谷歌 AI 研究員 Francois Chollet 的一番言論又一次引發(fā)了人工智能領(lǐng)域的激烈討論：AI 領(lǐng)域這些年的研究其實毫無進展？！

AI 領(lǐng)域這些年的研究其實毫無進展？！

谷歌 AI 研究員 Francois Chollet 的一番言論又一次引發(fā)了人工智能領(lǐng)域的激烈討論。

Francois Chollet 是深度學(xué)習(xí)框架 “Keras” 的作者，也是 AI 圈最熱衷于活躍在社交網(wǎng)絡(luò)的科學(xué)家之一。

近期他發(fā)表了一條推文，稱 “最近讀了不少 1950 年到 2010 年 AI 相關(guān)的老論文。有意思的是，很多東西都沒過時，基本問題并沒變，也沒有得出確切的答案。”

隨后他又補充道：“雖然解決方案不斷推陳出新，但就其根本局限性而言，今天跟 1997 年甚至是 1973 年相比，并沒什么大的變化?！?/p>

此言一出，便又引發(fā)了國內(nèi)外學(xué)者的廣泛討論和共鳴。

清華大學(xué)計算機系教授馬少平和劉知遠(yuǎn)表達了一致的觀點。@馬少平 THU “非常贊同，AI 的很多問題并沒有解決?！?/p>

知名互聯(lián)網(wǎng)資訊博主 @ 愛可可 - 愛生活也對此給出了自己的解讀，他認(rèn)為 Francois Chollet 的這番話并不是說 AI 藥丸，更不是說這幾代 AI 人太水。

“相反，雖然根本局限遠(yuǎn)未解決，但 AI 相關(guān)技術(shù)應(yīng)用的廣度、深度都有了長足進步，前景一片光明；另一方面，小步快跑、修修補補的積累式 “量變”，解決不了現(xiàn)有技術(shù)框架的本質(zhì)問題，就像蒸汽機技術(shù)從誕生到不斷進步、完善掀起偉大的工業(yè)變革，但其根本問題還需要新能源這樣的新思路解決一樣，當(dāng)代 AI 研究者，不必拘泥于現(xiàn)有技術(shù)框架，應(yīng)該多多思考基本問題，勇于探索新思路，爭取早日達成 AI 技術(shù)質(zhì)的飛躍。”

他隨后也進一步表示 “站在歷史高度看技術(shù)發(fā)展，才能明大局、少俯仰、不糾結(jié)，穩(wěn)步前行”

對此，你的看法呢？

Fran?oisChollet 的那些網(wǎng)紅語錄

其實這已經(jīng)不是 Fran?ois Chollet 第一次語出驚人，此前他也發(fā)表過很多關(guān)于人工智能領(lǐng)域的看法，圖靈君將其做了整理，供大家參考、思考。

“記住一點很重要，人工智能的最新進展都是在解決特定任務(wù)，而不是開發(fā)更通用的能力（如通用智能）。對這些任務(wù)的解決，并沒體現(xiàn)出人類解決它們時用到的能力。在 “能執(zhí)行一項任務(wù)” 和 “擁有一項能力” 之間，存在關(guān)鍵差別 —— 特別是泛化能力（無需進一步人工干預(yù)的情況下能夠執(zhí)行所有相關(guān)類型任務(wù)）和開放性（找出需要處理的新任務(wù)）—— 認(rèn)為 “我用智力完成了 X（例如乘法和加法），因此，要是開發(fā)出一臺能完成 X（例如乘法和加法）的機器，就表示它具有相同的智力?！?，這是一種非常擬人化的認(rèn)知謬誤。穿過玉米地的小道兒，和道路建設(shè)公司干的事，完全不可同日而語?！?/p>

“AI 難題不僅是計算機科學(xué)問題，更是數(shù)學(xué)、認(rèn)知科學(xué)和哲學(xué)問題。”

“我們都很清楚這樣一個事實：在線內(nèi)容的可信度，往往與 “嘩眾” 程度成反比。標(biāo)題黨往往不可信；謊言可以完全無視事實約束、無限優(yōu)化到讓人欲罷不能。眾包內(nèi)容平臺對 “吸睛”(參與) 的商業(yè)模式 (對 “頭條” 內(nèi)容大力推廣、擴散、加強) 的依賴，直接損害了其信息的總體可信度。另一方面，依賴于提供 * 有用 * 信息 (如搜索) 的商業(yè)模式，往往會偏向于提供更可靠的信息?！?/p>

“看到深度學(xué)習(xí)能干這能干那，就認(rèn)為 “是時候進軍通用智能 (AGI) 了”，基本上等同于看了些魔術(shù)，就想 “哇，魔術(shù)是真的！是時候弄個魔術(shù)公司，用魔法創(chuàng)造無限價值”。魔術(shù)，和所有成功的深度學(xué)習(xí)方案一樣，本質(zhì)都是工程：只做一件事，在特定環(huán)境下，通過努力不斷完善。永遠(yuǎn)沒有免費的午餐?！?/p>

“成千上萬的深度學(xué)習(xí)論文，講的其實是 “將特定任務(wù)的先驗，硬編碼進神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，相比缺少先驗的情況，會更有效”，寫出來往往是 “網(wǎng)絡(luò)結(jié)構(gòu) XYZ 為 [通用任務(wù)類別] 提供了更優(yōu)異的性能”。用更多、更高質(zhì)量的數(shù)據(jù)進行訓(xùn)練，或在結(jié)構(gòu)或預(yù)處理過程中注入任務(wù)信息，幾乎總是能 “換” 來更好的性能。然而，這并不代表所采用技術(shù)真正的泛化能力 (而這才是唯一的關(guān)鍵)。其實，很大一部分論文，都可以寫成：“通過將更多任務(wù)信息注入到訓(xùn)練過程，我們在該特定任務(wù)上取得了更好的表現(xiàn)”。一個極端例子，是在樣本符合特定 “模板” 的合成數(shù)據(jù)集 (如 BABI) 上，手動將模板硬編碼到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中?？梢韵胍姡?dāng)擬合目標(biāo)就是解決方案模板時，用梯度下降擬合參數(shù)化模型，就能達到最佳效果。顯然，卷積網(wǎng)絡(luò)就是如此 (其假設(shè)可推廣到所有可視化數(shù)據(jù)，所以確實有效)”

“你不必全知全能，也不必各種 “正統(tǒng)” 背景加身 —— 有當(dāng)然更好，甚至不必讀博。只有一點是必要的：不斷學(xué)習(xí)。保持好奇、堅持閱讀，別因為太忙而 “顧不上” 學(xué)習(xí)，更別因為無知而狂妄自大?！?/p>

“工程師 (或研究人員) 用 X 解決 Y 時，九成是覺得 “對 X 有點了解”，而不是 “講道理，這種場景用 X 解決是合適的”。

Derek Wise：至少對研究，還有第三種可能性，就是你真的了解且熱愛 X 技術(shù)，因此到處找可能是 X 的好應(yīng)用的問題，Y 是看似相當(dāng)不錯的一個。(當(dāng)然，并不意味著 X 是 Y 的 * 最佳 * 方案) ”