真正的AI和深度学习是什么？

创客

在科技行业中，人工智能已经越来越普及了。目前，我们所知道的是，人工智能主要被应用于Gmail里回复邮件、无人驾驶汽车、以及帮助我们处理节假日的照片。Mark Zuckerberg （马克·扎克伯格）甚至还打算建立一个人工智能管家。问题是，大家心中的人工智能还停留在科幻电影中，而不是自动的垃圾邮件屏蔽器。众所周知，人们担心的事情是AI（人工智能）将会伤害人类。
高科技公司也只是在某些程度上，鼓励人们忽略人工智能和科幻电影里的AI之间的区别，但是当你努力去理解我们的计算机正在做什么时，你就会非常容易了解到它们之间的差别。考虑到这一点，这篇文章旨在解释人工智能在消费类应用中最常见的方向，以及我们技术目前的局限性，以及为什么我们不应该担心机器人会起义。

在DARPA机器人挑战赛中，机器人与门的斗争

“神经网络”，“机器学习”以及“深度学习”真正意味着什么呢？
这三个术语最近可能频繁出现在你的耳边。神经网络位于最底层——它们是构建人工智能的计算机结构。机器学习是下一个层面——这是在神经网络上运行的一个程序，训练电脑在众多数据中，寻找正确答案；深度学习位于顶层 ——它是一种机器学习的特别类型，在过去十年中，也只有它普及起来了，很大程度上要归功于廉价的处理能力和丰富的互联数据。
神经网络的概念可以追溯到上世纪50年代，这还是AI（人工智能）的起源阶段。总而言之，这些网络是构建计算机的一种方式，它看起来像大脑中的一部动画片，由像神经元一样的节点连接在一起，然后展示在网页上。如果这些节点是独立的，它们发挥的作用就非常有限，只能回答一些非常基本的问题，但是，如果它们聚集在一起，就能够解决困难的问题。更重要的是，只要算法正确，它们还拥有学习的能力。
例如，正如纽约大学计算机科学系的教授Ernest Davis（欧内斯特·戴维斯）所说，你希望一台计算机能够知道如何过马路。如果是传统的编程，你就会给它定制出一套非常精确的规则，告诉它如何分辨左右、等待汽车、使用人行横道等等，然后才能过马路。如果使用机器学习，你只需要给它播放1万人安全过马路的影片（以及1万人被车撞的影片），它就知道如何过马路了。
最棘手的问题，就是如何使计算机从影片中获取信息。在过去的几十年中，人们已经尝试了各种不同的方法，来试图教计算机获取信息。这些方法包括，例如：强化学习，当它做的事情是你所想要的，你就给予这台计算机一个“奖励”，逐步优化形成最佳解决方案；以及遗传算法，类似于物竞天择。

