概言之，他引發(fā)的革命、對(duì)行業(yè)的翻盤(pán)和對(duì)學(xué)術(shù)圈的震蕩、還有隱患和不足都是那么的個(gè)性鮮明、棱角分明。

如果把近年來(lái)人工智能主流技術(shù)“深度學(xué)習(xí)”理解為那位116歲的長(zhǎng)壽老奶奶（拓展閱讀：“深度學(xué)習(xí)，你就是那位116歲的長(zhǎng)壽老奶奶”），那么當(dāng)前人工智能的諸多現(xiàn)象就不難理解了。概言之，他引發(fā)的革命、對(duì)行業(yè)的翻盤(pán)和對(duì)學(xué)術(shù)圈的震蕩、還有隱患和不足都是那么的個(gè)性鮮明、棱角分明。

先說(shuō)第一個(gè)，革命。端到端(End-to-end)是深度學(xué)習(xí)面世后最流行的一個(gè)概念。以前我們做研究，都喜歡講要深入到數(shù)據(jù)內(nèi)部去，了解行業(yè)和應(yīng)用領(lǐng)域的特點(diǎn)，然后才能形成好的交叉學(xué)科成果。以計(jì)算機(jī)視覺(jué)領(lǐng)域?yàn)槔?，在?jì)算機(jī)視覺(jué)相關(guān)的任務(wù)如行人跟蹤、人臉識(shí)別、表情分析、圖像檢索等，共識(shí)的觀(guān)點(diǎn)是要找到最富代表性的特征，或統(tǒng)計(jì)性的或結(jié)構(gòu)性的或變換空間的。

圖1童話(huà)(同化)世界前的計(jì)算機(jī)視覺(jué)領(lǐng)域預(yù)測(cè)模型框架：藥材對(duì)應(yīng)各種特征；醫(yī)生對(duì)應(yīng)于特征選擇器；藥罐對(duì)應(yīng)于模型預(yù)測(cè)器；火表示可以通過(guò)集成技術(shù)(Boosting)進(jìn)一步提高預(yù)測(cè)性能

于是，原本大相徑庭的行業(yè)都走到了一起，可以在統(tǒng)一的模型框架討論人工智能在各自領(lǐng)域中的發(fā)展了。這就是端到端帶來(lái)的同化現(xiàn)象，因?yàn)樗鼘⒃?jīng)對(duì)行業(yè)領(lǐng)域知識(shí)的依賴(lài)性或準(zhǔn)入門(mén)檻顯著地降低了，它也導(dǎo)致越來(lái)越多的行業(yè)因此而更加重視人工智能的技術(shù)研發(fā)和應(yīng)用。

更有甚者，干脆把依賴(lài)手工、簡(jiǎn)單重復(fù)操作的崗位直接用自動(dòng)化和人工智能程度高的機(jī)器替換了。如富士康公司就出現(xiàn)了“熄燈工廠(chǎng)”。因?yàn)檫@些工作不再需要人了，那燈自然也不是必需要開(kāi)的了。可以預(yù)見(jiàn)，未來(lái)這種情況還會(huì)在更多的行業(yè)漫延。

事實(shí)上，不僅行業(yè)間的同化現(xiàn)象比較明顯，這一撥人工智能熱潮在學(xué)術(shù)圈也有類(lèi)似的同化現(xiàn)象。近幾年在人工智能研究上，最明顯的特點(diǎn)就是頂級(jí)人工智能會(huì)議論文數(shù)量的井噴，咱大國(guó)的論文也已是占了大半壁江山。

那么，針對(duì)不同的任務(wù)，在模塊化的框架下，基本技巧是差不多的。要么是增加算力，比如多買(mǎi)點(diǎn)顯卡；要么是增加不同結(jié)構(gòu)的模塊來(lái)豐富特征的多樣性；要么是改進(jìn)優(yōu)化技術(shù)，來(lái)尋找更多更強(qiáng)的長(zhǎng)壽老奶奶；要么是增加數(shù)據(jù)量，或虛擬的或花錢(qián)買(mǎi)的，以提高逼近待搜索最優(yōu)解空間的能力。

結(jié)果，以前你從事人工智能研究，可能需要打個(gè)好幾年扎實(shí)的數(shù)學(xué)、統(tǒng)計(jì)、編程基礎(chǔ)，現(xiàn)在因?yàn)檫@兩個(gè)原因而變得簡(jiǎn)單、易于上手，也方便在不同研究領(lǐng)域進(jìn)行推廣了。于是，人工智能的現(xiàn)狀就變?yōu)椋豪习傩找詾榈娜斯ぶ悄苁钦趧?chuàng)造一個(gè)又一個(gè)復(fù)仇聯(lián)盟者3的英雄，而實(shí)際當(dāng)下很多相關(guān)的研究可能更像是穿著不同衣服、梳著不同發(fā)型的韓國(guó)美女。

圖2：大眾眼中的人工智能研究

圖3：童話(huà)(同化)世界的人工智能研究

于是，曾經(jīng)十幾年前國(guó)人鮮能發(fā)表論文的人工智能頂會(huì)，現(xiàn)在都能見(jiàn)到本科生一次發(fā)很多篇的情況了。除了導(dǎo)師指導(dǎo)能力和學(xué)生創(chuàng)新能力確實(shí)有明顯增強(qiáng)的原因外，在一定程度上也是緣于是近年人工智能快速發(fā)展導(dǎo)致的知識(shí)層面上的拉平效應(yīng)。

然而，如果深度學(xué)習(xí)找到的是一群具有鮮明個(gè)性的“長(zhǎng)壽老奶奶”，那如何能形成很好的穩(wěn)定性呢？何況并不見(jiàn)每次都能找到這些老奶奶。這一情況通過(guò)跟蹤相關(guān)文獻(xiàn)能看出些端倪。在同化世界之前，多數(shù)文獻(xiàn)報(bào)道實(shí)驗(yàn)的時(shí)候會(huì)有反應(yīng)一致性的均值和反應(yīng)波動(dòng)的標(biāo)準(zhǔn)偏差結(jié)果，以此說(shuō)明模型或方法的穩(wěn)定性。

而近年來(lái)相關(guān)的不少文獻(xiàn)在這一塊的報(bào)道比例明顯少了不少。是因?yàn)閿?shù)據(jù)規(guī)模太大，算力再?gòu)?qiáng)也沒(méi)法保證計(jì)算效率嗎？我想這里面多少還是有統(tǒng)計(jì)穩(wěn)定性的原因。最后但卻是最重要的，可解釋性。

從統(tǒng)計(jì)上來(lái)看，可解釋性是力求尋找相同概念事物的共性或規(guī)律，常通過(guò)歸納總結(jié)獲得。既然如此，那對(duì)模型的穩(wěn)定性就得有高的期望。然而，如果預(yù)測(cè)模型追求的是個(gè)例，那就可能難以形成穩(wěn)定的、有效的可解釋性。

其實(shí)，人和機(jī)器的區(qū)別之一，不就是人會(huì)經(jīng)常犯些錯(cuò)誤嗎？自然界也是如此。所以，他才會(huì)在物種的發(fā)展和延續(xù)中呈現(xiàn)了一種演化現(xiàn)象，并非一味地在向前進(jìn)化。所謂之，退步原本是向前。也許，童話(huà)(同化)世界后的人工智能，應(yīng)該多研究下會(huì)犯錯(cuò)誤的機(jī)器或模型。