微软中国 CTO：请把 AI 拉下神坛
|
无论是早期的图灵时代、冯·诺依曼时代、香农时代，他们都对计算机和人工智能有着独到理解。在机器学习成为主流之前，「逻辑关系」试图站稳脚跟。遗憾的是，这种以逻辑思维为主导的方式，试图解读人类的决策机制困难重重，业内专家纷纷认为此路不通，转而把精力投入到「模仿脑神经的机制」来做决策。 在韦青看来，深度学习的核心，实际是数学算法对世界描述方式上的转变。大众也需重新解构人类传统的思维方式，认知到我们的世界是由无数个模型构成的。 他阅读了特伦斯·谢诺夫斯基的著作《深度学习》后，有了全新的启发和感悟。「人类的思维方式和思考能力等同于某种模式的识别，它和数学算法存在着天然关联」，他说，「业界知名的人工智能专家和学者通常覆盖多个研究领域。一是以数理化为主的科学领域，另外是以医学、生物学、神经学为主的领域，两者的结合恰恰顺应了智能时代的潮流」。 深度学习之于人工智能，为何在智能时代如此重要？ 他强调，深度学习不仅是人工智能从业者的研究方向，也是政府决策者、普通民众需要了解清楚的科普内容。随着数学和人类思维方式的进步，势必影响着人们对学习方式的重新理解。 倘若不能摒弃固有思维，我们就无法理解智能时代人脑和计算机在思维方式和计算方式的异同点。这回直接招致两种后果：一是容易把人工智能所带来的成就神化和夸大；二是技术上的进步，对人工智能取得的成果造成负面影响。后者最典型的例子就是不明真相的民众对「机器会否代替人，或机器人会否让人类灭亡」产生过分担忧。 填补机器学习之外的空白 虽然我们称之为是人工智能，它是机器学习的方法，而现在又是一种深度学习的方法。深度学习只是一种数学和算法对人的一种思维方式的模拟，对自然界模型的模拟和认知。只要能够通过数学方法，把自然界能够产生某种模型的模式识别出来的领域，都是现阶段以深度学习为代表的机器智能最大发挥手段和场景。 可以看到，机器学习或深度学习已经在金融、安防、教育等场景下广为落地。这是因为视觉和听觉信号的传播和识别的方式，恰恰能够被数学的矩阵方式来描述。我们有理由相信，不管是未来的五年还是十年，假使有人发现了某种数学表达方式能够形容味觉、嗅觉、触觉的话，人类的更多身体机能还会被机器所代替。事实证明，数学能够更精确地表达人类产生的某种信号，而且可以做得更好。 取得这些成就时，我们更多地把 AI 长挂嘴边，韦青认为：「当我们只提 AI，不说 ML，不说冯·诺依曼，不说图灵，不说 GDPR 的话，往往会造成误导，让大家误以为我们已经进入了 AI 时代，实际上我们还有很多最基本的概念没有解决」。 「高校现在忽然出了很多 AI 院系、AI 教材，实际上课程还是围绕机器学习。这种情况下我们要问试问，所谓『AI』到底是『真智能』，还是仅仅局限于模型识别」，如果一下把目标机器学习上升到 AI 层面，反而可能错失很多入门的途径。 中国特点是我们有海量的数据，有海量人口，还有数量众多的公司。所以我们很有这种优势在这轮技术进步中形成突破。但是如果抓错了点，没有去深刻理解，为什么这本书叫《深度学习》，不叫机器学习，也不叫人工智能，这本身就说明很大问题。 关于 AI 的含义，韦青更认同微软亚洲研究院院长洪小文的诠释。他提出「AI=MI+HI」，即「Machine Intelligence+Human Intelligence」。 一些业内人士心明如镜，国内对于人工智能的炒作已经脱离了它的本意。 举例来说，国内外学者更愿意用「Machine Learning（ML）」来撰写论文，而不是 AI。「包括 NIPS 在内的会议名称都不以『AI』来命名，这是国内需要深思的议题」，韦青强调，业内没有专家学者反对 AI，只不过他大家普遍认为 AI 时代远未到来，更何况现代科学尚未破解早先「专家系统」的迷题，暂时选择用概率论和数据，模仿神经学习的方式向人工智能靠拢，「而且只是模仿人类的神经网络运行的很小一部分，没有完全理解神经网络的运行方式」。 「我们也不能忽视另一种思潮，已经有一些专家致力于研究后冯·诺依曼时代的计算架构」，韦青表示，冯·诺依曼的架构很难做太多的并行计算。如果不破解这一架构，就无法模仿人类神经行为的并行计算。此外，还有人提出能否再突破图灵机的限制，寻求一种「超图灵」的能力。他呼吁业内更多地专家和学子，不妨先去研究图灵和冯·诺依曼的理论，破除一些局限之后，或将成为 AI 真正的突破窗口。 【编辑推荐】
点赞 0 （编辑：核心网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
