一個芬蘭科學(xué)家認為現(xiàn)在的AI太蠢了 下海開搞AI互聯(lián)網(wǎng)

　　Harri Valpola是名芬蘭計算機科學(xué)家，同時，他也是ZenRobotics創(chuàng)始人兼CTO，Curious AI Company創(chuàng)始人兼CEO。

　　Harri Valpola的理想是創(chuàng)造AI互聯(lián)網(wǎng)。“從人類的角度來看，它看起來像個巨大的大腦，像互聯(lián)網(wǎng)一樣，AI將對我們的生活產(chǎn)生巨大影響”，或許這只是某種錯覺，但我們?nèi)詧猿诌@一觀點。因為只有這樣才能讓人類大腦理解互聯(lián)互通的人工智能互聯(lián)網(wǎng)。

　　然而前路漫漫，艱難而漫長。盡管近年來取得了一些進展，但人工智能的發(fā)展速度仍然不盡人意。Valpola 表示，“目前使用的所有AI都是二流的，而不是頂級的，這種AI就像愚蠢的蜥蜴，無法理解這個復(fù)雜的世界。我們需要大量數(shù)據(jù)，因為我們想要建立的是更傾向于哺乳動物的大腦。”

　　從學(xué)者到創(chuàng)業(yè)者的轉(zhuǎn)變 Valpola遇到了很多難題

　　與許多研究AI前沿領(lǐng)域的計算機科學(xué)家和數(shù)學(xué)家一樣，Valpola也擁有無可挑剔的研究能力。他是芬蘭神經(jīng)網(wǎng)絡(luò)先驅(qū)Tuevo Kohonen的學(xué)生，他在阿爾托大學(xué)工作了二十年(研究人造大腦)。直到2007年他離開學(xué)術(shù)界，致力于把理論應(yīng)用到現(xiàn)實世界的臟數(shù)據(jù)中，他才意識到自己缺失了什么。

　　為了把理論付諸實踐，Valpola與其同事共同創(chuàng)立了ZenRobotics公司，主要致力于為智能機器人開發(fā)大腦。他說，我們原本的計劃是對AI進行革命。技術(shù)在實驗室中運作良好，但卻總難以應(yīng)付紛繁復(fù)雜的現(xiàn)實情況。

　　第一個問題是：數(shù)據(jù)。模擬實驗中，機器人可以“看到”周圍的一切，但計算機卻總難以讀取凌亂復(fù)雜的現(xiàn)實世界的數(shù)據(jù)。第二個問題是：現(xiàn)實情況下，計算機無法通過數(shù)百萬次測試得到有效的解決方法。像人類一樣，機器人是個物體，且總運動緩慢;由于受過多的重復(fù)訓(xùn)練，它們很少有機會能夠自主進化發(fā)展。

　　Valpola表示，現(xiàn)實世界中，互動是種非常稀缺的資源。他使用的許多技術(shù)以及他人的研究所獲得的許多驚人的發(fā)現(xiàn)，實際上是基于模擬環(huán)境。以AlphaGo為例，這是個非常好的系統(tǒng)，但為了讓AlphaGo學(xué)會游戲規(guī)則需要花費的時間也是驚人的。該系統(tǒng)達到頂級人類玩家水平之前，從某種程度上來說已經(jīng)花費了3000年的時間練習(xí)此游戲。

　　由于無法實現(xiàn)其初始目標，ZenRobotics公司進行了一些調(diào)整：現(xiàn)在，機器人致力于實現(xiàn)較為簡單的目標，即從工業(yè)廢物中挑選有用的原料。該公司籌集了1100萬英鎊，吸引了全球最大的回收公司成為客戶。但對Valpola而言，一切都只是妥協(xié)。因此，2015年，Valpola離開了ZenRobotics公司，他打算從頭再來，再進行一次嘗試。

　　重頭再來 創(chuàng)立The Curious AI Company

　　44歲的Harri Valpola創(chuàng)立了一家擁有20名員工的人工智能初創(chuàng)公司The Curious AI Company(以下簡稱Curious公司)。該公司不久前剛籌集到367萬美元，與許多科技融資相比，盡管這筆資金數(shù)額還較小，但令人印象深刻的是該公司目前還沒有產(chǎn)品問世，只處于前期研究階段。

　　風(fēng)險投資公司Balderton Capital的合伙人Daniel Waterhouse表示：“投資于研究型企業(yè)并不常見，但有益于本輪融資和之前的種子輪融資。但從長遠看，研究型企業(yè)有能力創(chuàng)造出產(chǎn)品和商機。這種方式有利于培養(yǎng)人才，且Valpola也致力于建立一個世界級頂尖研究團隊。”

　　Curious公司聯(lián)合創(chuàng)始人：從左到右分別是Harri Valpola、首席技術(shù)官(CTO)Antti Rasmus和首席運營官(COO)TimoHaanp

