【AI仍存在局限性，復(fù)制人腦成未知數(shù)】8月6日?qǐng)?bào)道稱(chēng)，人們應(yīng)用人工智能技術(shù)（AI）的所有領(lǐng)域，包括無(wú)人駕駛汽車(chē)、機(jī)器人醫(yī)生、超過(guò)10億中國(guó)公民的社會(huì)信用評(píng)分系統(tǒng)等，當(dāng)前都取決于一場(chǎng)關(guān)于如何讓AI做其不能做的事的辯論。這個(gè)曾經(jīng)僅僅是學(xué)術(shù)界關(guān)切的問(wèn)題，現(xiàn)在卻關(guān)乎價(jià)值數(shù)十億美元的人才和基礎(chǔ)設(shè)施，以及人類(lèi)的未來(lái)。

據(jù)8月4日?qǐng)?bào)道，這場(chǎng)辯論歸根結(jié)底在于目前創(chuàng)建AI的方法是否足夠。經(jīng)過(guò)一些微調(diào)和擁有足夠的非理性運(yùn)算能力，人們現(xiàn)在擁有的技術(shù)能否能夠做到真正“智能”，即存在于動(dòng)物或人類(lèi)身上的那種智能？

報(bào)道稱(chēng)，這場(chǎng)辯論的一方，是“深度學(xué)習(xí)”的擁護(hù)者——這種方法自2012年多倫多大學(xué)三位研究人員發(fā)表了一篇具有里程碑意義的論文之后便迅速流行開(kāi)來(lái)。盡管這絕非是AI的唯一方法，但是其展示出了超越以前AI技術(shù)實(shí)現(xiàn)程度的能力。

“深度學(xué)習(xí)”中的“深度”指的是人工神經(jīng)網(wǎng)絡(luò)中人工神經(jīng)元的層數(shù)。與其生物等效物一樣，帶有更多層神經(jīng)元的人工神經(jīng)系統(tǒng)也能夠進(jìn)行更復(fù)雜的學(xué)習(xí)。

為了理解人工神經(jīng)網(wǎng)絡(luò)，想象一下空間中的一串相互連接的點(diǎn)，就像大腦中的神經(jīng)元一樣。調(diào)整這些點(diǎn)之間的連接強(qiáng)度，就粗略模擬了大腦學(xué)習(xí)時(shí)發(fā)生了什么。其結(jié)果是一個(gè)帶有實(shí)現(xiàn)期望結(jié)果最佳路徑的神經(jīng)接線圖，例如正確識(shí)別一個(gè)圖像。

報(bào)道稱(chēng)，今天的深度學(xué)習(xí)系統(tǒng)與人們的大腦不同。充其量，它們看起來(lái)就像是視網(wǎng)膜的外層，在這里只有很少幾層神經(jīng)元對(duì)圖像進(jìn)行初步處理。

這樣一個(gè)網(wǎng)絡(luò)不太可能完成人類(lèi)大腦有能力完成的所有任務(wù)。因?yàn)檫@些網(wǎng)絡(luò)并不像一個(gè)真正智能的生物那樣了解這個(gè)世界，它們很脆弱，并且容易混淆。在某種情況下，研究人員可以通過(guò)僅僅改變一個(gè)像素來(lái)“欺騙”一個(gè)流行的圖像識(shí)別算法。

報(bào)道稱(chēng)，盡管存在局限性，深度學(xué)習(xí)推動(dòng)了圖像和語(yǔ)音識(shí)別以及機(jī)器翻譯領(lǐng)域“金標(biāo)”軟件的發(fā)展，并且?guī)椭湓谄孱?lèi)游戲中擊敗了人類(lèi)。這也是谷歌的定制AI芯片和AI云服務(wù)以及英偉達(dá)公司的無(wú)人駕駛汽車(chē)技術(shù)背后的重要推動(dòng)力。

AI領(lǐng)域最具影響力的人物之一、谷歌大腦和百度公司AI部門(mén)前負(fù)責(zé)人吳恩達(dá)說(shuō)，有了深度學(xué)習(xí)，計(jì)算機(jī)應(yīng)當(dāng)能夠完成普通人在1秒鐘或是更短時(shí)間內(nèi)能夠完成的任何腦力工作。自然，計(jì)算機(jī)應(yīng)當(dāng)能夠甚至比人類(lèi)完成得更快。

報(bào)道稱(chēng)，這場(chǎng)辯論的另一方，是包括優(yōu)步科技公司AI部門(mén)前負(fù)責(zé)人、現(xiàn)任紐約大學(xué)教授的加里·馬庫(kù)斯在內(nèi)的一些研究人員。他們認(rèn)為深度學(xué)習(xí)遠(yuǎn)遠(yuǎn)不足以實(shí)現(xiàn)人們被承諾的結(jié)果。例如，其永遠(yuǎn)不可能奪走所有白領(lǐng)的飯碗，或是引領(lǐng)我們走向一個(gè)實(shí)現(xiàn)完全自動(dòng)化的輝煌未來(lái)。

馬庫(kù)斯說(shuō)，獲得“一般智力”（要求具有思維、自主學(xué)習(xí)和構(gòu)建對(duì)世界心理模型的能力）超出了當(dāng)今AI的能力范疇。

馬庫(kù)斯說(shuō)，想要令A(yù)I更進(jìn)一步，“我們需要從自然中汲取靈感”。這意味著需要提出其他類(lèi)型的人工神經(jīng)網(wǎng)絡(luò)，以及在某些情況下，賦予它們內(nèi)在的、預(yù)定程序的知識(shí)——就像所有生物與生俱來(lái)的本能一樣。

多倫多大學(xué)機(jī)器學(xué)習(xí)專(zhuān)業(yè)助理教授戴維·杜弗諾說(shuō)，許多研究人員都贊同這一點(diǎn)，并且正在致力于補(bǔ)充深度學(xué)習(xí)系統(tǒng)，以克服其局限性。一個(gè)集中研究的領(lǐng)域正在確定如何從一個(gè)現(xiàn)象的一些事例中學(xué)習(xí)——而不是深度學(xué)習(xí)系統(tǒng)通常要求的數(shù)百萬(wàn)個(gè)事例。

報(bào)道稱(chēng)，研究人員也試圖賦予AI構(gòu)建對(duì)世界的心理模型的能力，嬰兒甚至在他們的第一年就能完成這樣的事。因此，盡管一個(gè)曾經(jīng)“看”到過(guò)100萬(wàn)輛校車(chē)的深度學(xué)習(xí)系統(tǒng)可能會(huì)在第一次看到一輛顛倒的校車(chē)時(shí)無(wú)法辨認(rèn)，但是，一個(gè)對(duì)于校車(chē)構(gòu)成（即車(chē)輪和黃色底盤(pán)等）有著心理模型的AI系統(tǒng)，將能夠更容易的辨認(rèn)出一輛顛倒的校車(chē)。