神经网络(neural network)已经发展到“技术炒作周期”(hype cycle)的颠峰。但根据日前参加“图灵奖”(Alan Turing award)50周年纪念活动的专家们表示,神经网络技术看似具有广泛的用途且前景无限,但实际上仍处于发展的早期阶段,同时也存在许多局限性。

在这次活动的一场专题讨论上,几位专家表示,目前所讨论的人工智能(artificial intelligence;AI)其实是神经网络的误称。神经网络其实还无法实现基本的人类推理和理解类型。相反地,它们只是在建构人工智能漫漫长路上所用到的工具。

由于图灵(Alan Turing)认为总有一天机器的智商将会超过人类,因此讨论深度学习(deep learning)特别有意义。美国加州大学柏克莱分校(UC Berkeley)计算机科学教授兼人工智能研究员Stuart Russell指出,“图灵预测人工智能将超过人类智能,而届时将是人类末日。当然,如果够幸运的话,我们可以把机器关掉。”

AI17080901 UC Berkeley教授Stuart Russell

Stuart Russell目前正在撰写有关人工智能领域的新版教科书。他表示,“在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来临,因此,我将终其一生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Google AlphaGo系统之一部份。

“AlphaGo……是一个经典的系统……而深度学习成就了该系统的两个组成部份……但他们发现使用具表达性的程序,更有助于学习这一游戏规则。端对端的深度学习系统需要……从过去数百万场棋弈游戏而来的资料,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,而且有些问题所需的数据集庞大到令人难以置信。

Russell把当今的神经网络视为“某种突破……能够满足1980年代人们提出的愿望……但它们缺少编程语言的表达能力,以及支持数据库系统、逻辑编程和知识系统的陈述性语义。 ”

神经网络还缺乏人类解决问题的强大预先理解能力。“深度学习系统永远无法从强子对撞机(Hadron Collider)的原始资料中发现希格斯玻色子(Higgs boson)”,他补充道,“我担心人们过度看重利用巨量数据(big data)与深度学习来解决我们面临的所有问题。”

AI17080902 UC Berkeley教授Stuart Russell表示,神经网络是朝向人工智能迈进的重要步骤之一

自驾车、影像辨识的限制

神经网络在自动驾驶车和影像辨识等领域的发展前景看好,但也有其局限性。

“我一直在研究自动驾驶车……这一类系统必须具备可靠性。”在加拿大多伦多大学(University of Toronto)教授机器学习课程并负责Uber先进研究中心的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。”

AI17080903

神经网络“会说汽车出现在那里的可能性有99%……但你无法容忍任何误报……而当你出错时,也必须知道为什么会出错。”

她同意Russell所说的“深度学习无法解决我们面临的所有问题”。将神经网络和绘图模型组合在一起“是一种有趣的研究领域”,它有助于系统获得人类拥有的某些先验知识。

但由于其局限性,使用者必须“了解机器学习系统可能出现偏见……有时还会作出不公平的决策,”她指出。

Urtasun将当今神经网络的成就归功于“使训练效果更好的一些技巧,但在过去25年来,这些核心算法并没有根本性的改变。突破部份来自于巨量数据的实现,以及让训练更大规模的模型成为可能的优化硬件。”

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

目前在Google Cloud休假研究的首席科学家李飞飞(Fei-Fei Li)也认同处于炒作颠峰的神经网络存在实际的前景与限制。她同时也是史丹佛大学人工智能实验室主任,不久前才刚在史丹佛大学上完该校学生人数最多的课程——770人选修的神经网络课程。

Li指出,现在正是起始阶段的结束时刻,机器学习已经从实验室的实验过渡到商业部署了。广泛的工业与科学领域“正受到庞大的数据和数据分析功能的深远影响。”

尽管如此,“我们解决大多数问题带来的愉悦感并不真实。虽然我们赞扬ImageNet在影像辨识领域取得了成功,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。”

“例如在房间起火时,人工智能算法仍然能够下出完美的围棋招数。”她引用另一位研究人员杜撰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,“我们对于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。”

利多还是利空?

“现在要问神经网络会把我们带多远还为时尚早。”最看好神经网络发展前景的专家题讨论成员——OpenAI共同创办人兼研究总监Ilya Sutskever表示,“这些模型很难理解。例如,将机器视觉作为一种程序真的很不可思议,但现在我们对不可思议的问题都能提出不可思议的解决方案了。”Ilya Sutskever还曾任职Google Brain研究科学家

虽然位于神经网络核心的反向传播算法已经出现好几年了,但执行这些算法的硬件最近才实现。Sutskever补充说,用于神经网络的新架构承诺“在今后几年中,人们将见证取得长足进展的惊人计算机。”

在微软(Microsoft)Azure云端服务开发FPGA加速器的杰出工程师Doug Burger对此表示同意。他在另一场专题讨论上表示,“尽管神经网络有点宣传过火,但它是真实存在的……而且还存在一些我们尚未完全理解的深度和基础知识。”

许多新创企业、学术研究机构和现有业者都在研究可加速神经网络的处理器,其中有许多人使用降低精确度的向量乘法矩阵,他指出,“在今后三、四年这种方法会逐渐退出历史舞台,而之后会出现什么真的很令人感兴趣。”

资深微处理器设计师和Google TPU加速器开发团队负责人Norm Joupi也表示同意,他把神经网络称为当今计算机科学领域中“最大的金块之一”。

UC Berkeley机器学习专家Michael I. Jordan看到的是人工智能的限制。他认为,计算机科学仍然是最首要的学科,人工智能还无法取而代之,而神经网络只是该领域中仍在发展中的一个部份。

AI17080904

他表示,“它只是一个大型的工具箱。我们必须打造围绕着神经网络的基础设施和工程,如今,我们离这个愿景还很远。未来也需要让系统用数学和机器学习的方式去思考。”

如同专题讨论上的其它主讲人一样,他指出人类的推理能力远远超过神经网络范围之外。 “自然语言的处理是十分困难的。今天我们所做的只是字符串到字符串的配对,但这跟解译是不一样的。”

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,但并不支持抽象和语义,它们无法说出有关这个世界的任何真实内容。

“我们正处于巨量学习的年代,但尚未进入人工智能时代。”虽然如此,他同意神经网络具有足够的重要性,必须成为新版计算机科学课程中的一部份。


本文授权编译自EE Times,版权所有,谢绝转载