后深度學習時代 人工智能何去何從？

　　魯迅的文章和人工智能會有聯(lián)系嗎?在中國科學院院士、清華大學教授張鈸看來，答案是肯定的。

　　在魯迅的一篇文章中，當孩子滿月的時候，凡是說孩子將來會發(fā)財、做官的，都得到了主人的感謝或恭維，而唯一說出事實——“孩子將來是要死的”的人遭到了一頓合力的痛打。

　　張鈸開玩笑說，在當下人工智能大躍進的局面下，既要說實話，又不想挨一頓合力的痛打，是需要勇氣的。盡管如此，“我還是既要把人工智能的優(yōu)點和成果說夠，也要把它存在的問題說透?！?/p>

　　在10月20~22日于山西太原舉行的2016中國計算機大會(CNCC2016)上，和張鈸有同樣勇氣的還有其他一些人工智能領(lǐng)域的“大咖”。他們將問題的核心，都指向了人工智能在后深度學習時代的走向。

　　“彎道超車”還是又一個日本“五代機”

　　作為我國計算機領(lǐng)域目前規(guī)模最大、級別最高的學術(shù)會議，創(chuàng)建于2003年、由中國計算機學會(CCF)主辦的中國計算機大會一向是業(yè)內(nèi)人士暢所欲言的舞臺。雖然今年CNCC2016的主題是“計算改變未來”，但人工智能卻成了事實上的焦點。

　　“今年不管開什么會、誰組織、在哪里開，只要和人工智能掛上邊，都很火爆?！敝袊茖W院副院長、中國科學院院士譚鐵牛對人工智能當下的熱度深有感觸。不過，作為人工智能專家，他深刻地意識到，“與其說人工智能火，不如說是深度學習火?！?/p>

　　從技術(shù)上來看，深度學習就是“很多層”的神經(jīng)網(wǎng)絡(luò)。而神經(jīng)網(wǎng)絡(luò)實質(zhì)上是多層函數(shù)嵌套形成的數(shù)學模型。事實上，在深度學習出現(xiàn)之前，人工智能已經(jīng)經(jīng)歷了兩次熱潮。在此期間，日本于1981年提出第五代計算機研究計劃， 并為此投資了540億日元。當時，人工智能研究的先驅(qū)者之一愛德華·費根鮑姆認為，這項計劃即使部分實現(xiàn)，也將產(chǎn)生巨大經(jīng)濟利益，使日本占有市場，并奪得統(tǒng)治地位。美國如不自強，事態(tài)將極為嚴重，在超工業(yè)化社會中只能處于農(nóng)業(yè)大國的地位。然而，最終這一計劃還是以失敗告終。這也意味著人工智能的流派之一符號主義方法進入了瓶頸期。

　　而今，隨著深度學習的出現(xiàn)，人工智能又迎來了“春天”。這是一個“彎道超車”的機會還是又一個日本的“五代機”?張鈸認為，“這兩種可能都存在，因為科學發(fā)現(xiàn)和技術(shù)創(chuàng)新總是通過默默無聞的勞作和堅持不懈的努力取得的，只有這樣才有可能成功。”

　　在張鈸看來，與30年前相比，現(xiàn)在的人工智能有兩點不同，一是大數(shù)據(jù)，二是概率統(tǒng)計方法的引入。正是這兩個因素催生了當下的深度學習大潮。

　　然而，深度學習所解決的問題卻有一定的范圍限制，即在一定的應(yīng)用場景里，在給定的數(shù)據(jù)庫下，有了可利用的大數(shù)據(jù)，計算機的感知信息處理程度才有可能達到人類的水平。正因為它的局限性，“從狹義的人工智能走向通用人工智能，就成為后深度學習時代所要致力的問題?！睆堚撜f。

　　不會“一統(tǒng)江湖、千秋萬載”

　　“從本質(zhì)上說，(人工智能)第二次和第三次浪潮在方法論上并沒有本質(zhì)區(qū)別，都屬于連接主義。差別在于深度學習的成功。這里既有硬件的進步，也有卷積神經(jīng)網(wǎng)絡(luò)模型與參數(shù)訓練技巧的進步。”中國工程院院士、北京大學教授高文認為。但他同時表示，連接主義(神經(jīng)網(wǎng)絡(luò)、深度學習)雖然大行其道，但如何解決小數(shù)據(jù)學習和創(chuàng)造性思維仍然挑戰(zhàn)巨大。

