淺談AI現狀：它還不是萬能的 更像一個「軟體動物」
【網易智能訊1月20日消息】雖然人工智慧這個詞是在20世紀50年代正式發明的，但是人工智慧（AI）這個概念可以追溯到古埃及的自動機器和早期的希臘機器人神話。人工智慧領域的名人們試圖通過1956年的達特茅斯會議和圖靈測試來定義人工智慧，而熱情的人工智慧倡導者們堅持用一種可區分和易於理解的方式向全世界解釋這一概念。
人工智慧是一個神秘的、神奇的、似乎有著無窮無盡的可能性的主題。然而，對於普羅大眾來說，它仍然是一個難以捉摸的東西，在人們對未來的預測中，它常常被描繪成消極的形象。
為了對抗好萊塢電影中的人工智慧所帶來的恐懼的惡性循環，我們需要清楚地明白，人工智慧到底是什麼。
如何辨別某個東西是不是AI
從最廣泛的意義上講，人工智慧可能具備人類所有的認知能力，包括學習的能力。一台機器只需要有一分鐘的這些技能，就能算作人工智慧。人工智慧是機器的特點，它通常是表現出智能行為的計算機程序。在這種情況下，「智能」意味著在不同的環境或條件下實現目標的能力。相應地，在計算機科學領域，人工智慧領域是指那些設計智能系統的研究。
基於這一技術定義，人工智慧並不需要具備學習的能力。在最極端的情況下，機器中的所有智能行為都可以由程序員通過編寫硬代碼實現。只要預設的演算法能夠實現它的目標，機器仍然可以符合人工智慧的定義。許多當前的人工智慧系統實際上都是基於規則的系統類型，在這種系統中，工程師可以向系統提供其需要的智能。
此外，機器學習是一門科學，它讓機器在沒有明確編程的情況下表現出智能行為。具體來說，它為系統提供了從數據中自動學習的能力，並且在沒有工程師改變程序代碼的情況下進行改進。
拋開技術層面來談，你可以說人工智慧是目標，機器學習是實現這一目標的途徑之一——讓機器自己解決問題。在許多情況下，機器學習涉及到使用以前收集的數據學習和改進模型。通過數據，機器可以做出經驗驅動的預測或決策。通過不斷更新模型，機器將自主學習適應不斷變化的環境。
AI並不是天生就優於人類
為了弄清人工智慧的能力，我們需要解釋它能做什麼。雖然工程師可以對人工智慧進行操作，並提供所有的智能，但機器學習在創建人工智慧系統時變得越來越重要。這是因為機器學習承諾在找到未知解決方案的同時，能夠減少人工工程的時間，即使是對領域專家來說也是如此。然而，在很多情況下，工程時間只是從直接設計人工智慧的時間變為設計一種機器學習演算法來學習解決方案本身的時間。人類工程師仍然是不可或缺的。
乍一看，這是一個完美的解決方案：我們創造了一個能夠學習的人工智慧，向我們展示如何學習解決一個任務，然後，它就能得出任何相關問題的解決方案，對吧？看起來，像谷歌、微軟和蘋果這樣的大公司是這麼認為的：他們利用這種直觀的期望來說服人們，他們的人工智慧系統將解決許多客戶的問題。他們在人工智慧領域投入巨資，並做出重大承諾。
在過去的十年中，學習系統已經完美地解決了對象識別、語音識別、語音合成、語言翻譯、圖像創作和遊戲玩法等方面的問題。這些演算法的能力被宣傳為具有突破性的功能，確實是這樣。在機器學習中，沒有深厚技術背景的人通常會認為機器在執行諸如此類的特殊任務方面的改進，只需要組合不同的人工智慧。這並非完全正確。
每一天，演算法都是在學習如何解決新任務，並在其他方面變得更好。谷歌旗下DeepMind的AlphaGo打敗了李世石，後者是世界上最好的圍棋選手之一。了解到這一點後，一位有工程背景的客戶說，「我們現在有了一個通用人工智慧，它已經學會了在圍棋上超越人類——那麼它肯定能優化汽車排氣系統的設計。」然而，這種推理是基於這樣的假設：一旦機器學習演算法被開發出來解決一個問題，同樣的演算法就可以很容易地應用於解決一個不同的問題。
但事實並非如此。
在現實中，上述的每一個突破都是通過高度專業化的機器學習演算法實現的，這些演算法是地球上那些最聰明的人花了很多年的時間開發出來的。他們的設計和調整都是為了解決他們的具體任務——只是這一個任務。
有一些基本的方法，比如深度學習，可以在不同的應用領域重複應用。然而，對於大多數應用程序來說，需要結合不同的機器學習方法。生成的機器學習系統需要根據特定應用程序的數據進行調整，需要調整訓練演算法，以找到高性能的解決方案。每一步都需要一個機器學習專家（通常不止一個），輔之以軟體工程師和領域專家才能完成。
它需要一支軍隊
AlphaGo是一項耗時多年的項目的成果，該項目至少有17人參與其中，其中有幾人在各自的機器學習領域都處於領先地位。據第三方消息來源稱，AlphaGo在與Sedol的遊戲中使用了1920個CPU和280個GPU。
大型人工智慧公司都擁有數個世界知名的機器學習專家團隊，並與軟體工程師進行合作。在許多情況下，每個團隊都專註於一個特定的應用領域，目標是研究增量方法，以改進當前最好的機器學習方法。
現代人工智慧更像是一個軟體動物，而不是無所不能的機器，生物學為今天的人工智慧提供了靈感。生物學家研究了一種機制，即動物在經歷過一些能夠改變某種環境特定意義的事情後，會改變對特定環境的反應方式。用一個詞來形容就是——學習。
常見的研究對象是海兔（即軟體動物或海蛞蝓）：具體來說，科學家研究的是決定神經元如何燃燒的基因。根據他們的基因結構，兩種海兔對相同的體驗（即數據）做出了不同的反應。現在，機器學習的運行大致是這個水平——專家們修改了學習演算法的程序代碼（類似於海兔的基因代碼），改變了它的能力和適應各種體驗的傾向。
機器學習的發展狀態可能更接近於無脊椎動物，比如海兔，而不是哺乳動物或人類的高級認知能力。
在過去的兩年里，研究人員開始開發機器學習技術，以適應新的任務。然而，方法 論還只是剛剛起步。用一位DeepMind科學家的話說，「最近關於內存、探索、組合表示和處理架構的研究為我們提供了樂觀的理由。」換句話說，我們有理由相信，實現更廣泛的人工智慧的目標是可行的。
這裡的核心信息是：你不能簡單地將原始數據倒進通用的人工智慧中，並期待有意義的東西出現——這種人工智慧還不存在。此外，如果你提供一個堅如磐石的問題定義，機器只能學習合適的解決方案。對於一個成功的故事，你需要良好的計劃，一個數學上合理的問題陳述，足夠的訓練數據，大量的機器學習知識和軟體開發能力。
TAG:網易科技 |