局面越來越清楚：

靠增加算力、更多數(shù)據(jù)，并不能解決AI面臨的挑戰(zhàn)。

NeurlPS 2019上，多位專家討論到AI的未來，認為深度學習算法的瓶頸已經出現(xiàn)。

有人覺得深度學習方法可以進化，有人則期待新的方法出現(xiàn)。

相通的是，專家都紛紛把目光轉向生物，希望能在自然智能身上獲得靈感。

深度學習的局限

來自谷歌的Aguera y Arcas說：

我們有點像趕上班車的狗

他表示，深度學習已搞定了AI方面的一些長期挑戰(zhàn)，但是，還有許多存在的挑戰(zhàn)，目前無法解決。

涉及推理或社會智能的問題，比如，想用AI來衡量潛在雇員，仍然遙不可及。

而且目前所有訓練的模型只是通過一個測試，或者贏得一個有評分的比賽。但是人類這樣的智能可以做的事情遠遠超出這種有規(guī)則的模式。

深度學習三巨頭之一、圖靈獎得主Yoshua Bengio在接受Spectrum采訪時表示：

現(xiàn)在的深度學習還無法達到一個兩歲孩子的智商，完成一項任務需要很多的數(shù)據(jù)，而且還會犯很多愚蠢的錯誤。

從公司落地的層面而言，對于技術實現(xiàn)的預測也表現(xiàn)得謹慎起來。

Google對自動駕駛出租車實現(xiàn)的預測，已經改變了原來的樂觀態(tài)度，變得充滿克制。

Facebook的AI副總裁Jerome Pesenti最近表示，他的公司和其他公司不應該期待僅通過開發(fā)具有更多計算能力和數(shù)據(jù)的更大的深度學習系統(tǒng)來繼續(xù)在AI方面取得進步。

對創(chuàng)新的呼吁

面對這一現(xiàn)狀，人們提出了自己的建議。

Arcas和Bengio都希望與會者多考慮自然智能的生物學根源。

Arcas展示了一項模擬細菌的試驗。這些細菌通過人工進化的方式進行覓食和交流。

而Yoshua Bengio認為深度學習這個方法行得通，他正在往工具箱里增加更多的東西。

他在會議上做了主題為從深度學習系統(tǒng)1到深度學習系統(tǒng)2的演講，提出軟注意力和深度強化學習方式能夠促進解決推理、計劃、捕獲因果關系等問題。

他的新方法受到了自然智能的啟發(fā)。根據(jù)意識的先驗性進行相關假設，許多高級依賴關系可以通過稀疏因子圖近似地捕獲。軟注意力機制構成了一個關鍵因素，它可以一次將計算集中于幾個概念（“意識思維”）。

蒙特利爾大學副教授Irina Rish則希望能夠出現(xiàn)新想法：

深度學習很棒，但是我們需要一個不同的工具箱。

他回憶起2006年的一次非正式深度學習研討會，比喻就像“宗教聚會”，組織者拒絕接受邊緣的技術想法。

雖然在今年的大會上，深度學習是主流，他希望自己的發(fā)言能夠支持新的想法出現(xiàn)。

元學習

新的出路也被談及。

Uber研究員Jeff Clune已經表示明年會加入Open AI 。他還是新興領域元學習metalearning的成員。這一領域希望實現(xiàn)AI自己設計學習算法。

在演講中，他介紹了POET成對結合開放式開拓者，讓AI掌握自我進化來變得更聰明。這一方法的靈感之一是自然進化。他給了一個例子，動畫中的一雙腿可以自動學習在更復雜的地形上走路。

場景的多樣性和復雜度會自動增加

最終可以自己學會下樓梯

不知道你有沒有想過，AI的發(fā)展將怎樣實現(xiàn)下一個突破呢？