　　在南京大學教授、美國計算機協(xié)會(ACM)杰出科學家周志華看來，發(fā)展至今天，作為人工智能領(lǐng)域一個重要的分支，“機器學習”已經(jīng)成為一個廣袤的學科領(lǐng)域，而“深度學習”僅是機器學習中的一個小分支。

　　在機器學習出現(xiàn)之前，人工智能的研究者們意識到，要想提升人工智能水平，僅有邏輯推理能力是不夠的，而要總結(jié)出知識再“教”給系統(tǒng)，也同樣困難。到了20世紀90年代中后期，人類發(fā)現(xiàn)自己淹沒在了數(shù)據(jù)的汪洋中，機器學習正是為了滿足人們對自動數(shù)據(jù)分析技術(shù)的需求應(yīng)運而生的。而云計算、大數(shù)據(jù)時代的到來，計算能力的大幅提升，使得深度學習模型在計算機視覺、自然語言處理、語音識別等眾多領(lǐng)域都取得了較大的成功。

　　但是，深度學習是否會“一統(tǒng)江湖、千秋萬載”呢?周志華認為，深度學習最重要的作用是“表示學習”，即能自動學習和表達特征。當數(shù)據(jù)的“初始表示”(如圖像的“像素”)與解決任務(wù)所需的“合適表示”(如描述物體的特征)相距甚遠的時候，就是深度學習應(yīng)用的領(lǐng)域。然而，很多學習任務(wù)，數(shù)據(jù)的“初始表示”與“合適表示”并沒有那么遠，因此深度學習不會“一統(tǒng)江湖”，其他一些機器學習技術(shù)也有自己的“用武之地”。未來深度學習可能有“冬天”，因為它僅是機器學習中的一種技術(shù)，更“潮”的技術(shù)總會出現(xiàn)。而機器學習不會有“冬天”，除非我們不再需要分析數(shù)據(jù)。

　　高文最近和美國國家科學基金會(NSF)接觸發(fā)現(xiàn)，美國現(xiàn)在對于深度學習有很大的爭議。雖然在機器學習領(lǐng)域，NSF仍然支持深度學習的基礎(chǔ)理論研究，但認為在應(yīng)用領(lǐng)域(如計算機視覺、語音識別、計算語言學等)使用深度學習解決實際問題已經(jīng)不算創(chuàng)新，此類項目基本上都會被“殺掉”?！斑@給了我們一個信號，也許幾年之后深度學習真的會進入沉寂期?！?/p>

　　未來走向

　　張鈸認為，在后深度學習時代，人工智能主要面臨三大挑戰(zhàn)，一是概率統(tǒng)計方法帶來的困難，即它只能找出重復(fù)出現(xiàn)的特征，發(fā)現(xiàn)數(shù)據(jù)間統(tǒng)計的關(guān)聯(lián)性，卻不能發(fā)現(xiàn)本質(zhì)特征，找到因果關(guān)系。其次是生數(shù)據(jù)帶來的困難，實際上，網(wǎng)絡(luò)數(shù)據(jù)中只有34%是有用的， 66%則是虛假、無用的，這會嚴重影響識別的效果。三是不能舉一反三，進行領(lǐng)域遷移。而要想實現(xiàn)突破，人工智能發(fā)展除了需要知識驅(qū)動與數(shù)據(jù)驅(qū)動結(jié)合從而“雙輪驅(qū)動”外，更加要依靠學科交叉，特別是數(shù)學、認知科學、心理學、神經(jīng)科學和語言學等。

　　從深度學習的發(fā)展歷史來看，深度學習是相對最容易利用新增計算能力的機器學習方法。因此，周志華預(yù)測，未來的主流技術(shù)未必是深度學習，但應(yīng)該是能有效利用 GPU 等計算設(shè)備的方法。

　　對此，周志華的理解是，“好的時候”要好，“壞的時候”也不能太壞。而開放環(huán)境下的機器學習研究，是通向“魯棒人工智能”途徑上的關(guān)鍵環(huán)節(jié)之一。

　　談及機器學習的形態(tài)，周志華認為，模型和規(guī)約相結(jié)合的學件的出現(xiàn)，將會改變機器學習目前算法加數(shù)據(jù)的現(xiàn)狀，從而突破機器學習的一些局限，如需要大量訓練樣本，難以適應(yīng)環(huán)境變化，模型不透明等。今后，當用戶想要應(yīng)用一個模型的時候，他可以先到“學件”市場找一找有無合適的，或者選擇一個現(xiàn)成的模型加以修改后使用。而“學件”的誕生，很可能會催生出一個新的類似軟件產(chǎn)業(yè)的新產(chǎn)業(yè)。