Artificial Intelligence(人工智能，簡稱AI)，這個(gè)詞誕生于上個(gè)世紀(jì)50年代，1956年在達(dá)茅斯會(huì)議上被提出后，經(jīng)歷過幾起幾落，直到最近幾年，基于神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習(xí)突然被發(fā)現(xiàn)在語音識(shí)別、圖像識(shí)別上有特別功效，谷歌、亞馬遜等互聯(lián)網(wǎng)公司紛紛推出自己的人工智能戰(zhàn)略，Alpha Go打敗了李世石， AI才正式進(jìn)入快車道，而且似乎這一次，再也不會(huì)停下往前奔跑的腳步。
如今，人類將自己的未來放到了技術(shù)手里，無論是讓人工智能更像人類思考的算法，還是讓機(jī)器人大腦運(yùn)轉(zhuǎn)更快的芯片，都在向奇點(diǎn)靠近。谷歌工程總監(jiān)、《奇點(diǎn)臨近》的作者庫茲韋爾認(rèn)為，一旦智能機(jī)器跨過奇點(diǎn)，人工智能的發(fā)展將進(jìn)入加速噴發(fā)狀態(tài)，可以與人腦相媲美，甚至比人腦更具可塑性的“仿生大腦”終將出現(xiàn)。
究竟有哪些技術(shù)能夠推動(dòng)AI邁過這個(gè)奇點(diǎn)呢？在本期專刊中，《IT時(shí)報(bào)》記者采訪了全球AI界的頂尖技術(shù)“大咖”：“德?lián)銩I之父”卡內(nèi)基梅隆大學(xué)教授托馬斯·桑德霍普，遷移學(xué)習(xí)“掌門人”香港科技大學(xué)教授、國際人工智能聯(lián)合會(huì)理事會(huì)主席楊強(qiáng)以及“膠囊網(wǎng)絡(luò)”最好的解讀者Aurélien Géron，試圖尋找能推動(dòng)AI邁過這個(gè)奇點(diǎn)的技術(shù)引擎。
源起
“玄學(xué)”深度學(xué)習(xí)之惑：
打不破的“煉丹爐”黑盒子?
2018年初，一個(gè)來自伯克利大學(xué)、阿姆斯特丹大學(xué)、MPI for Informatics以及Facebook的人工智能研究部門開始向人工智能傳授自我判斷和解釋的能力，試圖讓“黑盒”變得透明。這已經(jīng)不是人類對(duì)深度學(xué)習(xí)黑盒子探索的首次嘗試，但至少說明人類對(duì)黑盒子的解釋正在不斷努力。
深度學(xué)習(xí)的可解釋性，是一個(gè)至今無人能解的問題。中國科學(xué)院計(jì)算技術(shù)研究所的在讀博士王晉東告訴記者，即使一些機(jī)構(gòu)試圖對(duì)黑盒子內(nèi)部進(jìn)行可視化操作，把神經(jīng)網(wǎng)絡(luò)的每一層都輸出，但普通人也很難理解這些復(fù)雜的結(jié)果，“深度學(xué)習(xí)如同一門玄學(xué)，是‘煉丹’的技藝，而黑盒子就像一個(gè)‘煉丹爐’。對(duì)于這個(gè)‘煉丹爐’來說，畫出內(nèi)部圖像沒有任何指導(dǎo)意義，因?yàn)闊o法解釋神經(jīng)網(wǎng)絡(luò)為何這樣設(shè)計(jì)。”
