当前位置:趣投网 > 房产动向 > 正文

系统 想进入“AI为先的时代” 人类还需翻越“三座大山”

导语:国外媒体今天撰文称,人工智能(AI)近年来发展迅速,谷歌、Facebook、微软等技术巨头在语音、图像识别等AI领域取得重大突破。甚至有人认为我们生活在一个“以AI为先”的时代。然而,在人工智能的道路上,仍然有三个巨大的障碍需要克服。以下是文章全文:上个月在伦敦举行的深度学习会议上,有一个特别的主题值得关注:谦逊,或者说谦逊的必要性。包括谷歌在内的很多公司都信誓旦旦地说,我们生活在一个“人工智能第

国外媒体今天撰文称,人工智能(AI)近年来发展迅速,谷歌、Facebook、微软等技术巨头在语音、图像识别等AI领域取得重大突破。甚至有人认为我们生活在一个“以AI为先”的时代。然而,在人工智能的道路上,仍然有三个巨大的障碍需要克服。以下是文章全文:

上个月在伦敦举行的深度学习会议上,有一个特别的主题值得关注:谦逊,或者说谦逊的必要性。

包括谷歌在内的很多公司都信誓旦旦地说,我们生活在一个“人工智能第一时代”,机器学习在语音和图像识别方面取得了突破,但人工智能研究的前沿人士经常指出,人类在这方面还有很多工作要做。仅仅因为我们有听起来像电影中说话的虚拟助手,并不意味着我们离创造真正的人工智能又近了一步。

我们在人工智能研究领域仍然面临很多挑战,比如需要海量数据来支持深度学习系统;我们无法创建擅长多项任务的AI;我们不知道这些系统是如何工作的。2016年,机器学习创造了一系列优秀的工具,但这些工具难以详细解释,培训成本高。即使对创作者来说,它们似乎也经常以神秘的形式存在。我们来阐述一下我们在人工智能领域面临的三大挑战。

数据,数据,还是数据

众所周知,人工智能需要数据来理解世界,但我们往往忽略了数据的重要性。谢菲尔德大学机器学习教授、亚马逊人工智能团队成员尼尔劳伦斯指出,这些系统不仅需要比人类更多的信息,还需要比人类多几十万倍的信息。

劳伦斯说:“如果你看看深度学习已经成功应用的领域,你会发现这些领域往往是我们需要大量数据的领域。”比如语音和图像识别领域,谷歌、Facebook等科技巨头拥有海量数据(比如安卓设备上的语音搜索),这让他们很容易开发出有用的工具。

劳伦斯说,目前,数据就像工业革命初期的煤炭。他还以托马斯·纽科门为例来说明这一点。英国人纽科门(Newcomen)于1712年发明了最初的以煤为燃料的蒸汽机,比詹姆斯瓦特(JamesWatt)发明先进的蒸汽机早了约60年。纽科曼发明的蒸汽机不是很好。与瓦特蒸汽机相比,它效率低,成本高。这意味着它只能用于煤田——煤田有足够的燃料来克服蒸汽机的许多缺点。

  

Facebook开源图像识别工具

劳伦斯说,全世界有数百个“新知识分子”,他们正在开发自己的机器学习工具。这些工具可能是革命性的,但是没有数据支持,所以我们永远不会知道结果。谷歌、Facebook、微软等科技巨头就像今天的“煤矿”。他们有丰富的数据和经济能力来运行低效的机器学习系统并改进它们。

较小的创业公司可能有好的想法,但是没有数据支持,他们无法跟随技术巨头在这个领域的行动。如果你看看其他你获取数据有困难的领域,你会发现问题更加严重。以医疗为例,人工智能正在被用于机器视觉任务,如识别x光片中的肿瘤,但这方面的数字数据很少。

正如劳伦斯指出的,棘手的问题是“强迫人们不厌其烦地获取数据,一般被认为是不道德的”。劳伦斯说,这里的问题不是找到一种分发数据的方法,而是如何让深度学习系统更加高效,能够在数据较少的情况下使用。就像瓦特蒸汽机相比纽科曼蒸汽机有了很大的突破,人工智能研究可能需要60年才能有突破。

需要多任务处理能力

深度学习面临的另一个重大挑战是,目前所有的AI系统基本上都是“纸上谈兵”。根据谷歌深层思维研究小组的科学家赖亚·哈德塞尔(Raia Hadsell)的说法,一旦经过训练,它们可以极其高效地处理一些任务,比如识别猫或玩雅达利游戏。但是,“目前世界上还没有神经网络。或者任何一种方法都可以在训练后识别物体和图像,玩游戏“泰空入侵者”和听音乐。”神经网络是深度系统的基本组成部分。

