（本文來(lái)自華爾街日?qǐng)?bào)，作為轉(zhuǎn)載分享）AI在未來(lái)如何實(shí)現(xiàn)真正的“智能”？這個(gè)問(wèn)題似乎遭遇瓶頸。目前深度學(xué)習(xí)對(duì)人類大腦的模擬仍然處于初級(jí)階段，是否應(yīng)該沿這條路繼續(xù)走下去？吳恩達(dá)認(rèn)為，通過(guò)深度學(xué)習(xí)模擬大腦，未來(lái)的AI能夠比人類更快地完成精神層面的任務(wù)。也有研究人員認(rèn)為，應(yīng)從大自然中尋找靈感，讓AI建立關(guān)于世界的“心理模型”。

現(xiàn)在，我們已經(jīng)將AI技術(shù)應(yīng)用在自動(dòng)駕駛和醫(yī)療上，甚至10多億中國(guó)公民的社會(huì)信用評(píng)分都可以依靠AI技術(shù)，現(xiàn)在我們已經(jīng)在討論如何讓AI學(xué)會(huì)自己不會(huì)做的事情。AI技術(shù)曾經(jīng)僅僅是一個(gè)學(xué)術(shù)問(wèn)題，而現(xiàn)在已經(jīng)成為高達(dá)數(shù)十億美元的人才和基礎(chǔ)設(shè)施的產(chǎn)業(yè)，而且關(guān)系到人類的未來(lái)。

關(guān)于這個(gè)問(wèn)題的討論焦點(diǎn)是，目前構(gòu)建AI的是否足夠。我們能夠通過(guò)對(duì)現(xiàn)有技術(shù)的調(diào)整，利用足夠強(qiáng)大的計(jì)算力，來(lái)實(shí)現(xiàn)被認(rèn)為僅存在于人和動(dòng)物身上的真正的“智能”？

關(guān)于這個(gè)問(wèn)題，辯論的一方是“深度學(xué)習(xí)”的支持者 - 自2012年多倫多大學(xué)三位研究人員的一篇具有里程碑意義的論文以來(lái)，深度學(xué)習(xí)已經(jīng)大受歡迎。雖然它遠(yuǎn)非人工智能的唯一方法，但已經(jīng)證明了我們能夠?qū)崿F(xiàn)以前的技術(shù)無(wú)法實(shí)現(xiàn)的成就。

“深度學(xué)習(xí)”中的“深度”是指其網(wǎng)絡(luò)中人工神經(jīng)元的層數(shù)。生物學(xué)上的“神經(jīng)元”一樣，具有更多層神經(jīng)元的人工神經(jīng)系統(tǒng)能夠進(jìn)行更復(fù)雜的學(xué)習(xí)。

吳恩達(dá)：模擬人腦，未來(lái)AI完成精神層面任務(wù)只需幾秒

要理解人工神經(jīng)網(wǎng)絡(luò)，可以想象一下空間中的一堆點(diǎn)，就像我們大腦中的神經(jīng)元一樣。調(diào)整這些點(diǎn)之間連接的強(qiáng)度，就是在大致模擬大腦學(xué)習(xí)時(shí)發(fā)生的事情。模擬結(jié)果產(chǎn)生一幅神經(jīng)連接圖，圖中包括達(dá)到期望結(jié)果（比如正確識(shí)別出圖像）的最佳途徑。

吳恩達(dá)

今天的深度學(xué)習(xí)系統(tǒng)還達(dá)不到我們的大腦的復(fù)雜度。它們充其量看起來(lái)就像視網(wǎng)膜的外表面，只有少數(shù)幾層神經(jīng)元對(duì)圖像進(jìn)行初始處理。

這種網(wǎng)絡(luò)不太可能勝任我們大腦能完成的所有任務(wù)。因?yàn)樗鼈儾⒉荒芟裾嬲摹爸悄堋鄙锬菢恿私馐澜纾跃W(wǎng)絡(luò)顯得很脆弱，容易造成混淆。比如，研究人員能夠只改變圖像中的單個(gè)像素，就可以成功欺騙流行的圖像識(shí)別算法。

盡管存在局限性，深度學(xué)習(xí)還是為研發(fā)圖像和語(yǔ)音識(shí)別、機(jī)器翻譯和棋類游戲中擊敗人類的黃金標(biāo)準(zhǔn)軟件提供了強(qiáng)大動(dòng)力。深度學(xué)習(xí)是谷歌研發(fā)定制化AI芯片和這些利用這些芯片運(yùn)行的AI云服務(wù)的動(dòng)力，Nvidia的自動(dòng)駕駛汽車技術(shù)也是如此。