黑盒子，顧名思義，就是內(nèi)部結(jié)構(gòu)不可探視的密閉空間。對(duì)于深度學(xué)習(xí)研究者來說，層層疊加的神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)使程序在經(jīng)過幾千萬個(gè)樣本訓(xùn)練以后，對(duì)輸出的結(jié)果無法解釋。也就是說，一旦程序輸出結(jié)果有錯(cuò)，人們無法知曉是哪里出了錯(cuò)，應(yīng)該調(diào)整什么地方。
人工智能正處于初始階段，香港科技大學(xué)教授楊強(qiáng)告訴《IT時(shí)報(bào)》記者，因果關(guān)系非常重要。在很多實(shí)際領(lǐng)域中，如果一個(gè)計(jì)算機(jī)模型只給出結(jié)論，但人類并不知道這個(gè)結(jié)論如何得出，往往這個(gè)模型不會(huì)被實(shí)際使用。
事實(shí)上，Alpha Go成功背后存在非常多不可解釋的“隱患”，在不少科學(xué)家眼中，這種成功只能證明，人工智能在解決包含以下四種特點(diǎn)的問題時(shí)，能夠做到甚至超過人類的水平：1，有充足的數(shù)據(jù)（或知識(shí)）；2，完全信息；3，具有確定性；4，單領(lǐng)域。當(dāng)一個(gè)問題不滿足上述4個(gè)條件中的任何一個(gè)時(shí)，都將給計(jì)算機(jī)帶來顯著的困難。所以當(dāng)Alpha Go以4：1輸給李世石時(shí)，人們想知道深度學(xué)習(xí)在估算棋盤時(shí)哪一個(gè)地方出了問題，卻沒有辦法回溯。
楊強(qiáng)認(rèn)為，讓黑箱模型具有可解釋只是人工智能未來的一個(gè)方向。在未來，人工智能還身兼太多重任——讓機(jī)器學(xué)習(xí)更快速更可靠、使機(jī)器實(shí)現(xiàn)自動(dòng)推理、使預(yù)測更遠(yuǎn)更精準(zhǔn)，使機(jī)器能夠理解人，能夠觀看和收聽影像……也就是說，讓機(jī)器具有人的能力，在人不想做的領(lǐng)域都能超過人，但這個(gè)階段還有相當(dāng)長的時(shí)間。
因此，在主流的深度學(xué)習(xí)和卷積神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)之外，人工智能領(lǐng)域還在嘗試許多其他方向，科學(xué)家們希望通過不同的技術(shù)路徑，可以用更小的成本、更快的速度實(shí)現(xiàn)人工通用智能。當(dāng)這些源自不同“山頭”的技術(shù)匯聚成海時(shí)，或許技術(shù)爆炸的奇點(diǎn)就到來了。
遷移學(xué)習(xí)：
批量生產(chǎn)“小而美”的AI公司?
數(shù)據(jù)缺失、算力有限，很多公司在解決AI可移植問題和普適性問題。試想當(dāng)你學(xué)會(huì)中英文互譯，就可以將翻譯的法則同時(shí)運(yùn)用在中法互譯當(dāng)中；當(dāng)你學(xué)會(huì)騎自行車，也就同時(shí)具備了駕駛摩托車的技能……這就是遷移學(xué)習(xí)的初衷，利用更低成本實(shí)現(xiàn)更多功能。在大數(shù)據(jù)成本居高不下、小企業(yè)無力彎道超車的人工智能領(lǐng)域，遷移學(xué)習(xí)或?qū)⒊蔀轭嵏铂F(xiàn)有格局的下一個(gè)技術(shù)風(fēng)口。
讓機(jī)器學(xué)會(huì)舉一反三
