8025 人工智能人工智能已到瓶颈！院士“联名”反深度学习，并指出AI未来发展方向.docxVIP

【人工智能】人工智能已到瓶颈！院士“联名”反深度学习，并指出AI将来进展方向 2018-10-25 原文 针对当下深度学习的技术瓶颈，包括清华高校张钹在内的多位院士、教授给出了本人的争辩思路。 前言 在刚刚结束的CCF-GAIR大会上，来自清华、加州高校伯克利、斯坦福、哈工大等多所国内外顶级理工科院校的院士齐聚深圳，共享了本人最新的争辩。虽然各自争辩的细分领域有所不同，但是透过贯穿一直的技术讲演，避不开的现实是，多位院士都在或直接或间接的去“批判”深度学习算法。 演讲中，他们再次明确指出深度学习的缺陷，进而点出，在可以预见的将来里，随着争辩的推动，当下的深度学习算法将会渐渐被拉下神坛。 不过，顺着学术界走入产业使用，会发觉产业界的关留意点是在技术的落地。所谓落地，本质上就是很多使用场景的聚合。所以对于AI企业而言，对业务的探究和用恰当的技术去处理实际问题才是首当其冲的。 因此，深度学习存在缺陷，这一问题短期内并不会妨碍AI当下不行阻遏的进展之势，技术的局限也不意味着AI公司们将会无事可做。 但阳春白雪的争辩一直引领着AI产业的技术走向，也是企业盈利和产业变革的关键驱动力。 所以，在深度学习被过度炒热的当下，我们理应试着站在院士们的“肩膀”上，看的更远。而企业家们在脚踏实地的同时，也该当不忘仰视星空。 虽然这已不是什么新颖的话题，但是行业内一直没有可以处理问题的方法。本文旨在传达学术界争辩者们供应的一些新思路。 机器学习的弊病 源于对“大”的误会 当下，最常被提起的名词就是机器学习、深度学习和神经网络，用数学上集合里的概念去理解这三者之间的联系，他们之间依次是包含的关系，即机器学习包含深度学习，深度学习包含神经网络。其中，四层以上的神经网络就可以称之为深度学习，而深度学习是一种典型的机器学习。 上世纪五十年月，神经网络这一算法结构毁灭，当时，它的正式名称应叫做感知机，但已经包含了输入层、隐含层和输出层这一经典的通用结构，并且随着隐含层层数的加深，对事情的描述就愈加精准。 但是，神经网络是一种以输入为导向的算法，所以优质的结果确定取决于接近“无穷”量级的数据。因此，在2000年互联网革命没有迸发之前，它一直都处在无人问津的阶段。 正如大家所晓得的，互联网时代积累的大量数据和云计算带来的算力的大幅提升，极大地释放了深度学习算法（深层的神经网络）的潜力，因此也让人工智能时代全面迸发，产业使用得以蓬勃进展。数据显示，2017年我国人工智能市场规模达到216.9亿元，同比增长52.8%，估量2018年市场规模将达到339亿元。 然而，随着产业使用的成熟，以及大家对真正“智能”的渴求，让算力和深度学习算法本身的局限性，显露无疑。 图 | 加州高校伯克利分校电子工程与计算机系教授 马毅 “老百姓概念里的‘大数据’和我们所认为的大数据是完全不一样的，就拿图像处理来说，数十亿的数据量看似量级很高，但对我们来说，它其实是‘小样本’。由于真正能够训练出好的模型的数据量，该当是趋于无穷的，所以即便是拥有了大量数据去训练模型，和抱负的智能模型之间，也有着本质的差别。”从算法性质动身，加州高校伯克利分校电子工程与计算机系教授马毅也点出了当下这项火热技术的局限性。 因此从学者、投资人到AI头部企业，查找新的技术和方向成为了现在的重点。 在会议的开场报告中，清华高校张钹院士呼吁大家思考的“如何走向真正的人工智能”成为了为期三天会议的基调，同时也反映了行业进展至当下阶段，众人的诉求。 新方向探究 数据处理方法、基本思想和技术思路 数据处理层面，语义向量空间或进一步拓宽入口 观看了技术的“天花板”，很多专家学者开头提出“小数据”的概念，然而清华高校人工智能学院院长张钹院士却不认为数据量的大小是当下的根本问题所在，他指出，传统的人工智能三要素将不能带来真正的智能。 图 | 清华高校人工智能学院院长、中国科学院院士 张钹 “评价人工智能获得的成果，我们可以从这五件事来看：深蓝打败人类国际象棋冠军；IBM 在电视学问竞赛中打败了美国的前两个冠军；2015 年微软在ImageNet 上做图象识别，误识率略低于人类；百度、讯飞也都宣布在单句的中文语音识别上识别精确?????度略低于人类和AlphaGo 打败了李世石。前两件事归为一类，后三件事可归为另一类。 大家全都认为，这五件事得以发生的三要素是：大数据、算力的提升和格外好的人工智能算法。但我认为大家忽视了一项要素，就是这全部的成果必需建立在一个合适的场景下。” 换言之，当下人工智能的进展避不开种种限制条件，因此智能的机器也只能够照章办事，没有任何机警性，也达不到人们想要的智能，而这也就是当下AI的进展外形。 “我们现在的人工智能基本方法有缺陷，而我们必需走向具有理解力气的AI，这才是真正的人工智能。”张钹院士在