcus卻是深度學習的著名質疑者。他經常對 AI 領域中過度依賴數據的操作方式加以批判，在行業中頻頻引發爭議和討論。

實際上，Gary Marcus質疑深度學習的核心觀點非常簡單：識別並不等於理解。他認為，因為深度學習系統需要大量的數據樣本，所以研究人員通常不得不向機器學習系統提供不計其數的對話樣本，以訓練出能夠與人自然交流的機器，這可能會使機器能夠進行簡單的會話。然而，認知科學卻表明，這並不是人類掌握語言和進行交流的思維方式。

相比深度學習，兩歲的孩子能夠通過推理和泛化來學習——這些學習方式雖然並不完美，但是卻比深度學習複雜的多。目前很清楚的是，大腦不僅僅可以從大量數據中進行模式識別，它也可以從相對較少的數據中獲取更深層次的抽象概念。

Marcus 認為，如果要創造出真正複雜的人工智慧系統，研究人員必須從小孩子學會概念並學會概括的過程中獲得真正的啟示，然後將這些啟示所孕育的基本原理用於機器學習系統設計，創造出以更新、更好的方式去學習的人工智慧系統。

Gary Marcus對談麻省理工科技評論出版人兼總編Jason Pontin

在剛剛閉幕的EmTech Digital人工智慧峰會，DT君認為，最令人興奮的恰恰是來自AI研究領域一線大咖們提出的多元化的研究方法。除了最主流的深度學習外，諸如基於概率編程的Gamalon、基於認知科學的Geometric Intelligence等。這些公司為不僅為人工智慧的研究提供了全新的思路和方法，更是大有挑戰主流深度學習之勢。

同樣，本屆EmTech Digital數字峰會上，Gary Marcus風格犀利依舊，精彩的演講同樣迎來滿堂彩，尤其將吳恩達關於AI的觀點做了比較深入的評論，讓人印象深刻。而這次演講的主題是很多人所關心的一個問題：通用型人工智慧什麼時候會到來？

以下是DT君獨家的Gary Marcus演講精彩內容：

通用型人工智慧何時到來？這個問題我從上世紀80年代早期就開始考慮了。1966年，就有人開始說這個話題了。最早關於這個問題的相關研究是麻省理工學院一群本科生做的一個名為「Summer Vision」項目。

1966年，麻省理工學院關於人工智慧研究的「Summer Vision」計劃

2012年，有人指出，通用型 AI 馬上會出現。雷·庫茲韋爾（Ray Kurzweil）最近給出了一個確切年份：2029年。而今天未到場的吳恩達（Andrew Ng）也經常對這個問題發表觀點，他說過，通用型人工智慧可行性不大，距離我們還非常遠。但是，最近他似乎又改口了的，說：「通用型人工智慧現在或者不久的將來就會到來」——反正他兩頭都說了（笑）。

然而，當前的AI究竟到了什麼程度？舉個圖像識別的例子，人類能很容易的識別出一輛摩托車、一群打球的人，同樣，Google AI也能做到。

但遇上下面這張圖時，人類依舊可以在瞬間識別出這是一個貼滿貼紙的路標，但Google AI卻將其識別為一個裝滿食物和飲料的冰箱。因此，短時間內識別複雜圖像，這對 AI 來說還是非常困難。

我們很清楚，計算機在做識別時的原理是用大數據支持的統計近似值，使用的是楊立昆（Yann LeCun）的卷積神經網路。如果AI涉及的所有任務都是分類工作，這套方法其實還是湊效的。

卷積神經網路

但當一張圖片需要一些除了分類之外別的角度才能看懂時，機器就出問題了。比如，下面這張一隻狗舉杠鈴的照片，電腦可能連狗都識別不出來，因為狗是倒著的。

眾所周知，AI這個概念在以前是出過問題的。上世紀50、60年代，AI的發展曾激動人心。但在1973年，AI這個概念幾乎死掉了（如下圖），James Lighthill在這一年向英國科學研究委員會提交的AI調研報告中列出的理由是：AI應用領域太窄；無法規模化；真實應用場景非常有限；英國AI研究無法籌措經費；第一個AI寒冬來臨。