《論語·述而》曾有云：舉一隅不以三隅反，則不復(fù)也。正如物理學(xué)家開爾文通過巴斯德高溫殺菌的發(fā)現(xiàn)，延伸出低溫存儲(chǔ)的“冷藏工藝”，舉一反三能夠幫助人類解決生活中各種各樣的問題。而這種舉一反三的能力在機(jī)器學(xué)習(xí)領(lǐng)域同樣適用，科學(xué)家將其稱之為“遷移學(xué)習(xí)”。
2009年，新加坡南洋理工Sinno Jialin Pan 和香港科技大學(xué)教授楊強(qiáng)在一篇調(diào)查中首次提出人工智能領(lǐng)域“遷移學(xué)習(xí)”的概念。楊強(qiáng)是首位也是至今為止唯一的AAAI（美國人工智能協(xié)會(huì)）華人執(zhí)委，同時(shí)也是第一位擔(dān)任IJCAI（國際人工智能聯(lián)合會(huì)議）理事會(huì)主席的華人科學(xué)家。這位AI牛人對(duì)“遷移學(xué)習(xí)”技術(shù)的研究直指人工智能發(fā)展的痛點(diǎn)——用于支持機(jī)器深度學(xué)習(xí)的基礎(chǔ)大數(shù)據(jù)往往未經(jīng)標(biāo)注，收集標(biāo)注數(shù)據(jù)或者從頭開始構(gòu)建模型代價(jià)高昂且費(fèi)時(shí)。
機(jī)器學(xué)習(xí)是人工智能的核心，卡內(nèi)基梅隆大學(xué)人工智能教授Tom Mitchell曾定義機(jī)器學(xué)習(xí)為“對(duì)能通過經(jīng)驗(yàn)自動(dòng)改進(jìn)的計(jì)算機(jī)算法的研究”，即機(jī)器通過對(duì)大量數(shù)據(jù)和過往經(jīng)驗(yàn)的學(xué)習(xí)，提升計(jì)算機(jī)程序的性能。楊強(qiáng)告訴記者，在這個(gè)過程中，機(jī)器內(nèi)置的模型往往已經(jīng)人為預(yù)測好，但是如果未來有所變化，這個(gè)模型就會(huì)無法擴(kuò)展，遷移學(xué)習(xí)意在使模型具備可擴(kuò)展性，增強(qiáng)其范化能力。也就是說，遷移學(xué)習(xí)可以使機(jī)器學(xué)習(xí)通過更低廉的數(shù)據(jù)成本，解決更廣泛的問題。
商業(yè)倒逼技術(shù)，致力于通過AI實(shí)現(xiàn)廣告投放的品友互動(dòng)是一家“大數(shù)據(jù)+人工智能”公司，其CTO歐陽辰告訴記者，對(duì)于人工智能企業(yè)來說，一定是先有商業(yè)場景再有技術(shù)，AI只有在合適的商業(yè)場景中才能立足。歐陽辰認(rèn)為，在一些獨(dú)特的場景里，AI正盡可能小型化，而對(duì)于數(shù)據(jù)缺失、算力有限的中小型企業(yè)，解決AI可移植問題和普適性問題是當(dāng)務(wù)之急，遷移學(xué)習(xí)恰好是一劑良藥。利用遷移學(xué)習(xí)通過已有的數(shù)據(jù)和模型對(duì)新數(shù)據(jù)快速建模，成為小公司彎道超車的下一條可能的路徑。而遷移學(xué)習(xí)應(yīng)用可預(yù)見的廣泛性，也使這門技術(shù)成為當(dāng)前學(xué)界炙手可熱的課題。
實(shí)現(xiàn)不同場景AI模型再利用?
