作者|钱天培那么，人工智能的发展前景是否如我们想象的那么乐观呢？节前AlphaGo与柯洁的大战以人类失败告终。柯洁事后评价说，AlphaGo只是一个冰冷的机器人，他不懂围棋的哲学。抛开柯洁对人格尊严的保护，这句话仔细分析其实也不无道理。如果我们把19x19的围棋棋盘换成21x21的棋盘，那么AlphaGo之前的训练就白费了。同时，AlphaGo在围棋方面的训练也无助于它在国际象棋领域有所建树。从智能语音识别、图片识别、无人驾驶的发展，到近年来机器在各个领域打败人类，毫无疑问，人工智能在过去十年的发展给人类世界带来了翻天覆地的变化.然而，许多人仍然质疑机器开发的巨大局限性。前百度首席科学家吴恩达曾表示，我们这一轮人工智能的发展绝不会重蹈70、90年代“人工智能寒冬”的覆辙。Salesforce资深科学家、机器学习和语言专家RichardSocher也非常看好AI的未来发展。他相信，“即使有，AI的冬天也不会那么冷。”那么，AI的发展前景是否如我们想象的那么乐观呢？5月27日-28日，***在2017全球人工智能峰会（GMIS2017）上，与会嘉宾对整个AI行业的未来前景进行了展望和反思，同时也深入探讨了人工智能的桎梏。人工智能的发展以及我们应该如何应对它们。AI领域发展的瓶颈之一：缺乏标注数据AI领域发展最突出的瓶颈之一就是缺乏标注数据。比如AI虽然是基于ImageNet这个庞大的库，但是在图片的识别和分类上还是有很大的成就的。然而，将这一成果转移到生物农业领域面临着问题。在农业中，我们想根据植物叶子的图片来判断作物感染了哪种疾病。由于缺乏大量训练数据，该任务无法通过处理ImageNet的分类算法来解决。除了缺乏标注数据，人工智能的发展还有一个更严重、更本质的问题。AI具有很强的“感知”能力，但仍然缺乏人类的“常识”。吴恩达曾经有过这样的名言：“如果有一项任务是正常人思考不到一秒就可以完成的，那么我们未来很可能会用人工智能将这个任务自动化。””作为人工智能界最大的反对者之一，纽约大学心理学教授、畅销书作家加里马库斯修改了这句话：“如果有一项任务，一个正常人可以通过不到一秒钟。经过思考，而且我们可以收集到大量与这个任务直接相关的数据，那么未来我们很可能会用AI来自动化这个任务——只要我们的测试数据和训练数据相差不大，而这个未来不会有太大变化的领域。”一个很好的例子大概就是AI对图片的识别。经过庞大的ImageNet库的训练，AI在图片识别上已经可以接近甚至超过人类的水平。但是，面对上面这张简单的图片，AI给它打上了标记作为一个装满食物和饮料的冰箱，AI在图像和语音识别方面的成就，充分验证了AI强大的“感知”能力。但是，学习“感知”是远远不够的。对于上面图像误识别的例子，我们可以看出目前的AI仍然缺乏人类的“常识”。此外，GaryMarcus认为，AI在计划（Planning）、类比（Analogy）、语言（Language）和推理（Reasoning）方面仍然存在明显的不足。例如，在术语推理能力，一个2岁的女儿可以很容易地在对话中推断出说话者的意图，并理解国外可能发生的事件想象的时间，但目前的AI还远远没有达到这个水平。AI的不足之处在于上述能力对人工智能发展具有深远影响。现在让我们来看看人工智能取得的一些惊人成就，以及这些成就各自有哪些不足之处。从排球到Alphago，AI成就背后有哪些短板？通过人工智能，我们已经能够创造出许多在运动领域表现出色的机器人。例如，日本排球队就引进了排球机器人来训练球员。然而，这类机器人在“时间发生”的预测上是基于直接的物理操作。例如，在计算排球的运动位置时，排球机器人会通过排球的运动速度和运动时间来计算排球即将到来的位置——这种机制与人类进行预测的机制是完全不同的。北京师范大学认知神经科学学院吴思教授指出，包括人类在内的高等动物在接受信息时存在非常短的时间延迟。以打排球为例。由于人类神经信息传递的延迟，人类必须在球到达之前预测球的运动轨迹。而这种预测绝非基于机器人所使用的物理计算。还。吴思认为，人类和动物在接收信息方面的“延迟”是进化论的产物。这种“慢”对生物学有积极的意义，比如可以帮助我们整合多模态信息。吴思指出，机器人未来的发展方向是，能够快速处理信息的同事也需要解决这个“处理慢”的问题。我们需要更深入地理解这种“慢处理”背后的原理。再比如，在自动化开发领域，基于深度学习的算法仍然是目前主要的研究方向。地平线CEO余凯指出，由于我们仍然把深度学习当做一个黑盒子来使用，这意味着我们还无法理解深度学习在自动驾驶中的机理。因此，自动驾驶汽车很可能在模拟中没有出现的意外情况下出现“停车”的致命情况。***，让我们来看看最近很火的AlphaGo。如果我们把19x19的围棋棋盘换成21x21的棋盘，那么AlphaGo之前的训练就白费了。同时，AlphaGo在围棋方面的训练也无助于它在国际象棋领域有所建树。那么，面对AI发展的上述问题，我们应该如何应对呢？首先，面对标注数据的缺失，前微软人工智能高级科学家、现任Citadel高级人工智能官邓力认为，无需标注数据的无监督学习将是解决这一问题的关键.对于人工智能在CommonSense、Planning、Analogy、Language、Reasoning等方面的不足，不少学者认为，我们仍需求助于源头，思考人类的学习思维方式。加拿大麦吉尔大学语言学副教授、科幻电影科普顾问JessicaCoon认为，我们需要将语言学研究成果注入AI未来的发展，比如人类语言的共通性和婴儿学习语言的方式。第四范式首席科学家、香港科技大学计算机科学与工程系主任杨强认为，迁移学习是解决这一问题的关键。人类可以将过去的经验带到不同的场景中，从而轻松适应新环境，完成新任务。如果机器学习能够像人类一样具有发现共性的能力，那么迁移学习就会变得非常容易。迁移学习可以实现小数据学习，同时增强机器学习的可靠性。人工智能发展的第三个寒冬是否会到来，我们不得而知。或许，强大到与人类无异的人工智能永远无法实现，但至少，在当下的机器智能浪潮下，我们的生活发生了翻天覆地的变化。现在，让我们在享受人工智能给我们生活带来的巨大便利的同时，拭目以待人类对人工智能的进一步探索。【本文为栏目组织大数据文摘微信公众号《大数据文摘（id：BigDataDigest）》原创文章】点此查看作者更多好文