1973年Lighthill人工智慧研究報告

但 34 年後有什麼改變嗎？當然，目前我們在標準口音、安靜環境下的語音識別、限定場景下數量不多的物體圖像識別、特定領域的自然語言處理等方面做得還不錯。但如果把這些要求提高一點，變成：對話界面、自動化科研、自動化診療、家用機器人、安全可靠的自動駕駛這些應用後——AI目前還沒有實現較好的應用。

吳恩達曾表示：「如果一個普通人可以只花少於1秒的時間完成一項腦力任務，我們或許在現在、或不久的將來就可以通過AI將其自動化。」

但我則希望把這句話改成：「如果一個普通人可以只有少於1秒的時間完成一項腦力任務，而且我們搜集了海量相關數據，而且只要測試數據與訓練數據的差別不會那麼大，而且該領域不會隨著時間推移而發生太大變化，那麼我們可能會有那麼一點點幾率通過AI將其自動化。」（全場鼓掌）

我覺得，我加的這些前提條件是客觀的，你們願意把PPT拍照發Twitter，我完全沒問題，你們就喜歡這種東西（全場大笑）。

吳恩達觀點 PK Gary Marcus觀點。無疑，Marcus覺得，吳恩達的觀點有點激進，需要加非常多的定語來限制。

AI目前有些比較成功的應用，比如廣告的精準投放——非常掙錢的行業。但我們花那麼多人力和財力來研究 AI 並不是用來干這個的。治療癌症、模擬人腦、可靠的家庭機器人、安全的自動駕駛，這些才是需要突破的地方。

從 1980 到 2017 年，AI 有很大的發展，每一個領域都有進步，尤其是在語音和圖像識別方面。但目前的狀況是，有些領域的研究實際上已經停滯不前了——這才是我對AI發展最大的擔憂。

除了在語音和圖像方面取得的進展，其他領域的AI研究並未有好的解決方案

我的這種擔憂是有原因的。AI 現在的問題，我認為，第一個是 Peter Norvig 在去年 EmTech Digital 數字峰會上提到的：採用工程方法去做機器學習是非常困難的，因為AI系統中的錯誤很難被核驗、校準、修復。

第二個問題是：統計信息不等於知識。我很擔心，從事機器學習研究的人不知道什麼是知識工程（Knowledge Engineering），而知識工程是建構專家級系統和其他類型知識庫程序的重要工具。這就是一個很大的問題。但實際上，我認為，我們其實並不需要海量的數據也能解決很多問題。

所以，我個人認為，AI的下一次技術爆發需要這些條件：

· 跨領域全球性合作，類似歐洲核研究組織（CERN）的機制；

· 來自不同領域的專家，比如程序驗證方面的；

· 認知神經科學家的參與；

· 語言學家的參與；

此外，我還建議，多研究研究我們的孩子。這是我三歲的女兒Chloe（下圖左），這兩年她在語音學習方面有很大的進步——孩子們正在逐漸形成一個世界觀或者一套理論。以 AI 研究的角度看，孩子們在主動學習、新鮮事物探索、強化學習、自然語言理解，以及常識推斷方面的能力是非常強的。

那麼，機器和人類的認知過程到底差在哪？進化會給我們很多啟發。人類生來就有智慧，對時間、空間、物體都有很強的理解。人類對物體進行分類，從而產生規則和認知過程，同時產生符號學——而機器目前而言唯一能做的就是數據輸入與輸出。

Gary Marcus在EmTech Digital數字峰會上發表演講

最後，DT君也向Marcus提了一個問題：隨著神經網路技術的成熟，從雲端往本地走是否是趨勢？我們多久將不再需要雲了，完全靠本地運算解決問題？

回答：雲端AI解決方案往本地設備轉移將是趨勢。但目前來看，雲端AI服務其實是一個累計數據和計算模型的過程，只有當累積了足夠的數據和成熟的演算法時，往線下轉移才成為可能。

另外，目前的本地設備計算能力還不足以支撐 AI 應用，雲端的數據累積正好為本地計算能力的發展提供了一個空檔期。但這一趨勢的最終實現恐怕還需要數年時間，具體是多久我也沒法評估。

Gary Marcus的著作《代數的頭腦》（The Algebraic Mind）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！