遷移學(xué)習(xí)之于深度學(xué)習(xí)，就好比通過節(jié)約用紙保護(hù)森林。在人工智能領(lǐng)域，當(dāng)模型具備一定可擴(kuò)展性，就能反復(fù)被“回收利用”，減少不必要的數(shù)據(jù)成本。“回收利用”的想法十分誘人，而在現(xiàn)實(shí)應(yīng)用當(dāng)中，表現(xiàn)也并不遜色。
楊強(qiáng)告訴記者，遷移學(xué)習(xí)已經(jīng)在現(xiàn)實(shí)中很多領(lǐng)域應(yīng)用廣泛：人類可以通過建立語音識(shí)別模型，將對(duì)普通話的深度學(xué)習(xí)模型遷移到方言；也可以建立起人臉識(shí)別模型，將光照很好狀態(tài)下的模型遷移到不同光照?qǐng)鼍埃簧踔量梢詫?shí)現(xiàn)不同領(lǐng)域、不同背景下的文本和輿情分析。
在應(yīng)用最為廣泛的金融場景下，銷售經(jīng)理在推銷信用卡前需要對(duì)產(chǎn)品和客戶做出刻畫。銀行可以運(yùn)用傳統(tǒng)的深度學(xué)習(xí)解決目標(biāo)用戶的篩選問題，即通過用戶在銀行的歷史數(shù)據(jù)，通過模型篩選得出目標(biāo)名單。但是如果轉(zhuǎn)換到房產(chǎn)推銷領(lǐng)域，恐怕原有的模型將不再有效。
買房是大額消費(fèi)，基礎(chǔ)的用戶數(shù)據(jù)不夠多，而且稀缺數(shù)據(jù)的收集成本更加高昂，這樣房地產(chǎn)推銷的精準(zhǔn)用戶很難得出。好在遷移學(xué)習(xí)為這類問題提供了解決路徑——找到信用卡推銷與房產(chǎn)推銷之間的相似性，利用模型遷移在采納商家信用卡建議的用戶中，尋找新的買房趨勢，實(shí)現(xiàn)商業(yè)目的。
在大數(shù)據(jù)甚囂塵上的數(shù)字化時(shí)代，基于大數(shù)據(jù)深度學(xué)習(xí)下的人工智能并不能滿足所有細(xì)分場景，更何況“大數(shù)據(jù)”并非輕易得來。楊強(qiáng)認(rèn)為，如何用少量數(shù)據(jù)實(shí)現(xiàn)同樣預(yù)測效果，即“遷移學(xué)習(xí)”，將會(huì)是人工智能中一個(gè)未來的發(fā)展方向。而在遷移學(xué)習(xí)技術(shù)面前，中國平行于世界先進(jìn)水平，甚至走在世界的前端。
楊強(qiáng)在2017年7月CCF-GAIR（全球人工智能與機(jī)器人峰會(huì)）的演講中曾提到一個(gè)愿景——利用遷移學(xué)習(xí)，即使是自身沒有條件獲得大量訓(xùn)練數(shù)據(jù)的小公司，也可以按照自己的需要應(yīng)用大公司訓(xùn)練出來的模型，從而普及AI的應(yīng)用。或許公司小而美，技術(shù)精而尖，將是人工智能公司的下一個(gè)發(fā)展方向。
冷撲大師：
玩一場不完美信息的游戲?
這是一場“不完美信息”的游戲。
2017年1月30日，AI機(jī)器人Libratus和四個(gè)全球頂級(jí)德州撲克玩家，用20天完成了一場人機(jī)大戰(zhàn)，Libratus（中文名：冷撲）大獲全勝，贏得了176萬美元獎(jiǎng)金。
或許因?yàn)榈轮輷淇耸遣皝砥罚cAlpha Go大戰(zhàn)李世石相比，這場比賽并不太為中國大眾所知，但在人工智能圈里，冷撲和他的創(chuàng)建者美國卡內(nèi)基梅隆大學(xué)（CMU）的計(jì)算機(jī)系教授托馬斯·桑德霍姆（Tuomas Sandholm）和其研究生諾姆·布朗（Noam Brown）卻是2017年最閃亮的明星。在全球AI頂級(jí)峰會(huì)2017 NIPS上，他倆合寫的論文《不完美信息游戲中安全內(nèi)嵌的殘局計(jì)算法》在3240篇投稿論文中脫穎而出，被評(píng)為最優(yōu)秀論文，桑德霍姆也被稱為德州撲克AI之父。