　　Curious公司解決了當初ZenRobotics公司所面臨的難題，首先是處理數(shù)據(jù)的難度。Valpola的方法很簡單：“清理臟數(shù)據(jù)的最好辦法是讓電腦來處理”。2015年他發(fā)表了一篇文章，公布了他的第一次嘗試：他描述了一個梯形網(wǎng)絡(luò)：一個能夠通過在結(jié)果中注入噪音來訓(xùn)練自己處理復(fù)雜情況的神經(jīng)網(wǎng)絡(luò)，像教師在考試題目中加入易錯點來幫助學(xué)生保持警覺一樣。

　　梯形網(wǎng)絡(luò)允許計算機學(xué)習(xí)大量未經(jīng)預(yù)先標記的例子，該領(lǐng)域中稱其為半監(jiān)督學(xué)習(xí)(semi-supervised learning)。手寫數(shù)字圖片是基準問題測試領(lǐng)域常用的數(shù)據(jù)集，此次使用該方法取得的實驗結(jié)果令人驚嘆。100個初始標記的示例中，該系統(tǒng)正確識別了近99%的圖像。世界頂尖計算機科學(xué)家稱贊該技術(shù)“令人印象深刻，是最先進的技術(shù)”。

　　Valpola繼續(xù)研發(fā)新技術(shù)以處理其他類型的數(shù)據(jù)集。今年的神經(jīng)信息處理系統(tǒng)大會上(AI領(lǐng)域的重要會議，也稱NIPS)，他將提出一個類似“梯子網(wǎng)絡(luò)”的新技術(shù)，Valpola將其命名為具有雙關(guān)意義的“Mean Teacher(刻薄的老師)”。發(fā)表的實驗結(jié)果顯示：此次實驗對象是Google街景視圖的房屋編號圖片——即使僅經(jīng)過較少的訓(xùn)練，該項技術(shù)仍然取得了較以往更好的表現(xiàn)。

　　Yoshua Bengio是蒙特利爾大學(xué)計算機科學(xué)系的教授，也是深度學(xué)習(xí)的領(lǐng)軍人物之一，他說：“根據(jù)文中描述，我認為其取得的成果相當不錯，是半監(jiān)督學(xué)習(xí)的又一創(chuàng)紀錄發(fā)展。”

　　Valpola也在研究其在ZenRobotics公司時所面臨的另一個問題，即AI對于試錯的依賴。這也是最先進的“無模型”AI所運用的方法——對于這類AI，研究人員并未預(yù)先將其可能遇到的所有規(guī)則預(yù)先錄入?？梢試L試數(shù)十億種不同的場景，而后再逐漸建立有效模式。但現(xiàn)實世界中事情永遠不會如此簡單。Valpola表示，為了保證AI順利運轉(zhuǎn)，AI將需要基于相對較少的信息進行推理，這一能力也被我們稱之為“計劃”。

　　但問題在于神經(jīng)網(wǎng)絡(luò)僅能單向發(fā)揮作用。例如向其展示大熊貓和長臂猿的圖像，他們將迅速而準確的識別出這兩個對象。但如果問AI：“你會把長臂猿歸為何種形象?”正如一個典型案例表明的那樣，AI處于混亂狀態(tài)，無法理解這個問題，即使長臂猿看起來與熊貓完全不同。Valpola說，“這項技術(shù)背后有堅實的理論作支撐，但引人注目的是其在實踐中的表現(xiàn)。網(wǎng)絡(luò)在一方面可信，另一方面竟然表現(xiàn)得如此愚蠢，簡直讓人難以相信。”

　　人類非常擅長逆向思考(很多動物也十分擅長于此)。當你思考某事物時，你也在這樣做，這時你需要問自己：“我是如何做到這一點的?”你可能只考慮是否向老板發(fā)一封關(guān)于假期的電子郵件或者親自打電話給他。神經(jīng)網(wǎng)絡(luò)可以利用目前情況和計劃行動，且利用它們預(yù)測未來。但是，神經(jīng)網(wǎng)絡(luò)無法進行反向操作，不能說：“如果想要實現(xiàn)某個目標，你最好這樣做”，神經(jīng)網(wǎng)絡(luò)的線性進程無法逆轉(zhuǎn)。

　　對于任何智能決策過程而言，這都至關(guān)重要。Valpola表示，“我們已經(jīng)解決了這個問題，能夠調(diào)用可以發(fā)出語音的神經(jīng)網(wǎng)絡(luò)，能夠以預(yù)期結(jié)果為導(dǎo)向做出行動。”盡管該研究尚未公布，但Valpola認為不久的將來這一切都將實現(xiàn)。

　　一切只是開始 Valpola想創(chuàng)造出“AI互聯(lián)網(wǎng)”

