阿爾法狗擊敗人類的背后：AI的發展仍存在哪些桎梏，我們又該如何應對？
那么，AI的發展前景是否有我們想象的那么樂觀呢?
節前大熱的AlphaGo與柯潔的大戰以人類失敗告終，柯潔事后評價說，AlphaGo只是一個冷冰冰的機器人，他不懂得圍棋背后的哲理。拋開柯潔為人類尊嚴的守護，這句話仔細分析其實不無道理。如果我們將19x19的圍棋棋盤換為21x21的棋盤，那么AlphaGo此前的訓練將全部付之東流。同時，AlphaGo在圍棋上的訓練也全然無法幫助它在象棋領域取得一絲成就。
從智能語音識別、圖片識別、無人駕駛的發展，到近年來機器在各個領域擊敗人類，毋庸置疑，AI在最近十年的發展已經為人類世界帶來了翻天覆地的變化。但，仍有不少人質疑機器發展的巨大局限。前百度***科學家吳恩達曾表示，我們當前這一輪的AI發展絕不會重蹈上世紀70年代和90年代“AI寒冬”的覆轍。Salesforce***科學家、機器學習和語言專家理查德·索赫爾也對未來AI的發展十分樂觀。他認為，“即使有，AI的冬天也不會那么冷了。”那么，AI的發展前景是否有我們想象的那么樂觀呢?
5月27日至28日，在機器之心主辦的***屆全球人工智能峰會(GMIS 2017)上，與會嘉賓對于AI整體產業未來前景的展望和反思，也深入探索了AI發展的桎梏和我們該如何應對。
AI領域發展的瓶頸之一：標記數據的缺乏
AI領域發展最凸顯的瓶頸之一是標記數據的缺乏。舉例說，AI雖然基于ImageNet這一巨大圖庫，在識別分類圖片方面取得了巨大成就。然而這一成就在向生物學農業領域的遷移卻面臨著問題。在農業上，我們想要根據植物葉片的圖片來判斷農作物所感染的疾病。由于缺乏大量的訓練數據，這一任務無法被處理ImageNet的分類算法所解決。
除了標記數據的缺乏之外，AI發展還存在一個更嚴重更本質的問題。
AI有強大“感知”能力，但仍缺乏人類“常識”
吳恩達曾發表過以下著名言論：“如果有一個任務，正常人能在通過一秒以內思考后完成，那我們就很可能在將來用AI實現此任務的自動化。” 而作為AI屆***的唱反調者之一，來自紐約大學的心理學教授及暢銷書作家Gary Marcus對這句話做出了修正：“如果有一個任務，正常人能在通過一秒以內思考后完成，并且我們可以收集到大量的與這個任務直接相關的數據，那我們就很可能在將來用AI實現此任務的自動化——只要我們的測試數據和訓練數據不是太過不同，并且這一領域在未來不會發生太大的變化。”
一個***的例子大概就是AI對于圖片的識別了。借住龐大的ImageNet圖庫的訓練，AI在圖片標識上已經能做到接近甚至超過人類的水平。然而面對上面這張簡單的圖片，AI卻將之標記為一個放滿了食物和飲料的冰箱。
AI在圖像和語音識別方面的成就充分驗證了AI強大的“感知(Perception)”能力。然而，學會“感知”確是遠遠不夠的。對于上面那個圖像錯誤識別的例子，我們能夠看到，當前的AI仍舊缺乏人類的“常識(Common Sense)”。除此之外，Gary Marcus認為AI還在規劃(Planning)，類比(Analogy)，語言(Language)以及推理(Reasoning)上存在明顯的不足。
比如在推理能力上，一個2歲的小女兒能夠輕易地在對話中對說話人的意圖作出推斷，并對外來可能發生的時間作出想象，而目前的AI卻遠遠達不到這樣的水平。
AI在以上幾種能力方面的缺陷對AI發展有著深遠的意義。現在讓我們來具體看看AI已有的一些驚人成就，以及這些成就各自又都存在哪些缺憾。
從排球到Alphago， AI的成就背后還有哪些缺憾
通過AI，我們已經能夠制造出很多在體育領域表現優異的機器人，例如日本排球隊已經引入排球機器人來訓練隊員。然而，這類機器人在對于“時間發生”的預測上是基于直接的物理運算。例如在計算排球運動位置時，排球機器人會通過對排球運動速度和運動時間計算出排球即將出現的位置——這一機制是完全不同于人類做出預判的機制的。
來自北師大認知神經科學的吳思教授指出，包括人類在內的高等動物在接受信息方面存在一種極短時間的延遲。以打排球為例，由于人類神經在信息傳遞上的延遲，人類必須在球到達之前就對其運動軌跡作出預判。而這種預判絕不是基于機器人所用到的物理運算。此外。吳思認為，人類以及動物在接受信息方面的“延遲”是進化論的產物，這種”慢“對生物是有正面意義的，比如它可以幫我們整合多模態的信息。吳思指出，機器人的未來方向在能做到快速處理信息能力的同事明也需要解決這種”慢處理“的問題。我們需要更深刻的理解這種”慢處理“背后的原理。
再比如，在自動發展領域，基于深度學習的算法仍是當前的主要研究方向。地平線的CEO余凱指出，由于目前我們仍將深度學習當成一個黑盒子使用，這意味著我們仍無法理解深度學習在自動駕駛中的機制。因此，自動駕駛汽車在模擬中未曾出現過的突發情況下很可能會出現”當機“的致命情景。
***，讓我們來看最近十分火爆的AlphaGo。如果我們將19x19的圍棋棋盤換為21x21的棋盤，那么AlphaGo此前的訓練將全部付之東流。同時，AlphaGo在圍棋上的訓練也全然無法幫助它在象棋領域取得一絲成就。
那么，面對以上AI發展的問題，我們又該如何應對?
首先，面對標記數據缺乏的問題，前Microsoft人工智能***科學家、現Citadel***人工智能官鄧力認為，無需標記數據的無監督學習將是解決這一問題的關鍵。
而對于AI在常識(Common Sense)，規劃(Planning)，類比(Analogy)，語言(Language)以及推理(Reasoning)上的不足，諸多學界業界人士認為，我們仍需要訴諸本源，思考人類的學習思考方式。
加拿大麥吉爾大學語言學副教授、科幻電影《降臨》科學顧問 Jessica Coon認為，我們未來需要講語言學的研究成果注入AI未來的發展，例如人類語言的共同性、嬰兒學習語言的方式等。
第四范式***科學家、香港科大計算機科學與工程系主任楊強認為，遷移學習是解決這一問題的關鍵。人類能把我們過去的經驗帶到不同的場景，從而輕易的適應新環境，完成新任務。如果機器學習能夠具有與人類一樣發現共性的能力，遷移學習就將變得非常容易。遷移學習能夠使小數據學習成為可能，同時增強機器學習的可靠性。
AI發展的第三次寒冬是否會到來，我們不得而知。或許，與人類無法區分的強人工智能永遠無法被實現，但至少，在當前機器智能的浪潮下，我們的生活已經發生了翻天覆地的變化。現在，就讓我們在享受AI為我們的生活帶來的巨大便利的同時，拭目以待人類對于AI的進一步探索吧。
【本文是51CTO專欄機構大數據文摘的原創文章，微信公眾號“大數據文摘（ id: BigDataDigest）”】
