人工智能強大能力的秘密

●高帆 編

據國外媒體報道，一項最新研究顯示，強大的人工智能系統之所以運作得如此順利，也許是因為它們的構造利用了宇宙的基本法則。

這項新發現也許能幫助我們解決一項由來已久的、與采用了深度學習策略的人工智能有關的謎題。這些深度學習（又稱深度神經網絡）程序是一種多層算法，計算由低層向高層進行。深度神經網絡在解決復雜的問題時往往具有驚人的表現，如下圍棋、給貓咪的照片分類等，但目前還沒人知道為什么會這樣。而麻省理工學院的一名物理學家、此次研究的共同作者之一馬克斯·泰格馬克認為，這可能是因為它們利用了物理世界中的一些特殊性質。

泰格馬克指出，物理法則把人工智能擅長解決的問題稱作“一類非常特殊的問題”。“物理學讓我們關心的一小部分問題和神經網絡可以解決的一小部分問題實際上是差不多的。”

深度神經網絡圖

深度學習程序

人工智能完成了一項很多人認為不可能成功的任務：谷歌的深度學習人工智能系統DeepMind打敗了世界上最厲害的圍棋玩家。這使全世界為之震驚，因為圍棋所有可能的走法種類甚至超過了宇宙中原子數量的總和，而之前的圍棋機器人只能達到普通人類棋手的水準。

但與DeepMind取得的成就相比，它完成此次任務的方式更加令人震驚。

“神經網絡究竟為什么運作得這么出色，這令我們困惑不已。”該研究的共同作者、哈佛大學的物理學家亨利·林表示，“無論我們向它們拋出什么問題，它們基本都能解決。”

例如，從來沒有人教過DeepMind如何下圍棋，也沒有訓練它學習經典的圍棋走法。它只是“觀看”了數百萬次圍棋比賽，然后又和自己或其他選手下了很多次圍棋而已。

泰格馬克指出，就像新生兒一樣，這些深度學習算法一開始時都是“毫無頭緒”的，但又總能打敗其它提前掌握了一部分比賽規則的人工智能。

此外，泰格馬克指出，還有一個問題一直讓科學家摸不著頭腦：為什么深度網絡比所謂的淺層網絡出色這么多。深度網絡包含很多層級，有點像大腦中的神經元之間的存在聯系，來自低層級的數據會流入更高層的神經元中，在各個層級上進行多次重復。與之類似，神經網絡中的深層級會做一些計算，計算結果隨后進入程序中更高的層級，以此類推。

魔法鑰匙還是魔法鎖？

為了弄清這一過程為什么能成功運作，泰格馬克和林決定換個角度看問題。

“假設有人給了你一把鑰匙，每一把鎖似乎都能用它打開，你可能會認為這把鑰匙具有某種魔力。但還有一種可能性：有魔力的其實是鎖。在神經網絡這個案例上，我覺得這兩種解釋都說得通。”林說道。

泰格馬克稱，一種可能性是，“真實世界”的問題之所以具有某些特殊的性質，是因為真實的世界本身就很特殊。

就拿神經網絡中最大的未解之謎之一來說：這些網絡總能解決一些需要繁瑣計算的問題，如圍棋等，并且只需比預期少得多的計算次數，就能找到解決方案。

研究發現，神經網絡的計算過程之所以能大大簡化，還要歸功于宇宙中的幾條特殊性質。泰格馬克指出，其中第一條就是，從量子力學到引力、再到狹義相對論，主宰著這些物理法則的等式其實只是簡單的數學問題而已。

泰格馬克還指出，宇宙中的物體受到光速限制，對近處的物體比對遠處的物體造成的影響更大。

此外，宇宙中有很多物體還遵循了正態分布，又稱高斯分布，即那條經典的“鐘形曲線”。

最后，對稱性可謂融入了物理學的方方面面。如葉片上的脈絡，人的雙臂、雙眼和耳朵等。而換到宇宙尺度上，如果有人移動了一光年的距離，或者等上一年時間，物理法則都是相同的。

更難解決的問題

宇宙的這些特殊性質意味著，神經網絡面臨的問題其實只是一些特殊的數學問題而已，可以被大大簡化。

“你可以看看我們在實際中遇到的數據組，它們其實比你可能想象到的最壞情況要簡單得多。”泰格馬克說道。

還有些更困難的問題等著神經網絡去攻克，比如在網絡上保護信息所需的加密方案等，這些加密方式可能就像普通的噪音一樣毫無規律可言。

“如果你把這些信息加到神經網絡里，它肯定會像人類一樣遭遇失敗，找不到任何規律。”泰格馬克說道。

自然界中的亞原子法則非常簡單，而描述一只蜜蜂飛行的路線所需的等式則極為復雜，描述氣體分子運動的等式則要簡單一些。目前我們還不清楚深度學習能否像描述氣體分子的運動規律一樣，描述出復雜的蜜蜂飛行路線。

“問題的關鍵是，在‘新興’的物理法則當中，有些相當簡單，有些則頗為復雜。因此，要想詳細解答為何深度學習表現得如此出色，我們還有許多工作要做，”林說道，“我認為這篇論文提出的問題比解答的問題多得多！”

●資料來源：新浪科技訊