“深度学习”真的比我们想象中“浅”很多吗？

【本文为数盟社区原创译文】

最近一个有趣的公共对话已经呈现出了人工智能（AI）的最新发展状况，其中既有乐观的观点也有悲观的观点，赢得了相当数量的媒体的关注。那么这个即将广泛通用的人工智能，到底是如斯蒂芬·霍金、伊隆·马斯克和比尔·盖茨近年来所提出的观点那样是灾难性的，还是像Ray Kurzweil和许多人所认为的，它会带来前所未有的超级智能代理服务以解决人类实际面临的所有问题？

从某种意义上讲，我们认为AI的可预见的对未来的影响与这两种极端的观点是有很大的区别的。在特定领域内的AI系统经过持续发展和精心设计，将为我们提供解决重要问题的工具。成千上万的人已经在日常生活中使用特定领域的AI系统进行语音识别、核实信用卡交易以及进行线上低价购物。这样的系统，对于在家庭里的个人设备也是一个重要的工具，它可以根据设备的电学特征对其进行有效的分类和检测。

更为棘手的问题是如何打造一个能够灵活地适用于任何工作领域的“强人工智能”，至今为止它仍然像圣杯一样难以捉摸。

乐观的评论家认为AlphaGo是AI的最高理想

AlphaGo系统最近打败了最强的现役围棋选手之一Lee Sedol，这场胜利为我们讨论这些问题提供了一个有趣的具体案例。许多极端的观察者认为这场胜利宣布了一个新时代的诞生，AI系统在一个需要直觉或智力来处理任务的广泛范围内迅速接近（甚至超过）人类的能力，与保守预期的直接对比是，我们对可预见未来仍在感官预测阶段：

 

在这一点上我们并不能确定AlphaGo功能的改善是否有任何限制。（如果只有一点相同的话，可以说是我们过时的大脑。）可能是因为这是任何智能系统的核心构成，研究人员所追求的最高理想——一般人工智能在其能力和灵活性上与人类智慧相媲美。

 

-Christof Koch，“计算机是怎么击败围棋大师的”

 

… 剑桥大学的Zoubin Ghahramani说：“这肯定是AI的重大突破，具有更广泛的影响。”

 

-BBC，“谷歌击败围棋冠军，实现了AI的’突破’。”

 

由于这种通用性，我认为AlphaGo本身并不是一种革命性的突破，而是作为一个极其重要的发展的前沿：构建一个可以捕捉直觉和学会识别模式的系统的能力。

 

Michael Nielsen，“AlphaGo真的有什么大不了吗？”

 

出现这些乐观结论的原因如下：

首先，较早尝试开发自动围棋选手的项目都没有成功。但其产生了一个广泛的认同，只有通过开发同类型的直观抓取，使人类的创造力可以跨越无数领域，围棋才能真正被掌控。

第二，AlphaGo开发商报道说，该系统是根据数月间密集的与自身对战，进行了一系列改善，最终才战胜了Lee Sedol。这种自我改进表明，任何限制，包括人类智力水平，在足够的时间和计算机能力范围之内是可以达成突破的。也就是说，围棋仅仅是个开始。

第三，AlphaGo利用深度学习这个模式识别的途径，已在诸多应用中取得了显著成就，例如自动驾驶汽车、图像识别和语音识别。因此，在许多观察者的印象中，深度学习是可以跨越无限的应用范围的驱动情报的重要组成部分。

 

根据这些参数，人们很容易认为，谷歌的研究人员已经发现了类似于人类的强人工智能的原则，连接人类智慧和解决给定任务的唯一障碍就是工程技术和数据。而正如我将在下面进行的讨论那样，我并是这样不认为。

 

深度学习是否过度炒作？

这些发展真正代表了多少创新？诚实的回答是“并不能使人满意”。例如，自我对战带来改进这个模式，已经有至少六十年。（最早是在20世纪50年代，由亚瑟·塞缪尔在他的开创性跳棋程序中使用的）深度学习的概念基础可以说不包含任何30年前不知名的东西。伴随早期深度学习的一个显著的新成分是受限玻尔兹曼机（RBM），它似乎为学习提供了一个以前无法实现的深度。然而，后来的研究表现出RBM是多余的，而国家最先进的深度学习现在依赖于与昔日的“反向传播”系统相同的原则（尽管有了更多的数据和启发技巧使计算可行）。所有这一切是说，深度学习并不是像让人屏息兴奋的评论使你相信得那样新颖和具有突破性。

其实，引领AlphaGo胜利的最重要的概念进步是意识到了Monte Carlo树搜索可以用来克服妨碍了象棋类软件实现围棋更好表现的根本困境。这种局限在的特定领域的有识之士曾经对诸多AI原型的成功产生了重要的作用，但不符合人类智慧的跨域创造力发展的需要。这样的智能有几个重要特征（包括单向学习、从学习中学习、不同信息源的利用、特定对象属性的结合），这些在深学习方案中明显缺乏。根本上说，让一台计算机能够成功的下围棋这个突破，并没有使用人类大脑可以利用的更广泛的学习类型，所以AI的“最高理想”仍然遥不可及。

从这个角度看，AlphaGo是成功的正是同样的原因，许多专业的模式识别算法在过去二三十年已经取得了成功：细心的功能设计，大量的训练数据和合理的工程结合，使以前难以解决的问题得到管理。

我们正在采取相同的方法去加载意识分解：是否使用深度学习、Hidden Markov模型，或者一些其他的学习框架，我们不约而同地发现，只有我们在当下的任务中采用大量的领域知识，才能够达到足够的精度。当然，谷歌的人没有对于这个问题的幻想，从有关AlphaGo胜利的最近博客中的这个片段表现出来：

深层神经网络已经被应用于谷歌的具体任务，比如图像识别、语音识别和搜索排名。但是，要实现一台机器可以学会灵活地进行人类可以的全方位的智能任务——真正的强人工智能，我们仍然有很长的路要走。

 

该AlphaGo队确实取得了在以前失败领域的成功，并推翻了一些强的信念。我们是否可以得出一般AI的阻碍已经被破除，或者说其实围棋并不是针对一般智力的好的测试方法的结论？根据目前的证据，似乎后者是更有可能的。