強大的人工智能推理：人工智能動蕩的過去和不確定的未來

是否能打破人工智能繁榮與蕭條的周期循環(huán)？

1956年夏天，一群數(shù)學家和計算機科學家聚集在達特茅斯學院數(shù)學系大樓的頂層。在大約8周的時間里，他們設(shè)想了開拓一個新的研究領(lǐng)域的可能性。當時還是達特茅斯學院青年教授的約翰?麥卡錫（John McCarthy）在撰寫會議提案時創(chuàng)造了“人工智能”一詞，并表示要探索這樣一個假設(shè)：“原則上，可以精確地描述出學習的每一個方面或智能的任何特征，從而制造出可以模擬的機器?！?nbsp;

它有400個光傳感器，它們共同充當視網(wǎng)膜，能夠向大約1000個進行處理并產(chǎn)生單一輸出的“神經(jīng)元”提供信息。1958年，《紐約時報》的一篇文章援引羅森布拉特的話說：“這臺機器將是第一臺像人腦一樣思考的設(shè)備?！?/span>在盲目樂觀主義的鼓勵下，美國和英國政府機構(gòu)投入了大量資金用于投機性研究。1967年，麻省理工學院教授馬文?明斯基（Marvin Minsky）寫道：“在一代人的時間之內(nèi)……創(chuàng)造‘人工智能’的問題將得到實質(zhì)性解決。”然而此后不久，由于感到人工智能研究沒有達到其宣傳水平，政府開始停止資助。20世紀70年代出現(xiàn)了人工智能的第一個寒冬。然而，真正的信徒還在繼續(xù)戰(zhàn)斗。到20世紀80年代初，重新燃起的熱情為符號人工智能研究人員帶來了一個全盛時期，他們因“專家系統(tǒng)”而獲得了贊譽和資助，這些系統(tǒng)對法律、醫(yī)學等特定學科的知識進行了編碼。投資者希望這些系統(tǒng)能很快實現(xiàn)商業(yè)應(yīng)用。最著名的符號人工智能風險項目始于1984年，當時研究人員道格拉斯?勒納特（Douglas Lenat）開始研究一個名為“Cyc”的項目，旨在將常識編碼到機器中。時至今日，勒納特及其團隊還在繼續(xù)向Cyc的本體添加術(shù)語（事實和概念），并通過規(guī)則解釋它們之間的關(guān)系。到2017年，該團隊已經(jīng)擁有150萬條術(shù)語和2450萬條規(guī)則。然而，Cyc還遠未達到通用智能的水平。20世紀80年代末，商業(yè)的寒風帶來了人工智能的第二個寒冬。專家系統(tǒng)市場崩潰了，因為它們需要專門的硬件，無法與越來越普遍、價格更低廉的臺式計算機競爭。到20世紀90年代，學術(shù)上都不再流行研究符號人工智能或神經(jīng)網(wǎng)絡(luò)，因為這兩種策略似乎都失敗了。不過，取代專家系統(tǒng)的廉價計算機對連接主義者來說是一個福音，他們突然獲得了足夠的計算能力來運行具有多層人工神經(jīng)元的神經(jīng)網(wǎng)絡(luò)。這類系統(tǒng)被稱為“深度神經(jīng)網(wǎng)絡(luò)”，其實現(xiàn)的方法被稱為“深度學習”。多倫多大學的杰弗里?辛頓（Geoffrey Hinton）應(yīng)用了一種叫做“反向傳播”的原理來讓神經(jīng)網(wǎng)絡(luò)從其錯誤中學習（參見《深度學習的工作原理》）。1988年，辛頓的博士后楊立昆進入了AT&T貝爾實驗室，他和一位名叫約書亞?本吉奧（Yoshua Bengio）的博士后將神經(jīng)網(wǎng)絡(luò)用于了光學字符識別；很快，美國的銀行就采用了這種技術(shù)來處理支票。辛頓、楊立昆和本吉奧最終獲得了2019年圖靈獎，他們有時被稱為“深度學習之父”。然而，神經(jīng)網(wǎng)絡(luò)倡導者仍然面臨一個重大問題：雖然有了理論框架和不斷增長的計算能力，但世界上沒有足夠的數(shù)字數(shù)據(jù)來訓練他們的系統(tǒng)，至少對大多數(shù)應(yīng)用來說是這樣的。春天還沒有到來。在過去20年中，一切都發(fā)生了變化。特別是萬維網(wǎng)的繁榮發(fā)展，突然到處都是數(shù)據(jù)。互聯(lián)網(wǎng)上充斥著數(shù)碼相機和智能手機拍攝的圖像，維基百科和Reddit等網(wǎng)站充滿了可自由訪問的數(shù)字文本，YouTube上也有大量視頻。最后，我們有了足夠的數(shù)據(jù)來為廣泛的應(yīng)用訓練神經(jīng)網(wǎng)絡(luò)。另一個重****展得益于游戲業(yè)。英偉達等公司開發(fā)了一種名為“圖形處理單元”（GPU）的芯片，用于電子游戲中渲染圖像所需的繁重處理任務(wù)。游戲開發(fā)者也使用GPU來完成復雜的著色和幾何變換工作。需要強大計算能力的計算機科學家則意識到，他們其實可以讓GPU去做其他任務(wù)，比如訓練神經(jīng)網(wǎng)絡(luò)。英偉達注意到了這一趨勢，因此創(chuàng)建了CUDA平臺，讓研究人員能夠使用GPU進行通用處理。其中有一位來自辛頓實驗室的博士生亞歷克斯?克里澤夫斯基（Alex Krizhevsky），他用CUDA為一個神經(jīng)網(wǎng)絡(luò)編寫了代碼，該神經(jīng)網(wǎng)絡(luò)在2012年給所有人留下了印象的深刻。