AI 迎來(lái)另一寒冬？這是 2018 年下半年至今我們一直能聽(tīng)到的一種聲音。這類(lèi)唱衰的文章一經(jīng)發(fā)布，總是能博人眼球。這篇發(fā)表在 Medium 上的文章探討了 AI 的歷史和現(xiàn)在，泛談了深度學(xué)習(xí)的局限性，思考 AI 寒冬的到來(lái)。你認(rèn)同這篇文章的觀點(diǎn)嗎？

許多人認(rèn)為，算法可以利用認(rèn)知意識(shí)來(lái)超越人類(lèi)。機(jī)器可以在沒(méi)有人類(lèi)干預(yù)的情況下識(shí)別和學(xué)習(xí)任務(wù)。他們完全可以「思考」。許多人甚至提出了我們是否可以打造機(jī)器人配偶的問(wèn)題。

但以上的討論并非今天才出現(xiàn)的話題。如果我告訴你早在上世紀(jì) 60 年代，AI 領(lǐng)域先驅(qū) Jerome Wiesner、Oliver Selfridge 和 Claude Shannon 就堅(jiān)信這些將發(fā)生在不遠(yuǎn)的將來(lái)，你會(huì)作何感想？

讓我們回到 1973 年，彼時(shí) AI 炒作遇冷。英國(guó)議會(huì)指定 James Lighthill 爵士起草英國(guó)人工智能研究現(xiàn)狀報(bào)告，該報(bào)告批評(píng)人工智能研究沒(méi)有達(dá)到其所宣稱的效果。有趣的是，Lighthill 還指出了專(zhuān)門(mén)的程序（或編程人員）比 AI 表現(xiàn)要好得多，AI 在現(xiàn)實(shí)世界環(huán)境中沒(méi)有前景。因此，英國(guó)政府取消了所有 AI 研究經(jīng)費(fèi)。

在大洋彼岸，美國(guó)國(guó)防部也曾斥巨資開(kāi)展 AI 研究，但在遇到同樣的挫折后也取消了幾乎所有經(jīng)費(fèi)，這些挫折包括：對(duì) AI 能力的夸大、高成本無(wú)回報(bào)，以及在現(xiàn)實(shí)世界中看不到期望的價(jià)值。

到了 20 世紀(jì) 80 年代，日本在人工智能領(lǐng)域大膽嘗試，提出了「第五代計(jì)算機(jī)」項(xiàng)目。然而，在耗費(fèi)了 8.5 億美元之后，這一項(xiàng)目不幸流產(chǎn)。

首個(gè) AI 寒冬

20 世紀(jì) 80 年代末，AI 進(jìn)入寒冬，這是計(jì)算機(jī)科學(xué)的一段黑暗時(shí)期，組織和政府所支持的人工智能研究都交付失敗，造成了沉沒(méi)成本。這樣的失敗使 AI 研究消沉數(shù)十年。

到了 20 世紀(jì) 90 年代，「AI」成了一個(gè)罵人的詞，這種狀況一直持續(xù)到 21 世紀(jì)初。那時(shí)人們普遍相信「AI 沒(méi)什么用」。編寫(xiě)智能程序的軟件公司使用的詞是「搜索算法」、「業(yè)務(wù)規(guī)則引擎」、「約束求解器」、「運(yùn)籌學(xué)」。值得一提的是，這些珍貴的工具的確來(lái)自 AI 研究，但由于沒(méi)有完成更偉大的使命，它們不得不換了個(gè)名字。

2010 年左右，情況發(fā)生了轉(zhuǎn)變。人們對(duì) AI 的熱情重新燃燒起來(lái)，圖像分類(lèi)競(jìng)賽吸引了媒體的眼球。硅谷坐擁海量數(shù)據(jù)，首次達(dá)到可以讓神經(jīng)網(wǎng)絡(luò)發(fā)揮作用的程度。

