人工智能：后深度學習時代的走向

魯迅的文章和人工智能會有聯系嗎？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點和成果說夠，也要把它存在的問題說透。”

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”

作為我國計算機領域目前規模最大、級別最高的學術會議，創建于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內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。”中國科學院副院長、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。”

從技術上來看，深度學習就是“很多層”的神經網絡。而神經網絡實質上是多層函數嵌套形成的數學模型。事實上，在深度學習出現之前，人工智能已經經歷了兩次熱潮。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者之一愛德華·費根鮑姆認為，這項計劃即使部分實現，也將產生巨大經濟利益，使日本占有市場，并奪得統治地位。美國如不自強，事態將極為嚴重，在超工業化社會中只能處于農業大國的地位。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，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，因為科學發現和技術創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，現在的人工智能有兩點不同，一是大數據，二是概率統計方法的引入。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，即在一定的應用場景里，在給定的數據庫下，有了可利用的大數據，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。”張鈸說。

不會“一統江湖、千秋萬載”

“從本質上說，（人工智能）第二次和第三次浪潮在方法論上并沒有本質區別，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，也有卷積神經網絡模型與參數訓練技巧的進步。”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（神經網絡、深度學習）雖然大行其道，但如何解決小數據學習和創造性思維仍然挑戰巨大。

在南京大學教授、美國計算機協會（ACM）杰出科學家周志華看來，發展至今天，作為人工智能領域一個重要的分支，“機器學習”已經成為一個廣袤的學科領域，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，而要總結出知識再“教”給系統，也同樣困難。到了20世紀90年代中后期，人類發現自己淹沒在了數據的汪洋中，機器學習正是為了滿足人們對自動數據分析技術的需求應運而生的。而云計算、大數據時代的到來，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、語音識別等眾多領域都取得了較大的成功。

但是，深度學習是否會“一統江湖、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。當數據的“初始表示”（如圖像的“像素”）與解決任務所需的“合適表示”（如描述物體的特征）相距甚遠的時候，就是深度學習應用的領域。然而，很多學習任務，數據的“初始表示”與“合適表示”并沒有那么遠，因此深度學習不會“一統江湖”，其他一些機器學習技術也有自己的“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，更“潮”的技術總會出現。而機器學習不會有“冬天”，除非我們不再需要分析數據。

高文最近和美國國家科學基金會（NSF）接觸發現，美國現在對于深度學習有很大的爭議。雖然在機器學習領域，NSF仍然支持深度學習的基礎理論研究，但認為在應用領域（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不算創新，此類項目基本上都會被“殺掉”。“這給了我們一個信號，也許幾年之后深度學習真的會進入沉寂期。”

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，一是概率統計方法帶來的困難，即它只能找出重復出現的特征，發現數據間統計的關聯性，卻不能發現本質特征，找到因果關系。其次是生數據帶來的困難，實際上，網絡數據中只有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，進行領域遷移。而要想實現突破，人工智能發展除了需要知識驅動與數據驅動結合從而“雙輪驅動”外，更加要依靠學科交叉，特別是數學、認知科學、心理學、神經科學和語言學等。

從深度學習的發展歷史來看，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，周志華預測，未來的主流技術未必是深度學習，但應該是能有效利用GPU等計算設備的方法。

此外，隨著人工智能技術取得巨大發展，將越來越多地面臨“高風險應用”，因此必須有“魯棒的人工智能”。對此，周志華的理解是，“好的時候”要好，“壞的時候”也不能太壞。而開放環境下的機器學習研究，是通向“魯棒人工智能”途徑上的關鍵環節之一。

談及機器學習的形態，周志華認為，模型和規約相結合的學件的出現，將會改變機器學習目前算法加數據的現狀，從而突破機器學習的一些局限，如需要大量訓練樣本，難以適應環境變化，模型不透明等。今后，當用戶想要應用一個模型的時候，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業的新產業。

來源：科學網endprint