机器人高峰论坛
  • 资讯
  • News
  • 行业资讯
  • IndustryNews
  • 想进入“AI为先的时代” 人类还需翻越“三座大山”

    • 行业资讯
    • 时间:2016-10-11
    • 来源: 凤凰科技
    • 编译:lx
    • 我要投稿
    • 0
       在上个月于伦敦举行的深度学习大会上,有一个特别值得关注的主题:谦卑,或者说需要谦卑。
     
      包括谷歌在内的许多公司都信誓旦旦地宣称,我们正生活在一个“以AI为先的时代”,机器学习也在语音和图像识别等领域取得了突破,但是身在AI研究最前沿的人经常指出,人类在这方面仍有大量工作要做。仅仅因为我们拥有了听上去像电影中会说话的虚拟助手,并不意味着我们距离创造真正的人工智能更近一步。
     
      我们在人工智能研究领域还面临着诸多挑战,比如需要海量数据来支持深度学习系统;我们还不能打造出不止擅长一项任务的AI;我们对这些系统的工作原理缺乏认识。2016年,机器学习创造了一系列极为出色的工具,但这些工具难以具体解释,训练费用高昂,即便对创造者来说,它们往往也像是谜一般的存在。下面就让我们来详细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了解世界,但我们往往会忽视数据多少的重要性。英国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(Neil Lawrence)指出,若想理解概念或识别某项功能,这些系统不仅需要比人类更多的信息,而且需要的信息数量更是多出人类数十万倍。
     
      劳伦斯说:“如果你看一看深度学习在哪些领域的应用取得了成功,那么会发现这些往往是我们需要大量数据的领域。”例如,在语音和图像识别领域,谷歌和Facebook等科技巨头都拥有海量数据(如安卓设备上的语音搜索),令他们可以轻松开发有用的工具。
     
      劳伦斯称,当前,数据就像是工业革命早期的煤炭。他还以汤玛斯·纽科门(Thomas Newcomen)为例来说明这一点。纽科门是英国人,在1712年发明了以煤为燃料的原始蒸汽机,比詹姆斯·瓦特(James Watt)发明先进蒸汽机早了大概60年。纽科门发明的蒸汽机并不太好,相比瓦特蒸汽机,效率低,费用高。这意味着,它只能在煤田使用——煤田有足够多的燃料来克服蒸汽机的诸多不利条件。
     
      
    Facebook开源的图像识别工具
     
      劳伦斯表示,如今世界各地存在着数百个“纽科门”,他们正在开发自己的机器学习工具。这些工具可能具有革命性,但没有数据来支撑它们,所以我们将永远无法知道结果如何。谷歌、Facebook和微软等科技巨头就好像是今天的“煤矿”。他们拥有丰富的数据,也有经济能力来运行效率不高的机器学习系统并加以改善。
     
      规模更小的创业公司可能有不错的创意,但如果没有数据支撑,他们就无力跟进科技巨头在这个领域的动作。如果看一看你难以获得数据的其他领域,会发现问题甚至更严重。以医疗保健为例,人工智能正被用于机器视觉任务,如识别X光片中的肿瘤,但这个领域的数字化数据却很少。
     
      正如劳伦斯所指出的,问题的棘手之处就在于,“迫使人们不厌其烦地去获取数据,被普遍认为是不道德的事情”。劳伦斯表示,这里的问题不是寻找分发数据的途径,而是如何让深度学习系统变得更高效,可以在数据更少的情况下使用。就如同瓦特蒸汽机相比纽科门蒸汽机有了巨大突破一样,人工智能的研究若想取得突破,可能也需要60年。

      需要具备多任务处理能力
     
      深度学习面临的另一个重大挑战是,当前所有的AI系统基本上就是“纸上谈兵”。据谷歌DeepMind研究小组科学家拉伊亚·哈德塞尔(Raia Hadsell)介绍,一旦经过训练,它们可以极为高效地应对一些任务,比如识别猫咪或是玩Atari游戏,但是,“目前世界上没有神经网络或任何方法在经过训练后,可以识别物体和图像,玩《太空侵略者》游戏,听音乐。”神经网络(Neural network)是深度系统系统的基本组成部分。
     
      实际上,问题比实际情况还严重。谷歌DeepMind团队去年2月份宣布,它已经开发了一种能在49个游戏中胜出的系统,虽然这肯定是巨大的科学成就,但每次击败某款游戏,该系统都需要再次进行训练,以便在下一次的较量中胜出。正如哈德塞尔所指出的,你不能同时试着学会所有不同的游戏,因为不同游戏的规则会相互干扰。你可以一次学习一个游戏规则,但最终会忘了前几个游戏的规则。“若想实现通用型人工智能,我们就需要一种能学会多任务处理的东西,”哈德塞尔说,“但是,我们现在甚至不能掌握多个游戏规则。”
     
