Artificial Intelligence(人工智能，簡稱AI)，這個詞誕生于上個世紀50年代，1956年在達茅斯會議上被提出后，經(jīng)歷過幾起幾落，直到最近幾年，基于神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)的深度學習突然被發(fā)現(xiàn)在語音識別、圖像識別上有特別功效，谷歌、亞馬遜等互聯(lián)網(wǎng)公司紛紛推出自己的人工智能戰(zhàn)略，Alpha Go打敗了李世石， AI才正式進入快車道，而且似乎這一次，再也不會停下往前奔跑的腳步。
如今，人類將自己的未來放到了技術(shù)手里，無論是讓人工智能更像人類思考的算法，還是讓機器人大腦運轉(zhuǎn)更快的芯片，都在向奇點靠近。谷歌工程總監(jiān)、《奇點臨近》的作者庫茲韋爾認為，一旦智能機器跨過奇點，人工智能的發(fā)展將進入加速噴發(fā)狀態(tài)，可以與人腦相媲美，甚至比人腦更具可塑性的“仿生大腦”終將出現(xiàn)。
究竟有哪些技術(shù)能夠推動AI邁過這個奇點呢？在本期?？?，《IT時報》記者采訪了全球AI界的頂尖技術(shù)“大咖”：“德?lián)銩I之父”卡內(nèi)基梅隆大學教授托馬斯·桑德霍普，遷移學習“掌門人”香港科技大學教授、國際人工智能聯(lián)合會理事會主席楊強以及“膠囊網(wǎng)絡(luò)”最好的解讀者Aurélien Géron，試圖尋找能推動AI邁過這個奇點的技術(shù)引擎。
源起
“玄學”深度學習之惑：
打不破的“煉丹爐”黑盒子?
2018年初，一個來自伯克利大學、阿姆斯特丹大學、MPI for Informatics以及Facebook的人工智能研究部門開始向人工智能傳授自我判斷和解釋的能力，試圖讓“黑盒”變得透明。這已經(jīng)不是人類對深度學習黑盒子探索的首次嘗試，但至少說明人類對黑盒子的解釋正在不斷努力。
深度學習的可解釋性，是一個至今無人能解的問題。中國科學院計算技術(shù)研究所的在讀博士王晉東告訴記者，即使一些機構(gòu)試圖對黑盒子內(nèi)部進行可視化操作，把神經(jīng)網(wǎng)絡(luò)的每一層都輸出，但普通人也很難理解這些復雜的結(jié)果，“深度學習如同一門玄學，是‘煉丹’的技藝，而黑盒子就像一個‘煉丹爐’。對于這個‘煉丹爐’來說，畫出內(nèi)部圖像沒有任何指導意義，因為無法解釋神經(jīng)網(wǎng)絡(luò)為何這樣設(shè)計?！?/span>
黑盒子，顧名思義，就是內(nèi)部結(jié)構(gòu)不可探視的密閉空間。對于深度學習研究者來說，層層疊加的神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)使程序在經(jīng)過幾千萬個樣本訓練以后，對輸出的結(jié)果無法解釋。也就是說，一旦程序輸出結(jié)果有錯，人們無法知曉是哪里出了錯，應該調(diào)整什么地方。
人工智能正處于初始階段，香港科技大學教授楊強告訴《IT時報》記者，因果關(guān)系非常重要。在很多實際領(lǐng)域中，如果一個計算機模型只給出結(jié)論，但人類并不知道這個結(jié)論如何得出，往往這個模型不會被實際使用。
事實上，Alpha Go成功背后存在非常多不可解釋的“隱患”，在不少科學家眼中，這種成功只能證明，人工智能在解決包含以下四種特點的問題時，能夠做到甚至超過人類的水平：1，有充足的數(shù)據(jù)（或知識）；2，完全信息；3，具有確定性；4，單領(lǐng)域。當一個問題不滿足上述4個條件中的任何一個時，都將給計算機帶來顯著的困難。所以當Alpha Go以4：1輸給李世石時，人們想知道深度學習在估算棋盤時哪一個地方出了問題，卻沒有辦法回溯。
楊強認為，讓黑箱模型具有可解釋只是人工智能未來的一個方向。在未來，人工智能還身兼太多重任——讓機器學習更快速更可靠、使機器實現(xiàn)自動推理、使預測更遠更精準，使機器能夠理解人，能夠觀看和收聽影像……也就是說，讓機器具有人的能力，在人不想做的領(lǐng)域都能超過人，但這個階段還有相當長的時間。
因此，在主流的深度學習和卷積神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)之外，人工智能領(lǐng)域還在嘗試許多其他方向，科學家們希望通過不同的技術(shù)路徑，可以用更小的成本、更快的速度實現(xiàn)人工通用智能。當這些源自不同“山頭”的技術(shù)匯聚成海時，或許技術(shù)爆炸的奇點就到來了。
遷移學習：
批量生產(chǎn)“小而美”的AI公司?