他寫這個代碼是為了參加ImageNet競賽，該競賽向人工智能研究人員提出了挑戰(zhàn)，要求他們搭建起能夠?qū)?00多萬張圖像分類為1000種物體的計算機視覺系統(tǒng)。雖然克里澤夫斯基的AlexNet并不是第一個用于圖像識別的神經(jīng)網(wǎng)絡(luò)，但它在2012年比賽中的表現(xiàn)引起了全世界的注意。AlexNet的錯誤率為15%，而第二名的錯誤率為26%。該神經(jīng)網(wǎng)絡(luò)的壓倒性勝利得益于GPU的強大性能和總計包含65萬個神經(jīng)元的多層“深度”結(jié)構(gòu)。在第二年的ImageNet競賽中，幾乎所有人都使用了神經(jīng)網(wǎng)絡(luò)。到2017年，許多參賽者的錯誤率已降至5%，隨后組織者結(jié)束了該競賽。深入學習騰飛了。借助GPU的計算能力和訓練深度學習系統(tǒng)的大量數(shù)字數(shù)據(jù)，自動駕駛汽車可以在道路上行駛，語音助手可以識別用戶的語音，網(wǎng)絡(luò)瀏覽器可以在幾十種語言之間進行翻譯。人工智能還在幾個曾被認為機器無法獲勝的游戲中擊敗了人類冠軍，包括古老的圍棋和電子游戲《星際爭霸II》。前人工智能的繁榮已觸及每一個行業(yè)，為我們提供了識別模式和做出復雜決策的新方法。不過，深度學習的不斷成功依賴于增加神經(jīng)網(wǎng)絡(luò)的層數(shù)和增加用于訓練它們的GPU時間。人工智能研究公司OpenAI的一項分析顯示，在2012年之前，訓練最大的人工智能系統(tǒng)所需要的計算能力每兩年翻一番，此后每3.4個月翻一番。正如尼爾?C.湯普森（Neil C. Thompson）及其同事在《深度學習的回報在減少》一文中所述，許多研究人員擔心人工智能的計算需求存在不可持續(xù)問題。為了避免破壞地球的能源預(yù)算，研究人員需要打破構(gòu)建這些系統(tǒng)的既定方式。雖然神經(jīng)網(wǎng)絡(luò)陣營似乎已經(jīng)徹底擊敗了符號主義者，但事實上，這場戰(zhàn)爭的結(jié)果遠沒有那么簡單。以O(shè)penAI因操作和解魔方而成為頭條新聞的機械手為例。該機器人使用了神經(jīng)網(wǎng)絡(luò)和符號人工智能。它是諸多新型神經(jīng)符號系統(tǒng)之一，它使用神經(jīng)網(wǎng)絡(luò)進行感知，使用符號人工智能進行推理，這種混合方法既可以提高效率也能提高可解釋性。雖然深度學習系統(tǒng)往往像是以不透明和神秘方式進行推理的黑匣子，但神經(jīng)符號系統(tǒng)能夠讓用戶深入了解人工智能是如何得出結(jié)論的。正如埃文?艾克曼（Evan Ackerman）在《深度學習進入新兵訓練營》中所述，美國陸軍特別警惕依賴黑匣子系統(tǒng)，因此陸軍研究人員正在研究各種混合方法來推動其機器人和自動駕駛車輛的發(fā)展。想象一下，你能否使用陸軍的一個道路清理機器人并讓它給你煮一杯咖啡。這在今天是一個可笑的命題，因為深度學習系統(tǒng)是為狹義的目的而建立的，不能將其能力從一項任務(wù)推廣到另一項任務(wù)。更重要的是，學習一項新任務(wù)通常需要人工智能擦除它知道的所有關(guān)于如何解決先前任務(wù)的信息，這個難題被稱為“災(zāi)難性遺忘”。在谷歌位于倫敦的人工智能實驗室DeepMind，著名的機器人學家拉亞?哈塞爾（Raia Hadsell）正在用各種復雜的技術(shù)解決該問題。在《如何訓練多用途機器人》一文中，湯姆?奇弗斯（Tom Chivers）解釋了為什么該問題對于在不可預(yù)知的現(xiàn)實世界中行動的機器人如此重要。其他研究人員正在研究新型元學習，以期開發(fā)出能夠?qū)W習怎樣學習，然后將該技能應(yīng)用于任何領(lǐng)域或任務(wù)的人工智能系統(tǒng)。所有這些策略都可能有助于研究人員實現(xiàn)其最崇高的目標：用我們看到的兒童所發(fā)展出的流動智力來構(gòu)建人工智能。幼兒不需要大量數(shù)據(jù)來得出結(jié)論。他們只是觀察世界，創(chuàng)建一個關(guān)于世界如何運作的心智模型，采取行動，并利用行動的結(jié)果來調(diào)整其心智模型。他們會反復迭代直到理解為止。這個過程非常高效，甚至遠遠超出了當今最先進的人工智能的能力。
當前的熱情使人工智能獲得了其加德納技術(shù)成熟度曲線，而且有關(guān)人工智能的資金已經(jīng)達到了歷史最高水平，鮮有證據(jù)表明我們的未來會失敗。世界各地的公司都在采用人工智能系統(tǒng)，因為它們看到自己的盈虧底線立即得到了改善，而且他們不會回頭。現(xiàn)在就看研究人員能否找到適應(yīng)深度學習的方法并使其更靈活、更穩(wěn)健，或者設(shè)計出我們在讓機器變得更像人類的65年探索過程中從未想過的新方法。
作者：Eliza Strickland 

*博客內(nèi)容為網(wǎng)友個人發(fā)布，僅代表博主個人觀點，如有侵權(quán)請聯(lián)系工作人員刪除。