search
人工智慧來了,你需要知道什麼?

人工智慧來了,你需要知道什麼?

人工智慧」這個被一時間帶火的「熱詞」,已成為當下最火熱的產業之一,從蘋果Siri到谷歌的AlphaGo等,AI的大規模運用,將給當下的社會生產力帶來爆炸式的增長,我們曾經憧憬的未來世界,都在人工智慧的撬動下,已悄然掀開了序幕。

一、人工智慧的核心

深度卷積神經網路&深度強化學習

什麼叫人工智慧?迄今有許多定義。智能這個詞已經變得很大眾化隨處可見,那什麼是真正的人工智慧?這個問題比較大,但還是可以說清楚。

人工智慧也就是人造的智能。意識不是人造的,其中的自我意識可感知整體的自我,並與自我之外的環境清晰分隔,是「生命存在」的主要體感。意識的物質基礎仍然是生物神經元及其脈衝編碼,是遍歷整合大腦中各功能模塊、皮層各通道之巨量神經迴路集體投射的結果。

換句話說,現在復興的人工智慧更多僅限於最底層的,比如說視覺、聽覺的目標分割(定位)與識別部分,而且還完全有別於生物智能,是一種「大數據智能」。超人類水平的AlphaGo屬於博弈類決策,但也只是模擬了人與動物的強化學習方法,並且依舊是建基於大數據深度學習之上的。其他更高級的「認知智能」和「創造性智能」,人類大腦是怎麼做到的,有什麼原理?我們現在還知之甚少,就更別提模仿了。

二、人工智慧那些未來發展之路

展望前沿技術探索,未來三到五年最有可能出現突破的就是半監督的學習方法。現在深度卷積神經網路很好,但是它有缺點,即依賴於帶標籤的完備大數據,沒有大數據餵食就不可能達到人類水平,但是要獲得完備的大數據,需要付出的資源代價太大,很多應用場景甚至得不到,比如把全世界的火車照片都搜集起來,這是不可能的事。我們希望能夠做一些小數據、小樣本的半監督學習,訓練數據不大,但是還能夠達到人類水平。

我們做過很多實驗,人為地去掉一半甚至去掉1/4的標籤數據去訓練深度卷積神經網路,希望網路能夠具有舉一反三的能力,通過小樣本或小數據的學習同樣能夠達到人類水平。這方面的研究不管是利用生成式對抗網路,還是與傳統統計機器學習方法相結合,或者是與認知計算方法的結合,證明難度都挺大。比如我們看到了土狗的照片,從來沒見過藏獒、寵物狗,但通過舉一反三就能夠識別出來。這靠什麼?靠推理。人類不完全是基於特徵提取,還靠知識推理獲得更強的泛化能力。而現在的深度卷積神經網路是靠多級多層的特徵提取,如果特徵提取不好,識別結果就不好,就達不到人類水平。總之,特徵提取要好就必須要有完備的大數據。但不管怎樣,相信具有「特徵提取+知識推理」的半監督或者無監督的深度卷積神經網路三到五年會有突破,而且還是基於端到端學習的,其中也會融入先驗知識或模型。相對而言,通用人工智慧的突破可能需要的時間更長,三到五年能不能突破還是未知,但是意義非常重大。

在半監督、無監督深度學習方法突破之後,很多行業應用包括人工智慧場景研發都會快速推進。實際應用時我們一般都通過數據迭代、演算法迭代向前推進。從這個角度來說,AlphaGo中體現的深度強化學習代表著更大的希望。因為它也是基於深度卷積神經網路的,包括以前用的13層網路,現在用的40層卷積神經網,替代了以前的淺層全連接網路,帶來的性能提升是很顯著的。

為什麼深度強化學習更有意義?首先它有決策能力,決策屬於認知,這已經不僅僅是感知智能了。其次AlphaGo依賴的僅僅是小數據的監督學習。3000萬的6-9段人類職業棋手的棋局,對人類來說已經是大數據了,但對圍棋本身的搜索空間來講則是一個小數據。不管柯潔還是聶衛平,都無法記住3000萬個棋局,但19x19的棋盤格上,因每個交叉點存在黑子、白子或無子三種情況,其組合數或搜索空間之巨大,超過了全宇宙的粒子數。對具有如此複雜度的棋局變化,人類的3000萬個已知棋局真的就是一個小數據,AlphaGo首先通過深度監督學習,學習人類的3000萬個棋局作為基礎,相當於站在巨人的肩膀上,然後再利用深度強化學習,通過自我對弈、左右互搏搜索更大的棋局空間,是人類3000萬棋局之外的棋局空間,這就使AlphaGo 2.0下出了很多我們從未見過的棋譜或者棋局。

總的來說,深度強化學習有兩大好處,它尋找最優策略函數,給出的是決策,跟認知聯繫起來。第二,它不依賴於大數據。這就是前面說的小數據半監督學習方法。因為在認知層面上進行探索,而且不完全依賴於大數據,因此意義重大,魅力無窮。相信深度強化學習非常有潛力繼續向前發展,將大大擴展其垂直應用領域。但是它本身並不是一個通用人工智慧。AlphaGo只能下圍棋不能同時下象棋、國際象棋,因此還只是專註於一個「點」上面的,仍屬於弱人工智慧。

實現通用人工智慧,把垂直細分領域變寬或者實現多任務而不是單任務學習,對深度神經網路而言,沿什麼樣的技術途徑往前走現在還未知,但是肯定要與基於學習的符號主義結合起來。通用人工智慧現在沒有找到很好的線索往前走,原因一是因為神經網路本身是黑箱式的,內部表達不可解析,二是因為傳統的卷積神經網路本身不能完成多任務學習。可以考慮跟知識圖譜、知識推理等符號主義的方法結合,但必須是在新的起點上,即在已有大數據感知智能的基礎上,利用更高粒度的自主學習而非以往的規則設計來進行。另外從神經科學的角度去做也是可能的途徑之一。

三、被人工智慧取代,你恐懼嗎?

在這個「人工智慧」爆發的時代,有很多人表現出對人工智慧發展的恐懼,人們最為普遍的憂慮以及最為熱門的話題始終是,它是否會造成大規模失業,是否會搶奪人類的飯碗?

過去20多年,我們已經先後感受過PC、互聯網和移動互聯網對我們社會的衝擊,其實人工智慧的衝擊可能會更大。現在我們人手一台智能手機,相當於人手一台高性能電腦,隨時隨地就可跟地球上的另一個人聯繫,現金都不用帶就可上街,這個變化已經很大而且已經成為現實。人工智慧極有可能給我們的社會帶來更大的改變,一些工種或職業可能會消失,但同時也會產生一些新的職業。

那些很短時間內能夠完成、不需要深思熟慮或者僅依靠人類視聽覺與簡單腦力勞動就能完成的工種,確實很有可能會被取代,比如電話客服或者前台諮詢員等,也有可能是長途貨車司機,計程車司機,快遞員,產線工人,金融從業者,翻譯,會計,稅務人員,審計人員,醫生,傳媒從業者,教師,司法從業者等。在移動互聯網時代,人工智慧掌握的資料和知識又多又快,它每天收集與「閱讀」海量湧現的大數據,而人類由於精力的限制只能看到少量的碎片化信息,能及時消化的信息就更少;而人工智慧則可以每天24小時不吃飯不睡覺,快速進行大量的基於深度學習的數據自動化處理,其時效性、規模性和實際產出等,肯定比人類好很

熱門推薦

本文由 一點資訊 提供 原文連結

一點資訊
寫了5860316篇文章,獲得23312次喜歡
留言回覆
回覆
精彩推薦