它學(xué)會(huì)了“詐唬”對(duì)手
“與深度學(xué)習(xí)相比，我們技術(shù)最大優(yōu)點(diǎn)是具有可證明的性能保證。”5月13日，桑德霍姆對(duì)《IT時(shí)報(bào)》記者表示。
近幾年的人工智能熱潮中，深度學(xué)習(xí)是最主流的技術(shù)，Alpha Go以及之后Alpha Zero的成功，更是使其幾乎成為AI的代名詞。然而，盡管Alpha Zero成為全棋類冠軍，但這些游戲都屬于所謂“完美信息游戲”，也就是說，交戰(zhàn)雙方清楚每一時(shí)刻棋面上的全部情況。
德州撲克是典型的不完美信息博弈，除了牌面信息，對(duì)手有什么牌？對(duì)手會(huì)怎么出牌？下一張翻出的公共牌會(huì)是什么？通常這種博弈會(huì)出現(xiàn)納什均衡的局面。所謂納什均衡，是指在博弈中，每個(gè)人都在猜測對(duì)手會(huì)出什么牌，每個(gè)人的策略都是對(duì)其他人策略的最優(yōu)反應(yīng)。
和完美博弈不同，不完美信息博弈不能通過將博弈分解為可獨(dú)立求解的子博弈而求得占優(yōu)策略，所以冷撲必須通過納什均衡來計(jì)算該如何應(yīng)對(duì)對(duì)手那些沒出現(xiàn)在決策樹上的招數(shù)，并以收益反饋對(duì)自身的出招進(jìn)行動(dòng)態(tài)修正，以期達(dá)到最大可能的收益，而非簡單地將對(duì)手的行為進(jìn)行近似處理。
簡而言之，冷撲不僅要猜下一張牌可能是什么，還要猜對(duì)手可能會(huì)如何押注，更要最后做出決策，自己該怎么押注，它學(xué)會(huì)了分析對(duì)手是否“詐唬”，甚至自己也會(huì)“詐唬”對(duì)手，總之，它變成了一個(gè)“心理學(xué)高手”。
與Alpha Go另一個(gè)不同在于，冷撲在某種程度上解決了深度學(xué)習(xí)中的黑盒子難題。它不需要深度學(xué)習(xí)，更像一種強(qiáng)化學(xué)習(xí)，在訓(xùn)練階段，只需知道規(guī)則，便能“左右互搏”，通過一次又一次的試錯(cuò)，找尋最佳策略。正式對(duì)弈的時(shí)候，根據(jù)對(duì)手的不完整信息，冷撲根據(jù)傳統(tǒng)的線性規(guī)劃在每一個(gè)決策點(diǎn)提前計(jì)算出了納什均衡。正如桑德霍姆所言，這種新的殘局計(jì)算法，可以讓開發(fā)者獲得一定程度的“確定性”，而“確定性”正是深度學(xué)習(xí)最缺乏的。
讓冷撲幫你炒股
“現(xiàn)實(shí)世界中的大多數(shù)應(yīng)用都是不完美的信息游戲，休閑游戲、商業(yè)戰(zhàn)略談判、戰(zhàn)略定價(jià)、產(chǎn)品組合規(guī)劃、金融、投資銀行、投標(biāo)策略、拍賣設(shè)計(jì)、政治活動(dòng)、自動(dòng)駕駛和車輛車隊(duì)、醫(yī)療規(guī)劃、網(wǎng)絡(luò)安全、物理安全、軍事應(yīng)用等等，在面對(duì)這些不確定性問題時(shí)，我們可以幫助人們找到最優(yōu)策略。”桑德霍姆認(rèn)為，冷撲在現(xiàn)實(shí)生活中應(yīng)該比Alpha Go更實(shí)用。