谷歌和其他汽车公司利用机器学习，实现自主驾驶

今天在使用电脑的教室里，有一个教学方法非常有用：深度学习——机器学习的一种，在一个神经网络中，以不同的抽象方式，使用大量的层来分析数据。所以，如果一个深度学习系统正在看一张图片，每一层基本上可以对其进行不同程度的放大。底层可能看到的只是一个5×5像素网格，只需回答“是”或“否”，只需要判断一些东西是否呈现在网格上。如果回答“是”，那么上一层将查看该如何把网格融入一个更大的模型中。例如，是以一条线开始，还是以一个角落开始？这个过程逐渐优化，允许软件通过逐步分解的方式，甚至去了解最复杂的数据。
“随着这些层检测到的东西越来越多，越来越抽象，然后，顶层就有一个探测器可以告诉你看到的是一个人还是一条狗，或是一架滑翔机，等等，”Yann LeCun说，他是Facebook人工智能研究小组的负责人。
接下来，让我们想象一下，我们要教计算机使用深度学习来识别一只猫。首先，我们会选择一个神经网络，并且编程为不同的层，去识别猫不同的元素：爪子，脚掌，胡须等（每一层都事先设定好，使其能够识别特定的元素，这就是为什么称它为深度学习。）然后，网络展现出很多猫和其他动物的图片，并且告诉它哪个是哪个。随着神经网络看到大量各式各样的图片，使用不同的层和节点，它就会认识爪子，脚掌，胡须等。随着时间的推移，它就会记住和猫有联系的元素，无视没有关系的元素。例如，它可能会发现爪子和猫是强烈相关的，但是要判定是一只猫，它还要学会识别必须胡须和爪子同时出现才可以。
由于系统会不断的自我优化，它需要一个长期的过程。要么人类给它定义正确的答案，使其朝人们想要的方向发展。要么，计算机通过不断的自我完善，筛选出人们最理想的答案。现在，你可以想象识别这个物体是否是一只猫，需要多少步骤，因此这些系统必须认识存在于这个世界上的一切东西，这确实非常复杂。
就像微软非常骄傲的狗类识别软件“Fetch”一样，可以识别不同品种的狗。杜宾犬和雪纳瑞之间的区别对于我们来说，是一眼就可以知道的，但是，计算机就没有那么简单了，在此之前计算机需要事先被大量定义。

谷歌Deep Dream项目创建的图像，已被很多人工智能研究所识别了。

这真的是谷歌、Facebook和其他搜索引擎正在使用的东西吗？
对于大部分搜索引擎来说，是的。
现在深学习技术被广泛用于日常的各种任务。许多大型高科技公司都有自己的AI（人工智能）部门，而且Facebook和谷歌都已经通过他们的一些软件open-sourcing，努力推出开放式的研究。甚至在上个月，谷歌推出了为期三个月免费的深度学习在线课程。这些企业机构每星期都会推出对于这项技术新的应用：一切从微软的“emotional recognition（情感识别）”网页APP到谷歌的Deep Dream图像。这就是为什么深度学习频繁出现在我们耳边的另一个原因：一些面向消费者的大型公司，都是这样玩的，他们会分享他们正在研究项目的过程中，出现的一些怪异事情。
然而，虽然深度学习已经被证明善于执行语音和图像识别任务，并且已经大量应用于商业中，但是，它仍有很多的局限性。深学习技术不仅仅需要大量的数据和微调工作，而且它们的智力也是狭窄而脆弱的。正如认知心理学家Gary Marcus（加里·马库斯），在《纽约人》中写道，目前流行的这个方法缺乏代表因果关系的方式（如疾病及其症状之间），并很可能面临缺乏抽象思维的挑战。他们没有逻辑推理的方法，并且它们整合抽象知识的能力也有待提高，比如关于这些信息：这个是什么，该如何使用它”。换句话说，它们没有任何常识。

谷歌的神经网络产生的哑铃（图片来源：谷歌）

例如，谷歌研究的一个项目中，一个神经网络在进行样本图像训练后，被用来产生一个哑铃的图象。它产生的哑铃图片是相当不错的：两个灰色圆圈连接水平管。但是，在每个水平管的中间是一个健美的肌肉手臂轮廓。这是因为网络在训练时，常常呈现给它的图片是一个健美运动员手持哑铃。深度学习也许能制定出哑铃图片，但是它永远不会有认知的飞跃，不会想到哑铃没有手臂。这些各种各样的问题并不只是由于它们没有常识。主要因为它们检查数据的方式，深度学习网络也许会被像素的随机模式所愚弄。
这些局限性虽然可以很巧妙地隐藏起来。例如，数字助理Siri表现的似乎能够理解我们 ——回答问题、设置报警，并告诉我们几个预编的笑话。但是，正如计算机科学家Hector Levesque（赫克托）所指出的，这些怪癖就显示了AI和真正智能之间的差距有多大。 Hector Levesque（赫克托）使用图灵测试的例子，在这个挑战中，有技巧的机器人是表现最好的，让人们觉得它们真的在和人类谈话。它们使用笑话、询问、情绪爆发、误导等所有方式来迷惑和分散提问者的注意力。