到了 2015 年，AI 研究已經(jīng)占據(jù)了財(cái)富 500 強(qiáng)公司的大筆預(yù)算。通常，這些公司是由于 FOMO（害怕錯(cuò)過(guò)）而不是實(shí)際用例驅(qū)動(dòng)的，他們害怕被自己的競(jìng)爭(zhēng)對(duì)手甩在后面。畢竟，擁有一個(gè)能夠識(shí)別圖像中物體的神經(jīng)網(wǎng)絡(luò)是一件酷炫的事情！外行認(rèn)為天網(wǎng)（SkyNet）具備的強(qiáng)大能力一定會(huì)出現(xiàn)。

但這真的是在向真正的人工智能邁進(jìn)嗎？或許只是重演歷史，只不過(guò)這一次有很多成功用例。

AI 到底是什么？

我曾經(jīng)很不喜歡「人工智能」這個(gè)詞。它的概念模糊又深遠(yuǎn)，且更多的是被營(yíng)銷(xiāo)人員而不是科學(xué)家來(lái)定義。當(dāng)然，市場(chǎng)營(yíng)銷(xiāo)和流行語(yǔ)可以說(shuō)是刺激積極變化和擁抱新思想的必要條件。然而，流行語(yǔ)又不可避免地會(huì)導(dǎo)致混亂、模糊。我的新智能手機(jī)有「AI 鈴聲」功能，在嘈雜的環(huán)境下會(huì)自動(dòng)加大鈴聲。我想大概那些可以用一系列「if」條件句或簡(jiǎn)單線性函數(shù)編程的東西都能叫「AI」吧。

如此，人們對(duì)「AI」的定義存在廣泛爭(zhēng)議也就不足為奇了。我喜歡 Geoffrey De Smet 的定義，他認(rèn)為「AI 解決方案」針對(duì)的是那些答案不明和/或存在不可避免誤差的問(wèn)題。這樣就包括了從機(jī)器學(xué)習(xí)到概率和研究算法的很多工具。

也可以說(shuō)，AI 的定義在不斷發(fā)展，并只包括突破性進(jìn)展，而昨日的成功（如光學(xué)字符識(shí)別和語(yǔ)言翻譯）則不再被視為「AI」。因此「AI」是一個(gè)相對(duì)的術(shù)語(yǔ)，并不絕對(duì)。

近年來(lái)，「AI」常與「神經(jīng)網(wǎng)絡(luò)」綁在一起，這也將是本文的重點(diǎn)。當(dāng)然，還有其它的「AI」解決方案，如機(jī)器學(xué)習(xí)模型（樸素貝葉斯、支持向量機(jī)、XGBoost）和研究算法。但神經(jīng)網(wǎng)絡(luò)無(wú)疑是當(dāng)前最熱門(mén)、最受追捧的技術(shù)。

AI 的「文藝復(fù)興」？

2010 后，AI 宣傳再次變得火熱的原因僅僅是因?yàn)檎莆樟艘豁?xiàng)新任務(wù)：分類(lèi)。具體來(lái)說(shuō)，利用神經(jīng)網(wǎng)絡(luò)，科學(xué)家開(kāi)發(fā)了一些有效的方法來(lái)對(duì)大多數(shù)類(lèi)型的數(shù)據(jù)（包括圖像和自然語(yǔ)言）進(jìn)行分類(lèi)。甚至自動(dòng)駕駛汽車(chē)也屬于分類(lèi)任務(wù)，汽車(chē)周?chē)缆返拿繌垐D像被轉(zhuǎn)化為一組離散動(dòng)作（汽車(chē)、剎車(chē)、左轉(zhuǎn)、右轉(zhuǎn)等）。

在我看來(lái)，自然語(yǔ)言處理比單純的分類(lèi)要更令人印象深刻。人們很容易認(rèn)為這些算法是有感知的，但如果你仔細(xì)研究它們，你會(huì)發(fā)現(xiàn)它們依賴的是語(yǔ)言模式而不是有意識(shí)構(gòu)建的思想。這會(huì)帶來(lái)一些有趣的結(jié)果，比如這些機(jī)器人會(huì)為你操控騙子：

自然語(yǔ)言處理最令人印象深刻的壯舉可能是 Google Duplex，它能讓你的手機(jī)代你打電話，特別是預(yù)約。但是，你要知道 Google 可能只是為這個(gè)特定任務(wù)訓(xùn)練、構(gòu)建甚至硬編碼了該「AI」。當(dāng)然，Google Duplex 的聲音聽(tīng)起來(lái)很自然，有停頓，如「啊…嗯」，不過(guò)，這些仍是通過(guò)對(duì)語(yǔ)音模式進(jìn)行操作來(lái)完成的，而不是通過(guò)實(shí)際推理和思考。