　　對于Valpola而言，這一切還只是開始。他不會感到滿足，除非創(chuàng)造出AI互聯(lián)網(wǎng)。對此，他的解決方案是模仿人類思維過程，特別是人類思維方式中的“關(guān)系推理”。

　　想要理解關(guān)系推理的運作方式，只需要低頭看下手。手與其他部分的關(guān)系十分密切，其他部分包括另一只手、身體的其余部分、房間的其他物體等。大腦通過將其放置在具體語境中使其變得有意義。

　　神經(jīng)網(wǎng)絡(luò)看待世界的方式非常不同。預(yù)將手展示出來，必須拍攝圖片，之后圖片被分解成像素;然后，神經(jīng)網(wǎng)絡(luò)開始處理像素，為每個局部區(qū)域分配一組數(shù)字：實質(zhì)上其評分方法是通過對比不同對象的相似程度。

　　該系統(tǒng)模擬的是大腦中細胞的運動，但忽略了一個關(guān)鍵因素：即可以識別出對象的特征，但不能理解哪些特征屬于哪個對象以及對象之間相互關(guān)聯(lián)的方式。因此，它需要大量數(shù)據(jù)。因為它不能進行推斷，注定要重新學(xué)習(xí)每一種情況。

　　“你無法恰當?shù)乇磉_某些事物，就好像某些東西屬于一類，但又與其他事物分開，” Valpola說，“從內(nèi)部看，該網(wǎng)絡(luò)并未真正地代表某類事物。如無這一能力，人工智能在任何情況下都不會是革命性的”。

　　對于Valpola的觀點，許多人表示同意。倫敦大學(xué)帝國理工學(xué)院認知機器人教授Murray Shanahan說：“我曾與Valpola見過幾次面，我們對AI和深度學(xué)習(xí)有類似的觀點，” Bengio補充道：“我認為他是對的。我自己就發(fā)起了一個有類似目標的研究項目。在我看來，從對知識的突破到更高層次的認知，這些才是未來進步的關(guān)鍵方面。”

　　問題在于：怎么做?Alphabet的人工智能研究部門DeepMind最近發(fā)表了一篇論文，對調(diào)整神經(jīng)網(wǎng)絡(luò)以應(yīng)對挑戰(zhàn)提出了建議。這篇文章沒有給Valpola留下什么深刻印象。他說：“我在這一領(lǐng)域已經(jīng)研究了很長時間了，現(xiàn)在出版的東西與八年前我們剛開始進行的工作非常相似。光是發(fā)現(xiàn)問題、描述問題不管用。”

　　Valpola說：這樣做不行的原因在于它仍然是基于離散信息的數(shù)字模型。他認為：想要克服對象關(guān)系問題，人工智能必須能處理連續(xù)的數(shù)據(jù)信號——這意味著需要增強其模擬能力。

　　“這是人類學(xué)習(xí)的基礎(chǔ)，” Valpola說。這一點也是他想要模擬哺乳動物大腦的關(guān)鍵：“我們需要的是與目前的深入學(xué)習(xí)具有相同知覺能力的東西，除此之外，還需要符號操縱能力和模擬推理的先天能力。”關(guān)于如何實現(xiàn)這一點，他表示“那是個秘密”，值得一提的是，這是自他進入學(xué)術(shù)界以來一直研究的問題。

　　“第一個原型是十年前建成的。而我們也正在繼續(xù)這方面的研究。所以我們正在構(gòu)建這些具有更好互動能力的神經(jīng)網(wǎng)絡(luò)。我認為人們目前還未意識到實現(xiàn)這一點的意義。接下來的一年中，我們將在該領(lǐng)域展開非常有趣的研究。”

　　試想AI如能理解關(guān)系，也有助于理解他們未來的發(fā)展方向。Valpola對于AI的常見難題置之一笑，例如回形針最多化(paperclip maximiser，這是牛津大學(xué)哲學(xué)家 Nick Bostrom 提出的一個思維實驗)。“必須有一個智能系統(tǒng)來接管世界，另一方面，需要一個非常愚蠢的系統(tǒng)按照人類的要求辦事。但到目前為止，這些還都未能實現(xiàn)。”他說道。

　　相反，人工智能將自己看作與其他智慧生物一樣的復(fù)雜網(wǎng)絡(luò)的一部分：不僅是人工智能(作為AI互聯(lián)網(wǎng)的一部分)，而且作為人類。他們會更加社會化，產(chǎn)生或好或更壞的影響。

　　Valpola表示，“如何帶領(lǐng)人們走向美好生活，我認為AI能夠理解這個問題。”

　　在AI的第一波發(fā)展浪潮中，你需要的是成為一名程序員。第二波浪潮中，你需要成為一名數(shù)據(jù)科學(xué)家。而在第三波浪潮中——你需要擁有更高的道德，而且越高，越好。