人工智能被用于驱动数字助理，像亚马逊的Alexa

如果这不是人工智能，那这是什么？
使用人工智能术语的难点之一：它太难以去定义了。事实上，在行业内，这是不言自明的，那就是机器不久就能够完成所有人类可以胜任的工作，不论是下棋还是面部识别，但是，它们还是无法取代人类的智慧。
正如计算机科学家Larry Tesler（拉里·泰斯勒）说的那样：“智慧是任何机器都还无法拥有的。”即使是计算机可以胜任的任务，它们也只是复制人类的智慧来完成它。“当我们说神经网络像我们的大脑时，是不正确的，”LeCun说。“这和飞机并不是鸟一样的。它们无法扇动翅膀，它们没有羽毛或肌肉。”如果我们确实创造了智慧，他说，这“也不会像人类智力或动物智慧那样。”
很多从事人工智能领域工作的人都不屑这种想法：我们将可以创造有真正想法的人工智能。“一个程序无法在同一时刻，执行很多灵活和复杂的任务，”Andrei Barbu（安德烈·巴尔布）教授说，他是麻省理工学院大脑、思想与机器研究的核心人物。他补充道，有效的人工智能研究仅仅是创造系统，可以微调来解决特定的问题。
他说，虽然已经有人进军监督学习领域，系统不需要以任何方式如贴上标签来处理数据，但是，这项工作还处于起步阶段。其中一个广为人知的例子，是由谷歌创建的一个神经网络，它可以同时观看1000万个视频，随机读取YouTube的缩略图。最终，它教会了自己识别一只猫，但它的创造者没有对它的能力有过多要求。正如去年，LeCun在奥兰治研究所活动上说：“我们不知道监督学习怎样去工作，这是最大的障碍。”

  

AI智慧的浮华展示——就像IBM的沃森赢得Jeopardy这令人印象深刻的成就，但只是有限的应用。

人工智能作为一个研究领域，也具有炒作的倾向。经常看到有这种那种新方法被发现，进展迅速，评论员（通常是计算机科学家）大胆声称，这一比率的提高将继续下去，直到我们创造出机器人管家。
自从1958年，就可以从纽约时报看到类似的文章，例如，描述AI非常早期的形式——一台计算机能够区别左和右——作为一个电子的“胚胎”，有一天将能够“走路、说话、看、写、复制自身，并意识到自己的存在。”当这些种种承诺都没有兑现时，该领域往往陷入被称为AI的冬天——悲观和资金减少的一个时期。（历史上曾经出现过轻微的AI冬天，主要在70年代末和90年代初）。虽然这是真的，科学研究的各个领域都会经历休耕期，值得一提的是，很少有学科像这样辜负自己的粉丝，他们为后者想出一个特殊的名字。
难道说：人工智能只是噱头吗？
其实，也不完全是。这取决于你想要AI成为什么样。我们的机器确实是越来越智能，但不是我们所认为的那样。以自驾车软件应用于Tesla（特斯拉）汽车为例。该公司的首席执行官Elon Musk（伊隆·马斯克）将其描述为一个“蜂巢学习网”，有一池的数据，以便“当一辆车学会某项技能时，很多车子都开始学。”这项研究的终点不会只是一个只会回答问题的AI，人工智能将会越来越智能化——正如LeCun所说的“隐藏的智能”。
试想一下，在未来，您拥有一个完美的自动驾驶汽车，配备了先进的数字助理——也许是Siri的后代之一。这可能是Levesque瞧不上的某种骗人的聊天机器人，但很多人却把它当作人来看待。在早晨上班时，互相开玩笑，聊新闻消息，在您的日历安排日程，自主驾驶汽车不仅仅学会交通规则，而且也要知道如何去理解其他司机不一致的行为。当我们真的走到这一步时（这是几乎肯定可以实现的目标），我们还会真正关心我们没有“真正的”人工智能吗？