所有這些都令人印象深刻，并且肯定有一些有用的應(yīng)用。但我們的確需要降低期望并停止宣傳「深度學(xué)習(xí)」的能力了。否則，我們可能會(huì)發(fā)現(xiàn)自己陷入另一個(gè) AI 寒冬。

歷史總是相似的

康奈爾大學(xué)的 Gary Marcus 寫(xiě)了一篇關(guān)于深度學(xué)習(xí)天花板的文章，并提出了幾個(gè)發(fā)人深省的觀點(diǎn)（這篇文章傳播開(kāi)來(lái)后，他又寫(xiě)了一份有趣的續(xù)篇）。Rodney Brooks 則整理時(shí)間表，并通過(guò)引用的研究來(lái)追蹤其人工智能炒作周期預(yù)測(cè)。

持懷疑觀點(diǎn)的人有幾個(gè)共同點(diǎn)。神經(jīng)網(wǎng)絡(luò)需要大量數(shù)據(jù)，而即使在今天，數(shù)據(jù)也是有限的。這也是為什么你在 YouTube 上看到的「游戲」AI 示例需要連續(xù)幾天不斷地輸?shù)粲螒?，直到神?jīng)網(wǎng)絡(luò)找到獲勝模式。

神經(jīng)網(wǎng)絡(luò)的「深度」在于它們有多層節(jié)點(diǎn)，而不是因?yàn)樗鼘?duì)問(wèn)題有深度理解。這些層還使神經(jīng)網(wǎng)絡(luò)難以理解，甚至其開(kāi)發(fā)者都無(wú)法理解。最重要的是，神經(jīng)網(wǎng)絡(luò)觸及其他問(wèn)題空間（如旅行推銷(xiāo)員問(wèn)題，TSP）時(shí)會(huì)出現(xiàn)回報(bào)減少的情況。為什么在搜索算法更有效、更可擴(kuò)展、更經(jīng)濟(jì)的情況下，我還要用神經(jīng)網(wǎng)絡(luò)解決 TSP 問(wèn)題？當(dāng)然了，很多人想使用神經(jīng)網(wǎng)絡(luò)解決該問(wèn)題，但有趣的是，神經(jīng)網(wǎng)絡(luò)似乎很少超過(guò)任何專(zhuān)門(mén)算法。

Luke Hewitt 在《The Unreasonable Reputation of Neural Networks》一文中給出了最好的解釋?zhuān)?/p>

僅僅基于單個(gè)任務(wù)就憑直覺(jué)判斷智能機(jī)器能夠用得多廣或有多大能力并不是什么好主意。20 世紀(jì) 50 年代的下棋機(jī)器驚艷了研究人員，許多人將其作為邁向人類(lèi)水平推理的一大步，但我們現(xiàn)在意識(shí)到，在該游戲中達(dá)到或超越人類(lèi)水平比達(dá)到人類(lèi)水平通用智能容易得多。實(shí)際上，即使是最優(yōu)秀的人類(lèi)也會(huì)輕易被簡(jiǎn)單的啟發(fā)式搜索算法打敗。人類(lèi)或超人類(lèi)的表現(xiàn)不一定是在大多數(shù)任務(wù)中接近人類(lèi)表現(xiàn)的墊腳石。

我認(rèn)為應(yīng)該指出的是，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要利用許多軟件，消耗大量能量。我感覺(jué)這是不可持續(xù)的。當(dāng)然，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的效率比它訓(xùn)練出來(lái)的要高得多。然而，我認(rèn)為，為了實(shí)現(xiàn)人們?cè)谏窠?jīng)網(wǎng)絡(luò)上的野心，神經(jīng)網(wǎng)絡(luò)需要更多訓(xùn)練，消耗的能量、成本將指數(shù)級(jí)增長(zhǎng)。當(dāng)然，計(jì)算機(jī)越來(lái)越快，但芯片制造商能否繼續(xù)維持摩爾定律？