人工智能領(lǐng)域中最具影響力的人之一、曾在谷歌大腦工作并擔(dān)任百度前人工智能首席科學(xué)家的吳恩達(dá)表示，通過(guò)深度學(xué)習(xí)，計(jì)算機(jī)應(yīng)該能夠完成普通人在一秒或幾秒內(nèi)就能完成的任何精神層面的任務(wù)。而且計(jì)算機(jī)的完成速度甚至可以比人類更快。

推進(jìn)AI需要從大自然中尋找靈感

而這場(chǎng)討論中同樣有研究人員持相反觀點(diǎn)，比如Uber公司人工智能部門的前負(fù)責(zé)人、現(xiàn)紐約大學(xué)教授Gary Marcus認(rèn)為深度學(xué)習(xí)遠(yuǎn)不足以完成我們能夠完成的各種事情。他認(rèn)為，深度學(xué)習(xí)永遠(yuǎn)無(wú)法取代全部的白領(lǐng)工作，無(wú)法引領(lǐng)我們走向全自動(dòng)化的、“奢侈化共產(chǎn)主義”的輝煌未來(lái)。

Marcus博士表示，要獲得“通用智能”需要具備推理能力，能夠自己學(xué)習(xí)，建立關(guān)于世界的心理模型，這些都超出了現(xiàn)在AI的能力。

“目前我們利用深度學(xué)習(xí)取得了很多里程碑式的成就，但這并不意味著深度學(xué)習(xí)是建立思維理論或抽象推理的正確工具?！瘪R庫(kù)斯博士說(shuō)。

為了進(jìn)一步推進(jìn)人工智能，“我們需要從大自然中獲取靈感?！盡arcus博士說(shuō)。也就是說(shuō)要建立其他類型的人工神經(jīng)網(wǎng)絡(luò)，并在某些情況下為其提供與生俱來(lái)的預(yù)編程的知識(shí)，就像所有生物都具備的天生本能一樣。

紐約大學(xué)教授Gary Marcus

研究人員還在努力讓AI建立關(guān)于世界的心理模型，一般嬰兒在一歲時(shí)就能建立這種模型了。因此，就算一個(gè)AI系統(tǒng)已經(jīng)見(jiàn)過(guò)一百萬(wàn)張校車的圖片，但當(dāng)它第一次見(jiàn)到一輛翻車的校車時(shí)，可能還是認(rèn)不出來(lái)。如果AI能夠構(gòu)建一個(gè)心理模型，其中包括校車的車輪、黃色底盤等，認(rèn)出翻車的校車可能就沒(méi)那么難了。

人工智能促進(jìn)協(xié)會(huì)（AAAI）前主席Thomas Dietterich表示，努力尋找其他類型人工智能的深度學(xué)習(xí)是很好的做法，但重要的是，不能在總體上忽視深度學(xué)習(xí)和機(jī)器學(xué)習(xí)的神奇之處。

“對(duì)于機(jī)器學(xué)習(xí)研究來(lái)說(shuō)，我們的目標(biāo)是看看能在多大程度上讓計(jì)算機(jī)系統(tǒng)從數(shù)據(jù)和經(jīng)驗(yàn)中學(xué)習(xí)，而不是手工構(gòu)建這些系統(tǒng)?！盌ietterich博士說(shuō)，問(wèn)題不在于人工智能中的先天知識(shí)不好，人類一開(kāi)始就根本不知道自己掌握了哪些先天知識(shí)。

Duvenaud博士說(shuō)：“原則上，我們?cè)谘芯咳绾螛?gòu)建未來(lái)的AI時(shí)不需要參考生物學(xué)?！?但他也表示，那些能夠成功實(shí)現(xiàn)以深度學(xué)習(xí)為重點(diǎn)的、更復(fù)雜的系統(tǒng)目前還沒(méi)有取得成功。

Marcus博士說(shuō)，在弄清楚如何讓AI變得更智能、更強(qiáng)大之前，我們?nèi)员仨毾駻I系統(tǒng)中輸入大量現(xiàn)有的人類知識(shí)。也就是說(shuō)，像自動(dòng)駕駛軟件這樣的AI系統(tǒng)中的許多“智能”根本就不是“人工”的。雖然很多企業(yè)需要在盡量多的真實(shí)道路上訓(xùn)練自動(dòng)駕駛車，但現(xiàn)在，使這些AI系統(tǒng)真正獲得自駕能力，仍然需要人工輸入大量的邏輯，這些邏輯反映了構(gòu)建和測(cè)試自動(dòng)駕駛車輛的工程師們做出的決策。