其实问题比实际情况更严重。谷歌的Deep Mind团队在去年2月宣布,已经开发出一个可以在49场比赛中获胜的系统。虽然这绝对是一个伟大的科学成就,但是每一次一场比赛被击败,系统都需要重新训练才能在下一场比赛中获胜。正如哈塞尔所指出的,你不能试图同时学习所有不同的游戏,因为不同游戏的规则相互干扰。你可以一次学一个游戏规则,但你最终会忘记前几个游戏的规则。“如果我们想实现通用的人工智能,我们需要能够学会多任务的东西,”哈塞尔说。“但是,我们现在连多种游戏规则都掌握不了。”

为了解决这个问题,我们需要一种叫做“渐进网络”的东西——这意味着连接不同的深度学习系统,以便它们可以传输某些信息片段。今年6月,哈塞尔的团队发表了一篇关于这个话题的论文,说他们开发的递进式神经网络可以适应各种规则略有不同的Pong游戏,适应速度远远快于正常的神经网络,必须从零开始了解每一款游戏的规则。

  

渐进神经网络的基本结构

这是一个很有前途的方法。在最新的实验中,它甚至可以应用于机器人手臂——将机器人手臂的学习过程从过去的几周缩短到今天。然而,这种方法也有许多严重的缺点。哈德塞尔说,进步的神经网络不能不断地向“记忆”中添加新的任务。她说,如果把几条链条连在一起,整个链条迟早会“变得太大,不可收拾”。到那个时候,我们管理的不同任务基本上是一样的——创造一个智力相当于人类的系统,可以写诗,可以解微分方程,可以设计椅子,这个系统就会变得不一样。

缺乏对人工智能内部机制的理解

另一个主要挑战是理解人工智能是如何得出结论的。对于外行人来说,神经系统通常是一个神秘的存在。虽然我们知道如何将它们和通过这些系统的信息联系起来,但这些系统做出某些决定的原因往往让我们难以理解。

弗吉尼亚理工大学的一项实验充分证明了这一挑战。研究人员开发了一种用于神经网络的眼睛跟踪系统,该系统记录了计算机首次看到的像素。研究人员向系统展示了一张卧室的神经网络照片,并问道:“是什么遮住了窗户?”他们发现系统不是看窗户,而是看地面。

然后,如果找到一张床,它会回答“窗帘遮住了窗户”。系统恰好给出了正确的答案,但这只是因为训练时数据有限。根据研究人员展示的照片,神经网络得出结论,如果它在卧室里,窗户一定有窗帘。所以,只要看到床,系统就不会看第二眼——它已经看到窗帘了。当然有逻辑,但是很蠢。很多卧室根本没有窗帘!

眼动跟踪只是揭示AI内部机制的一种方式,另一种方式可能是给深度学习系统注入更多的连贯性。伦敦帝国理工学院认知机器人学教授默里·沙纳汉(Murray Shanahan)表示,实现这一目标的方法是重新采用一种被称为“有效旧人工智能”(GOFAI)的传统机器学习方法。这种方法基于一个假设,即头脑中发生的事情可以简化为基本逻辑,世界可以由许多复杂的符号来定义。通过组合这些代表动作、事件、对象的符号,基本可以形成自己的见解。

沙纳汉建议吸收GOFAI的符号化描述方法,并结合深度学习。这些系统将成为人工智能系统理解世界的起点,而不是不断地提供数据,等待它们识别某些图像。他说,这种方法不仅可以解决AI的透明性问题,还可以解决Hadsel提出的学习成果的转移问题。

沙纳汉说:“可以说《突围》和《乓》很像,因为它们都拿到了桨和球,但它们的联系比人类的认知能力更大,就像原子结构一样。太阳系结构之间的联系是一样的。”沙纳汉和他的团队正在开发一种新方法(他们称之为“深度符号增强学习方法”),并发表了一些实验结果。

这个研究还处于起步阶段,搞清楚是否可以应用到更大的系统和不同类型的数据上会更有说服力。但是,很有可能演变成更多的东西。毕竟在近几年研究者开始挖掘廉价数据和大量处理能力之前,深度学习本身就是AI不被重视的一部分。也许,是时候让AI重新爆发,在新的环境中展示自己的才华了。

免责申明:以上内容属作者个人观点,版权归原作者所有,不代表趣投网立场!登载此文只为提供信息参考,并不用于任何商业目的。如有侵权或内容不符,请联系我们处理,谢谢合作!
当前文章地址:https://www.qthbsb.com/fangchang/816055.html 感谢你把文章分享给有需要的朋友!
上一篇:乐视网 “乐视网退市”概率有多大 下一篇: 集合竞价技巧 集合竞价规则都有哪些 集合竞价的技巧