      解决这一问题就需要一种称为“渐进神经网络”(progressive neural network)的东西——这意味着要将不同深度学习系统连接起来,令其可以传递某些信息片段。今年6月份,哈德塞尔的团队就这一话题发表了一篇论文,称他们开发的渐进神经网络可以适应规则略有不同的多款《Pong》游戏,而且适应的速度远超正常的神经网络——后者必须从零开始了解每个游戏的规则。
     
    渐进神经网络的基本结构
     
      这是一种颇具前景的方法,在最新实验中,它甚至可以应用于机械臂——将机械臂的学习过程从过去的几周,缩短为现在的一天。然而,这种方法也存在诸多严重的短板,哈德塞尔称渐进神经网络不能持续地在“记忆”中增加新任务。她说,如果你将几条铁链子连在一起,那么整条链子迟早“变得过于庞大,难以驾驭”。到那个时候,我们正在管理的不同任务基本上都是相同的——打造一种智力相当于人类的系统,可以写诗、解决微分方程、设计椅子,这种系统也将成为与众不同的东西。
     
      缺乏对AI内部机制的了解
     
      另一个重大挑战是,理解人工智能如何得出它们的结论。对于外行人来说,神经系统通常是谜一般的存在。虽然我们了解了如何将它们连接起来的办法,也了解了经过这些系统的信息,但这些系统为何会作出某些决定,原因往往是我们难以理解的。
     
      弗吉尼亚理工学院的一次实验,就充分展现了这一挑战。研究人员给神经网络开发了一种眼部追踪系统,将计算机最先看到的像素记录下来。研究人员将一张卧室的神经网络照片拿给该系统看,然后问:“盖住窗户的是什么东西?”他们发现,该系统并没有看窗户,而是朝地上看了看。
     
      接着,如果发现了一张床,它会回答“窗帘盖住了窗户”。该系统碰巧给出了正确答案,但这只是因为它接受训练时的数据有限。根据研究人员向它展示的照片,神经网络得出了这样的一个结论,即如果是在卧室中,那么窗户上一定要窗帘。所以,只要看到床,该系统就不会再看第二眼了——它已经看到过窗帘了。当然,这合乎逻辑,但却是很愚蠢的做法。许多卧室根本就没有窗帘!
     
      眼部追踪只是一个揭示AI内部机制的方法,另一个方法可能是给深度学习系统注入更多的连贯性。伦敦大学帝国理工学院认知机器人科学教授莫里·沙纳汉(Murray Shanahan)表示,实现这一目的的途径是,重新采用一种名为“有效的老式人工智能”( GOFAI)的传统机器学习方法。这种方法是基于一个假想提出的,即脑海中发生的东西可以缩减为基本的逻辑,让世界由众多复杂的符号来定义。通过将这些表示动作、事件和物体的符号结合起来,你基本上可以形成自己的看法。
     
      沙纳汉建议,我们应该吸取GOFAI的符号描述方法,然后与深度学习结合起来。这些系统将成为人工智能系统了解世界的一个起点,而不是不断提供数据,等待其识别某些图像。他说,这种办法不仅可以解决AI的透明度问题,而且还能解决哈德塞尔提出的转移学习成果的问题。
     
      沙纳汉说:“可以这样说,《Breakout》类似于《Pong》,因为它们都得到了桨和球,但堪比人类的认知能力将它们以更大的规模连接起来,就像是原子结构和太阳系结构之间的连接一样。”沙纳汉及其团队正在开发一种新的方法(他们称之为“深度符号增强学习法”),并且公布了一些实验成果。
     
      这项研究目前仍然处于初级阶段,发现它是否可以应用于更大的系统和不同类型的数据,将更加具有说服力。但是,它很有可能会演变为更多的东西。毕竟,在研究人员近年来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当中一个不受垂青的部分。也许,现在到了AI迎来再一次爆发,在新环境下大展身手的时候了。
    声明:凡资讯来源注明为其他媒体来源的信息,均为转载自其他媒体,并不代表本网站赞同其观点,也不代表本网站对其真实性负责。您若对该文章内容有任何疑问或质疑,请立即与中国机器人网(www.robot-china.com)联系,本网站将迅速给您回应并做处理。
    电话:021-39553798-8007
    [打印文本] []
    
    全部评论(0
    TOP Bookmark