舉個(gè)例子，一家企業(yè)要為自己的產(chǎn)品定價(jià)，但它的決策一定基于市場中同類競品的定價(jià)、市場需求等多種因素，如果競爭對(duì)手突然改變了自己的定價(jià)，你為了實(shí)現(xiàn)價(jià)值最優(yōu)，必須也要改變自己的定價(jià)。AI技術(shù)的作用在于可以進(jìn)行事先戰(zhàn)略性定價(jià)，也就是說，預(yù)判對(duì)手可能的策略，提前進(jìn)行戰(zhàn)略部署，這樣市場的主動(dòng)權(quán)便掌握在自己手里。
此外，談判桌也是冷撲大師可以發(fā)揮作用的地方。比如你需要購買一些影片版權(quán)，但要和不同的公司談判，選擇不同的視頻流，那么如何構(gòu)建一個(gè)更好的影片組合，談判對(duì)手會(huì)用怎樣的市場策略，冷撲都可以給出更好的戰(zhàn)略邏輯。
桑德霍姆告訴記者，為了把戰(zhàn)略機(jī)器（Strategic Machine)這項(xiàng)技術(shù)用于實(shí)踐，他成立了兩家公司，一家用于開發(fā)商業(yè)應(yīng)用和戰(zhàn)略機(jī)器人，一個(gè)為政府應(yīng)用服務(wù)，他希望利用人工智能解決金融上的一些戰(zhàn)略計(jì)算問題， 比如股票交易中經(jīng)常會(huì)存在一些隱藏的信息，AI能在交易者較少的情況下，幫助人類在隱藏的信息面前做出決策。
膠囊網(wǎng)絡(luò)：
讓人工神經(jīng)元像人腦那樣思考?
當(dāng)Alpha Go帶起的深度學(xué)習(xí)浪潮席卷AI界時(shí)，一位年近70的老人，卻開始對(duì)它說“不”，盡管他是它的“創(chuàng)造者”。2011年開始，被譽(yù)為深度學(xué)習(xí)之父的Geoffrey Hinton（杰弗里·辛頓）開始反思CNNs（卷積神經(jīng)網(wǎng)絡(luò),深度學(xué)習(xí)的一種結(jié)構(gòu)）的弱點(diǎn)，并提出了一種新的神經(jīng)元網(wǎng)絡(luò)計(jì)算結(jié)構(gòu)——膠囊網(wǎng)絡(luò)（the capsule network）。
這種自我顛覆在AI圈掀起一陣巨浪，有的人堅(jiān)定地站在Hinton一邊，認(rèn)為膠囊有可能對(duì)深度學(xué)習(xí)帶來深遠(yuǎn)影響，特別是在計(jì)算機(jī)視覺領(lǐng)域，會(huì)大大減少訓(xùn)練計(jì)算機(jī)所需要的數(shù)據(jù)量，但也有人認(rèn)為，膠囊網(wǎng)絡(luò)并沒有新鮮的理論，算不上什么特別大的革新。
那么，膠囊網(wǎng)絡(luò)究竟是什么？它會(huì)對(duì)人工智能領(lǐng)域帶來什么？Hinton最近因?yàn)榧彝ピ颍]門謝客，于是我們找到了Aurélien Géron。
Aurélien Géron是一名機(jī)器學(xué)習(xí)咨詢師，也是《Hands-on Machine Learning with Scikit-Learn and TensorFlow》（《用Scikit-Learn and TensorFlow實(shí)際操作機(jī)器學(xué)習(xí)》）一書的作者（這本書很快將在中國出版），他在谷歌時(shí)曾領(lǐng)導(dǎo)了YouTube的視頻分類團(tuán)隊(duì)。Aurélien制作發(fā)布的兩個(gè)視頻，被稱為“史上最通俗易懂的膠囊網(wǎng)絡(luò)科普視頻”。5月9日，《IT時(shí)報(bào)》記者專訪Aurélien，請(qǐng)他深度解析膠囊網(wǎng)絡(luò)。
