参加艾伦图灵奖50周年纪念大会的专家小组认为神经网络正处于风口浪尖。这种技术看似具有广泛的用途,前景无限,但实际上仍处于发展早期阶段,存在许多局限性。

许多专家表示,人工智能是神经网络的误称。神经网络还不能实现基本的人类推理和理解。相反,它们只是构建人工智能的漫漫长途中用到的工具。

鉴于图灵认为将来总有一天机器的智力会超过人类,因此讨论深度学习是非常有意义的。“图灵预测人工智能将超过人类智能,届时将是人类末日。当然,如果足够幸运的话,我们可以把机器关掉。”加州大学伯克利分校计算机科学专业教授、人工智能研究员Stuart Russell指出。他目前正在撰写有关这一领域的新版教科书。

他表示,“在我们实现人工智能之前至少有6个重要问题需要突破,但我很肯定人工智能时代一定会到来,因此,我一生都将致力于从事这一领域。”

Russell还指出,神经网络只是打败世界围棋冠军的谷歌AlphaGo系统的一部分。

“AlphaGo……是一个经典的系统……而深度学习成就了该系统的两个主要部分……但他们发现使用表达性程序可以更好地学习游戏规则。端到端的深度学习系统需要……来自过去数百万个‘Go’游戏的数据,进而算出下一步落子点。尽管人们做了很多努力,但这种系统不适合西洋双陆棋和国际象棋。” Russell表示,而且有些问题要求大得难以置信的数据集。

Russell把今天的神经网络视为“某种突破……能够满足20世纪80年代人们提出的愿望……但它们缺少编程语言的表达力,以及支持数据库系统、逻辑编程和知识系统的陈述性语义。”

神经网络还缺少人类解决问题的强大的预先理解能力。“深度学习系统永远无法从强子对撞机的原始数据中发现希格斯玻色子,”他补充道,“我担心人们把重点太多地放在大数据上,并用深度学习来解决我们面临的所有问题。”

Stuart-Russell 图1:神经网络是向人工智能迈进的重要步骤之一,伯克利分校的Stuart Russell表示。(照片来源:ACM)

在自动驾驶汽车和图像识别等领域中,神经网络具有很好的前途,但也有局限性,其他高级研究人员指出。

“我一直在研究自动驾驶汽车……系统的鲁棒性必须好。”在多伦多大学教机器学习课、并负责学校里的优步高级研究中心的Raquel Urtasun表示,“这对神经网络来说极具挑战性,因为它们不擅长对不确定性进行建模。”

神经网络“会认为那里存在汽车的可能性有99%……但你无法容忍误报……当你出错时,你需要知道为什么会出错。”

她同意伯克利分校的Russell认为“深度学习不会解决我们面临的所有问题”的意见。将神经网络和图形模型组合在一起“是一种有趣的研究领域”,有助于系统获得人类拥有的某些先验知识。

鉴于它们的局限性,用户需要“理解机器学习系统可能会有偏见……有时会作出不公平的决策。”她指出。 EETC_1708_DT_Raquel Urtasun 图2:Raquel Urtasun

Urtasun将当今神经网络的成功归因于“使训练效果更好的一些技巧,但在过去25年中核心算法并没有根本性的改变。突破部分来自大数据集的实现,以及使得训练更大模块模型成为可能的更好硬件。”她表示。

尽管如此,深度学习“成就了以往我们在健康、交通领域中无法想像的应用——现在我们几乎在任何地方都能见到它们的身影。”

目前正在度假的谷歌云服务公司首席科学家、斯坦福大学的Fei-Fei Li对此表示同意,认为神经网络正处在风口,有真实的前途,也有真实的局限性。至今为止她刚刚在斯坦福大学最大的课堂上完成了教授770名学生神经网络知识的教学工作。

Li认为现在是起始阶段的结束点,机器学习已经从实验室的实验过渡到商业部署。广泛的工业与科学领域“正在受到大数据和数据分析功能的深远影响。”她指出。

尽管如此,“我们解决大多数问题带来的愉悦感是不真实的。虽然我们祝贺ImageNet在图像识别领域中取得了成功,但我们很少谈到它的失败……在推理等方面仍然面临诸多的挑战。”

“在房间起火时,人工智能算法仍然能够下出完美的象棋招数。”她重复另一位研究人员杜撰的有关深度学习缺少情景理解能力的笑话时表示。

更广泛的说,“我们对人类认知的理解程度还非常有限。正因为此,这两个领域都处于非常早期的阶段。”

现在要说神经网络会把我们带多远还为时尚早,专家小组中最牛的成员、OpenAI共同创始人兼研究总监、谷歌大脑公司前科学家Ilya Sutskever表示。

“这些模型很难理解。比如机器视觉作为一个程序真的是不可思议,但现在我们对不可思议的问题提出了不可思议的解决方案。”他指出。

虽然位于神经网络核心的反向传播算法已经推出好几年了,但运行这些算法的硬件最近才实现。用于神经网络的新架构承诺“在今后几年中,人们将见证取得很大进步的计算机,其功能会令人吃惊。”Sutskever补充道。

研究微软Azure云服务使用的FPGA加速器的著名工程师、专家小组成员Doug Burger表示同意。“尽管神经网络有些宣传过火,但神经网络是真实的……仍有一些深度的和基础的东西我们没有完全理解。”

许多新创企业、学术研究机构和成熟公司都在研究用于加速神经网络的处理器,其中许多人使用精度降低了的矢量乘法矩阵,他指出,“在今后三四年这种方法会逐渐退出历史舞台,而之后会出现什么我真的很感兴趣。”

专家小组成员Norm Joupi表示同意。经验老到的微处理器设计师和谷歌TPU加速器背后的小组负责人把神经网络称为今天的计算机科学领域中“最大的金块之一”。

伯克利分校的机器学习专家Michael I.Jordan是人工智能小组中的牛人。计算机科学仍然是首要学科,人工智能还无法取而代之,神经网络只是该领域中仍在发展的一个部分,他认为。 EETC_1708_DT_mkie_jordan1 图3:伯克利分校的机器学习专家Michael I.Jordan

“这只是一个很大的工具箱。”他表示,“我们需要构建围绕神经网络的基础设施和工程,我们离这个愿景还比较远。我们需要让系统用数学和机器学习的方式去思考。”

与其它演讲者一样,他指出人类推理能力游离于神经网络范围之外。“自然语言处理是很难的。今天我们做的是句到句的匹配,而这跟翻译不是一回事。”

举例来说,他提到了中国对聊天机器人的热情。这种自动化的对话装置可以与人类进行应答互动,但不支持抽象和语义,它们无法说出有关世界的任何真实内容。

“我们正处于广泛学习的年代,但我们还没有进入人工智能时代。”他总结道。虽然如此,他同意神经网络足够重要,需要成为新版计算机科学课程中的一部分。

本文授权编译自EE Times,版权所有,谢绝转载

EETC wechat barcode


关注最前沿的电子设计资讯,请关注“电子工程专辑微信公众号”。