Keras 作者 Francois Chollet：這些年，AI 未解決任何基本問題

新智元報道

來源：圖靈 TOPIA

作者：劉靜 編輯：李爾客

【新智元導讀】谷歌 AI 研究員 Francois Chollet 的一番言論又一次引發了人工智慧領域的激烈討論：AI 領域這些年的研究其實毫無進展？！

AI 領域這些年的研究其實毫無進展？！

谷歌 AI 研究員 Francois Chollet 的一番言論又一次引發了人工智慧領域的激烈討論。

Francois Chollet 是深度學習框架 「Keras」 的作者，也是 AI 圈最熱衷於活躍在社交網路的科學家之一。

近期他發表了一條推文，稱 「最近讀了不少 1950 年到 2010 年 AI 相關的老論文。有意思的是，很多東西都沒過時，基本問題並沒變，也沒有得出確切的答案。」

隨後他又補充道：「雖然解決方案不斷推陳出新，但就其根本局限性而言，今天跟 1997 年甚至是 1973 年相比，並沒什麼大的變化。」

此言一出，便又引發了國內外學者的廣泛討論和共鳴。

清華大學計算機系教授馬少平和劉知遠表達了一致的觀點。@馬少平 THU 「非常贊同，AI 的很多問題並沒有解決。」

知名互聯網資訊博主 @ 愛可可 - 愛生活也對此給出了自己的解讀，他認為 Francois Chollet 的這番話並不是說 AI 藥丸，更不是說這幾代 AI 人太水。

「相反，雖然根本局限遠未解決，但 AI 相關技術應用的廣度、深度都有了長足進步，前景一片光明；另一方面，小步快跑、修修補補的積累式 「量變」，解決不了現有技術框架的本質問題，就像蒸汽機技術從誕生到不斷進步、完善掀起偉大的工業變革，但其根本問題還需要新能源這樣的新思路解決一樣，當代 AI 研究者，不必拘泥於現有技術框架，應該多多思考基本問題，勇於探索新思路，爭取早日達成 AI 技術質的飛躍。」

他隨後也進一步表示 「站在歷史高度看技術發展，才能明大局、少俯仰、不糾結，穩步前行」

對此，你的看法呢？

Fran?ois Chollet 的那些網紅語錄

其實這已經不是 Fran?ois Chollet 第一次語出驚人，此前他也發表過很多關於人工智慧領域的看法，圖靈君將其做了整理，供大家參考、思考。

「記住一點很重要，人工智慧的最新進展都是在解決特定任務，而不是開發更通用的能力（如通用智能）。對這些任務的解決，並沒體現出人類解決它們時用到的能力。在 「能執行一項任務」 和 「擁有一項能力」 之間，存在關鍵差別 —— 特別是泛化能力（無需進一步人工干預的情況下能夠執行所有相關類型任務）和開放性（找出需要處理的新任務）—— 認為 「我用智力完成了 X（例如乘法和加法），因此，要是開發出一台能完成 X（例如乘法和加法）的機器，就表示它具有相同的智力。」 ，這是一種非常擬人化的認知謬誤。穿過玉米地的小道兒，和道路建設公司乾的事，完全不可同日而語。」

「AI 難題不僅是計算機科學問題，更是數學、認知科學和哲學問題。」

「我們都很清楚這樣一個事實：在線內容的可信度，往往與 「嘩眾」 程度成反比。標題黨往往不可信；謊言可以完全無視事實約束、無限優化到讓人慾罷不能。眾包內容平台對 「吸睛」(參與) 的商業模式 (對 「頭條」 內容大力推廣、擴散、加強) 的依賴，直接損害了其信息的總體可信度。另一方面，依賴於提供 * 有用 * 信息 (如搜索) 的商業模式，往往會偏向於提供更可靠的信息。」

「看到深度學習能幹這能幹那，就認為 「是時候進軍通用智能 (AGI) 了」，基本上等同於看了些魔術，就想 「哇，魔術是真的！是時候弄個魔術公司，用魔法創造無限價值」。魔術，和所有成功的深度學習方案一樣，本質都是工程：只做一件事，在特定環境下，通過努力不斷完善。永遠沒有免費的午餐。」

「成千上萬的深度學習論文，講的其實是 「將特定任務的先驗，硬編碼進神經網路結構，相比缺少先驗的情況，會更有效」，寫出來往往是 「網路結構 XYZ 為 [通用任務類別] 提供了更優異的性能」。用更多、更高質量的數據進行訓練，或在結構或預處理過程中注入任務信息，幾乎總是能 「換」 來更好的性能。然而，這並不代表所採用技術真正的泛化能力 (而這才是唯一的關鍵)。其實，很大一部分論文，都可以寫成：「通過將更多任務信息注入到訓練過程，我們在該特定任務上取得了更好的表現」。一個極端例子，是在樣本符合特定 「模板」 的合成數據集 (如 BABI) 上，手動將模板硬編碼到神經網路結構中。可以想見，當擬合目標就是解決方案模板時，用梯度下降擬合參數化模型，就能達到最佳效果。顯然，卷積網路就是如此 (其假設可推廣到所有可視化數據，所以確實有效)」

「你不必全知全能，也不必各種 「正統」 背景加身 —— 有當然更好，甚至不必讀博。只有一點是必要的：不斷學習。保持好奇、堅持閱讀，別因為太忙而 「顧不上」 學習，更別因為無知而狂妄自大。」

「工程師 (或研究人員) 用 X 解決 Y 時，九成是覺得 「對 X 有點了解」，而不是 「講道理，這種場景用 X 解決是合適的」。

Derek Wise：至少對研究，還有第三種可能性，就是你真的了解且熱愛 X 技術，因此到處找可能是 X 的好應用的問題，Y 是看似相當不錯的一個。(當然，並不意味著 X 是 Y 的 * 最佳 * 方案) 」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！