1、《IT時(shí)報(bào)》：請(qǐng)問膠囊網(wǎng)絡(luò)是什么？目前有最新技術(shù)進(jìn)展嗎？
Aurélien Géron：先舉一個(gè)簡單的例子理解深度學(xué)習(xí)中的CNNs，如何確認(rèn)一張臉？對(duì)于CNNs來說，一個(gè)橢圓形的臉，有兩只眼睛、一個(gè)鼻子和一個(gè)嘴巴，這些對(duì)于它判斷這是否一張臉是很重要的指標(biāo)，但這些器官是不是在正確的位置，并不是它做判斷的依據(jù)。
膠囊網(wǎng)絡(luò)則認(rèn)為，辨識(shí)對(duì)象各部分彼此的相對(duì)位置，可能更為重要。它的好處在于，可以僅知道一部分特征就可以辨別圖片究竟是什么，這樣使它使用的數(shù)據(jù)量要遠(yuǎn)遠(yuǎn)小于CNN，從這個(gè)意義上說，膠囊網(wǎng)絡(luò)更像人腦在做的事情，比如為了學(xué)會(huì)把數(shù)字分開，人類只需要看幾十個(gè)例子，而CNN則可能需要成千上萬個(gè)例子。
膠囊網(wǎng)絡(luò)核心思想是，將神經(jīng)元分組成一個(gè)一個(gè)小膠囊，每一個(gè)決策點(diǎn)，并不需要每個(gè)人工神經(jīng)元都做出判斷，而是只要檢查這個(gè)膠囊是否同意，然后將結(jié)果輸入下一層合適的膠囊中。
我覺得這個(gè)理論很有前途，但局限性也很明顯，特別是在識(shí)別大圖片的時(shí)候，效果并不是很理想，而且訓(xùn)練的速度非常慢。總得來說，膠囊網(wǎng)絡(luò)相當(dāng)程度上依然是實(shí)驗(yàn)性的。
2、《IT時(shí)報(bào)》：世界范圍內(nèi)的膠囊網(wǎng)絡(luò)研究者有多少？與其他深度學(xué)習(xí)相比，這項(xiàng)技術(shù)處于什么階段？
Aurélien Géron：目前還很難判斷，在谷歌論文上，我看到了“膠囊間動(dòng)態(tài)路由”論文的73篇引文，其中46篇引用了標(biāo)題中的“膠囊”一詞。平均一篇論文大約有3到5個(gè)作者，這意味著大約有200名研究人員出版了論文。所以我猜想，全球大概有500名研究人員正在研究膠囊網(wǎng)絡(luò)，但這也只是一個(gè)猜想：研究是分散的，所以很難具體知道研究者的數(shù)量。
我認(rèn)為，將CapsNetes（膠囊網(wǎng)絡(luò)）與卷積神經(jīng)網(wǎng)絡(luò)（CNNs）放在一起比較是不公平的。事實(shí)上，CNNs自20世紀(jì)90年代以來一直存在，而且一直有人在對(duì)其不斷完善。從目前來看，大多數(shù)視覺任務(wù)中，CNNs依然比膠囊網(wǎng)絡(luò)表現(xiàn)得更好，但這并不能判定膠囊網(wǎng)絡(luò)的死亡，相反，它已經(jīng)在不停改善，也許膠囊最終會(huì)勝過CNNs。
3、《IT時(shí)報(bào)》：膠囊網(wǎng)絡(luò)最大的優(yōu)勢是什么，特別是與其他深度學(xué)習(xí)方法相比？研究者可以減少數(shù)據(jù)和輸入嗎？
Aurélien Géron：膠囊網(wǎng)絡(luò)的好處還是很明顯的，比如它比CNNs需要更少的訓(xùn)練實(shí)例，當(dāng)信號(hào)通過膠囊時(shí)，可以更好地保存關(guān)于對(duì)象的位置、方向等方面的詳細(xì)信息，這對(duì)于需要這些詳細(xì)信息的應(yīng)用來說非常有前途，類似像對(duì)象檢測、圖像分割（即發(fā)現(xiàn)哪些像素屬于哪個(gè)對(duì)象）等應(yīng)用。其次，膠囊比CNNs更善于總結(jié)歸納，如果你訓(xùn)練它們識(shí)別一些物體，然后向它們顯示方向不同的同一個(gè)物體，它們可能比CNNs更不容易被迷惑。