出于這些原因，我認(rèn)為又一個(gè) AI 寒冬即將到來(lái)。越來(lái)越多的專(zhuān)家和博主指出這些局限。企業(yè)仍然斥巨資招募最好的「深度學(xué)習(xí)」和「AI」人才，但我認(rèn)為企業(yè)意識(shí)到深度學(xué)習(xí)并非它們所需只是時(shí)間問(wèn)題。更糟的是，如果你的公司沒(méi)有谷歌那樣的研究預(yù)算、博士人才或海量用戶數(shù)據(jù)，那么你很快就會(huì)發(fā)現(xiàn)你所實(shí)踐的「深度學(xué)習(xí)」前景有限。

每個(gè) AI 寒冬之前總會(huì)出現(xiàn)很多科學(xué)家夸張、炒作其研究的潛力。他們并不滿足于稱自己的算法能做好一項(xiàng)任務(wù)，而是想讓算法適應(yīng)任意任務(wù)，或者至少給人這樣的印象。例如，AlphaZero 擅長(zhǎng)棋類(lèi)游戲，于是媒體的反應(yīng)是「天啊，通用人工智能到來(lái)了！機(jī)器人來(lái)了！」然后科學(xué)家沒(méi)有糾正他們，而是鼓勵(lì)他們使用此類(lèi)詞匯。畢竟，降低期待不利于 VC 融資。盡管有一些局限，但 AI 研究者仍然人格化其算法，他們可能出于其他原因，這更像是一個(gè)哲學(xué)問(wèn)題，而非科學(xué)問(wèn)題。本文最后將討論這個(gè)問(wèn)題。

那么，接下來(lái)呢？

當(dāng)然并非所有使用「機(jī)器學(xué)習(xí)」或「AI」的企業(yè)實(shí)際上使用的是「深度學(xué)習(xí)」。一個(gè)好的數(shù)據(jù)科學(xué)家可能會(huì)受雇去構(gòu)建神經(jīng)網(wǎng)絡(luò)，但是在她真正研究這個(gè)問(wèn)題時(shí)，構(gòu)建樸素貝葉斯分類(lèi)器似乎更合適。對(duì)于成功使用圖像識(shí)別和語(yǔ)言處理技術(shù)的公司而言，它們將樂(lè)此不疲。但是我認(rèn)為神經(jīng)網(wǎng)絡(luò)并沒(méi)有走出這些問(wèn)題空間。

之前的 AI 寒冬對(duì)拓寬計(jì)算機(jī)科學(xué)的邊界具有很大的破壞性。必須指出有用的工具出自此類(lèi)研究，如可以在國(guó)際象棋比賽中奪冠或在交通問(wèn)題中最小化成本的搜索算法。簡(jiǎn)而言之，這些出現(xiàn)的創(chuàng)新性算法通常只擅長(zhǎng)一項(xiàng)特定任務(wù)。

我想表達(dá)的是，很多問(wèn)題已經(jīng)有許多被證實(shí)有效的解決方案。要想順利度過(guò)寒冬，你最好專(zhuān)注于你想解決的問(wèn)題并理解其本質(zhì)，然后為該問(wèn)題提供一個(gè)直觀的解決方案路徑。如果想對(duì)文本信息進(jìn)行分類(lèi)，你或許想使用樸素貝葉斯分類(lèi)器。如果嘗試優(yōu)化交通網(wǎng)絡(luò)，你或許應(yīng)該使用離散優(yōu)化。不用管同輩壓力，你可以對(duì)卷積模型抱著適當(dāng)?shù)膽岩蓱B(tài)度，并質(zhì)疑它的正確性。

如果你不買(mǎi)畢達(dá)哥拉斯學(xué)派的帳，那你最大的努力也就是讓 AI「模擬」行為，創(chuàng)造出它有情感與思想的錯(cuò)覺(jué)。

關(guān)于深度學(xué)習(xí)不是解決其中大部分問(wèn)題的正確方法，這篇文章解釋的非常明了。不要嘗試為自己的問(wèn)題尋求一種通用的 AI 解決方案，因?yàn)槟阏也坏降摹?/p>

我們的想法真的是點(diǎn)積嗎？哲學(xué) vs 科學(xué)

