为何我们正处于高估AI的危险中？

来源：金融时报

作者： Richard Waters

智能观 编译

人工智能是21世纪初期最重要的技术进步之一。机器可以像放射科医生一样阅读医学影像，也可以使汽车行业开发自动驾驶汽车。

然而，这项技术正处于被高估的危险中，并且，在实现机器智能，满足人类多样性之前，我们还需要做大量的工作。

当我们今天讨论人工智能时，谈的大多是一个方面:深度学习。IBM的前人工智能专家大卫·费鲁奇（Dave Ferrucci）认为，这种技术有局限性。

他领导的沃森项目，七年前击败了美国电视问答节目Jeopardy中最优秀的人类玩家，自此，人们对认知系统的兴趣大大增加。

然而，他还是强调，深度学习只是一种统计技术，在大量数据中寻找模式。它只具有预测价值，没有实现真正意义上的理解。他说，让电脑简单地吐出一个答案“短时间内还不行”。

你可能会问：Why？

今年初，纽约大学心理学教授加里·马库斯（Gary Marcus）发表了一篇反对深度学习的文章。他认为，深度学习过度依赖大型数据集，容易产生机器偏见，以及无法处理抽象推理。马库斯的结论是:“当前人工智能的过度炒作，最大的一项风险就是造成另一个人工智能寒冬。”

如果自动驾驶这种，在深度学习领域特别有希望的项目被证明是错误的，那么整个AI领域可能会面临大幅下滑，无论受欢迎程度，还是资金层面。

一些非深度学习领域的人工智能专家认为，对当前的主流观点提出质疑很重要。

艾伦人工智能研究所CEO 奥伦·埃兹昂尼（Oren Etzioni）说：“鉴于人们对深度学习领域过度兴奋和不断投资，分析并考虑其局限性非常重要。”提及近期的强人工智能威胁论，他说：“如果埃隆·马斯克和牛津大学的尼克•博斯特罗姆(Nick Bostrom)谈论‘超级智能’，就需要怀疑论者，如加里•马库斯(Gary Marcus)提供现实的核查。”

深度学习是一种使用“神经网络”的统计学方法，它基于人脑工作的理论。信息通过人造神经元的层，调整连接，直到出现所需的结果。主要技术称为监督式学习，通过一系列训练数据来训练系统，直到获得正确的输出，例如，猫的图片最终输出单词“猫”。

这种方法有固有的局限性。斯坦福大学兼职教授吴恩达说，该系统适用于将明确输入映射到明确输出的问题。这意味着它适合用来作分类。

这种系统的应用很广泛。自2012年，图像识别系统接近了人类认知水平，神经网络的潜力首次引发广泛关注。随后，这项技术还帮助语音识别和语言翻译领域实现重大飞跃，使机器开始做人类工作者的工作。

但是，神经网络可能会被愚弄。马库斯指出，一项研究显示，一个网络在寻找步枪的训练中，被一张乌龟图片欺骗了。同时，扭曲的数据也可能导致机器偏见。

对于深度学习来说，面临的基本问题是，这项技术不能解决人类很多想要电脑处理的问题。它不具备人类思维，如抽象或推理，不能通过少量信息“理解”，或者不能将洞察的东西立即应用于另一种情况。

埃兹昂尼说：“人类面临的一个巨大问题是赋予AI常识。“这种常识小孩子也有，但深度学习系统没有。”

最近一些研究提供了希望，至少证明一些深度学习的局限性是可以克服的。包括转移学习和无监督学习，前者令算法解决不同的问题，后者使系统学习时，不需要使用任何“标记”的数据进行训练。

费鲁奇说，我们需要系统能掌握多种不同形式的情报。他说，人类认为的“认知”实际上包含了许多技术，每种技术适用的问题类型不同。技术混合计算机才能表现出人类的理解水平。

费鲁奇和埃兹昂尼一样，认为这需要其他人工智能方法有所突破，而这些方法有可能因深度学习太受欢迎而被排挤。埃兹昂尼说：“我们需要的不是解决单一问题的狭义的AI，而是能解决多任务的广义的‘AI专家’，并且不需要使用大型数据集。”

https://www.ft.com/content/4367e34e-db72-11e7-9504-59efdb70e12f

—完—

亲爱的朋友：

如文中所说“一些非深度学习领域的人工智能专家认为，对当前的主流观点提出质疑很重要。”

关于AI，你怎么看？

今天除夕，阖家团圆的日子，祝朋友们幸幸福福团聚，开开心心过年！

智能观 一米

2018-2-15 于北京中关村

想知道AI加教育领域有哪些最新研究成果？

想要AI领域更多的干货？

想了解更多专家的“智能观”？

请在对话界面点击“找找看”，去获取你想要的内容吧。

转载智能观原创文章，请联系

智能观小艾（微信号：zng2017618）！

声明：

编译文章旨在帮助读者了解行业新思想、新观点及新动态，为原作者观点，不代表智能观观点。

关于我们

我们关注AI+教育。致力于提供高附加值的知识，以帮助每一位老师和我们的读者不断学习并提高技能。

我们努力让发表的每一篇文章都具有最佳质量，以满足读者的需求。