4、《IT時(shí)報(bào)》：膠囊網(wǎng)絡(luò)未來可以有哪些應(yīng)用場景？
Aurélien Géron：膠囊網(wǎng)絡(luò)已經(jīng)成功地被用于檢測癌癥，因?yàn)閹缀醪恍枰嗟挠?xùn)練數(shù)據(jù)和精確的位置信息。我相信還會(huì)有很多其他的場景，例如，分析衛(wèi)星圖像或者檢測制造業(yè)的缺陷。
5、《IT時(shí)報(bào)》：吳恩達(dá)曾說：“今天的人工智能的成就更多地是由計(jì)算機(jī)科學(xué)的原理推動(dòng)的，而不是神經(jīng)科學(xué)的原理。”您對(duì)這句話如何理解？
Aurélien Géron：最初人工智能的整個(gè)領(lǐng)域都受到生物學(xué)的啟發(fā)：人工神經(jīng)元便是由生物神經(jīng)元激發(fā)的，因?yàn)樾拢ù竽X）皮質(zhì)層似乎就是這樣組織的，卷積神經(jīng)網(wǎng)絡(luò)也是受到視覺皮層的啟發(fā)。
但在過去20年中，深度學(xué)習(xí)的最大改進(jìn)主要是由計(jì)算機(jī)科學(xué)驅(qū)動(dòng)，而不是神經(jīng)科學(xué)驅(qū)動(dòng)：我們擁有了更快的處理器（包括超高速GPU）和更多的數(shù)據(jù)、更快的存儲(chǔ)器、更快的網(wǎng)絡(luò)、更好的數(shù)據(jù)庫。可我們對(duì)大腦了解越多，我們?cè)桨l(fā)現(xiàn)，它與人工神經(jīng)網(wǎng)絡(luò)有很大的不同。有些人認(rèn)為造成不同的原因可能是最終實(shí)現(xiàn)的細(xì)節(jié)不同；也有人認(rèn)為我們?nèi)鄙佼a(chǎn)生智力的關(guān)鍵成分；或者是時(shí)間？或者是可塑性？或者人腦神經(jīng)元需要連接數(shù)量要大得多？總之，如果這兩門學(xué)科能更好地結(jié)合，我相信效果會(huì)好很多。
6、《IT時(shí)報(bào)》：人工智能的最終形式是什么？你認(rèn)為AI離這個(gè)理想狀態(tài)有多遠(yuǎn)？
Aurélien Géron：人工智能的最終形式將是人工通用智能（AGI），一種能夠快速學(xué)習(xí)并掌握任何新智力任務(wù)的計(jì)算機(jī)系統(tǒng)，它能不斷地學(xué)習(xí)和改進(jìn)，希望能造福于全人類，而不是少數(shù)人（或僅僅為自己）。它不一定像人類一樣思考，我們大部分行為來自于對(duì)吃飯、繁殖、社會(huì)交往等的需求，機(jī)器不會(huì)有同樣的需求，因此它可能不會(huì)像我們一樣思考。但是，由于我們大部分智力來自于我們的文化（語言、書籍、科學(xué)……），它可能很早就需要學(xué)習(xí)我們的方法，所以我認(rèn)為它會(huì)很好地與我們進(jìn)行交流和互動(dòng)，甚至可能會(huì)將我們的局限性和偏見也考慮進(jìn)去。
我想我們離這個(gè)理想狀態(tài)最多也就30年的距離。但現(xiàn)在，我認(rèn)為有些棘手的問題急需解決：比如AI已經(jīng)被用于大規(guī)模操縱信息，并可能影響選舉；當(dāng)自動(dòng)駕駛汽車成為主流時(shí)，數(shù)百萬司機(jī)將很快失去工作。
人類面前有很多風(fēng)險(xiǎn)、變化和機(jī)會(huì)，我們需要做好準(zhǔn)備。
聯(lián)系客服