本文最后，我想說(shuō)比起科學(xué)問(wèn)題，這更像是一個(gè)哲學(xué)問(wèn)題。我們的每一個(gè)想法和感覺(jué)只是一些以線性形式相乘、相加的數(shù)字嗎？我們的大腦只是一個(gè)整天做點(diǎn)積運(yùn)算的神經(jīng)網(wǎng)絡(luò)嗎？將人類(lèi)意識(shí)簡(jiǎn)化為數(shù)字矩陣，這聽(tīng)起來(lái)像畢達(dá)哥拉斯學(xué)派?；蛟S這正是很多科學(xué)家認(rèn)為可能出現(xiàn)通用人工智能的原因。

如果你不相信畢達(dá)哥拉斯學(xué)派，那么你所能做的就是讓 AI「模擬」一種幻象，即它擁有情緒和想法。一個(gè)完全不理解中文的翻譯程序可以通過(guò)尋找概率模式來(lái)模擬出自己理解中文的假象。那么，當(dāng)你的手機(jī)「識(shí)別」出狗狗的照片時(shí)，它真的認(rèn)識(shí)狗嗎，還是它只是看到了它曾見(jiàn)過(guò)的數(shù)字模式？

在這篇文章的評(píng)論區(qū)，有讀者提出了質(zhì)疑：

@Toby Walsh：

本文開(kāi)頭有一個(gè)經(jīng)典錯(cuò)誤，作者表示「因此，英國(guó)政府取消了所有 AI 研究經(jīng)費(fèi)。」這種說(shuō)法是不對(duì)的。Lighthill 的報(bào)告的確導(dǎo)致 AI 經(jīng)費(fèi)減少，但有些地方的 AI 研究仍舊受到政府資助，比如愛(ài)丁堡大學(xué)（我的 AI 方向博士學(xué)位就是 20 世紀(jì) 80 年代受英國(guó)政府資助在愛(ài)丁堡大學(xué)取得的）、艾塞克斯大學(xué)和薩塞克斯大學(xué)。實(shí)際上，在 Lighthill 的報(bào)告出來(lái)十年之后，阿爾維計(jì)劃（Alvey programme）甚至還大幅增加了 AI 的研究經(jīng)費(fèi)。

@Owen Liu：

我認(rèn)為深度學(xué)習(xí)架構(gòu)確實(shí)快到極限，但其「應(yīng)用」并不是這樣。

第一種類(lèi)型：深度強(qiáng)化學(xué)習(xí)成功結(jié)合了深度學(xué)習(xí)函數(shù)逼近器和傳統(tǒng)強(qiáng)化學(xué)習(xí)（如動(dòng)態(tài)規(guī)劃），并作出了巨大貢獻(xiàn)，開(kāi)創(chuàng)了學(xué)術(shù)研究的多種可能性。未來(lái)可能會(huì)有更多此類(lèi)例子。

第二種類(lèi)型：幾乎沒(méi)有自動(dòng)駕駛汽車(chē)直接使用神經(jīng)網(wǎng)絡(luò)控制汽車(chē)。深度學(xué)習(xí)通常作為感知任務(wù)中的一個(gè)模塊。決策、軌跡追蹤和控制都是通過(guò)其它算法實(shí)現(xiàn)的（如優(yōu)化技術(shù)）。深度學(xué)習(xí)可用作改變行業(yè)的大系統(tǒng)中的一部分（沒(méi)有深度學(xué)習(xí)，自動(dòng)駕駛汽車(chē)幾乎無(wú)法在真實(shí)的復(fù)雜環(huán)境中獲得任何合理的結(jié)果）。

是的，工具本身正在走向極限，炒作也將慢慢熄火，但深度學(xué)習(xí)仍然是非常有用的工程技術(shù)。

@Kristian：

文章第一部分很不錯(cuò)，但我對(duì)后面的內(nèi)容有些失望。這篇文章并沒(méi)有真正討論目前機(jī)器學(xué)習(xí)方法的技術(shù)局限，比如它們離模擬真正神經(jīng)系統(tǒng)還非常遙遠(yuǎn)，也因此可能缺乏實(shí)現(xiàn)通用智能系統(tǒng)所需的靈活性和效率。