數(shù)據(jù)缺失、算力有限，很多公司在解決AI可移植問題和普適性問題。試想當你學會中英文互譯，就可以將翻譯的法則同時運用在中法互譯當中；當你學會騎自行車，也就同時具備了駕駛摩托車的技能……這就是遷移學習的初衷，利用更低成本實現(xiàn)更多功能。在大數(shù)據(jù)成本居高不下、小企業(yè)無力彎道超車的人工智能領(lǐng)域，遷移學習或?qū)⒊蔀轭嵏铂F(xiàn)有格局的下一個技術(shù)風口。
讓機器學會舉一反三
《論語·述而》曾有云：舉一隅不以三隅反，則不復也。正如物理學家開爾文通過巴斯德高溫殺菌的發(fā)現(xiàn)，延伸出低溫存儲的“冷藏工藝”，舉一反三能夠幫助人類解決生活中各種各樣的問題。而這種舉一反三的能力在機器學習領(lǐng)域同樣適用，科學家將其稱之為“遷移學習”。
2009年，新加坡南洋理工Sinno Jialin Pan 和香港科技大學教授楊強在一篇調(diào)查中首次提出人工智能領(lǐng)域“遷移學習”的概念。楊強是首位也是至今為止唯一的AAAI（美國人工智能協(xié)會）華人執(zhí)委，同時也是第一位擔任IJCAI（國際人工智能聯(lián)合會議）理事會主席的華人科學家。這位AI牛人對“遷移學習”技術(shù)的研究直指人工智能發(fā)展的痛點——用于支持機器深度學習的基礎(chǔ)大數(shù)據(jù)往往未經(jīng)標注，收集標注數(shù)據(jù)或者從頭開始構(gòu)建模型代價高昂且費時。
機器學習是人工智能的核心，卡內(nèi)基梅隆大學人工智能教授Tom Mitchell曾定義機器學習為“對能通過經(jīng)驗自動改進的計算機算法的研究”，即機器通過對大量數(shù)據(jù)和過往經(jīng)驗的學習，提升計算機程序的性能。楊強告訴記者，在這個過程中，機器內(nèi)置的模型往往已經(jīng)人為預測好，但是如果未來有所變化，這個模型就會無法擴展，遷移學習意在使模型具備可擴展性，增強其范化能力。也就是說，遷移學習可以使機器學習通過更低廉的數(shù)據(jù)成本，解決更廣泛的問題。
商業(yè)倒逼技術(shù)，致力于通過AI實現(xiàn)廣告投放的品友互動是一家“大數(shù)據(jù)+人工智能”公司，其CTO歐陽辰告訴記者，對于人工智能企業(yè)來說，一定是先有商業(yè)場景再有技術(shù)，AI只有在合適的商業(yè)場景中才能立足。歐陽辰認為，在一些獨特的場景里，AI正盡可能小型化，而對于數(shù)據(jù)缺失、算力有限的中小型企業(yè)，解決AI可移植問題和普適性問題是當務之急，遷移學習恰好是一劑良藥。利用遷移學習通過已有的數(shù)據(jù)和模型對新數(shù)據(jù)快速建模，成為小公司彎道超車的下一條可能的路徑。而遷移學習應用可預見的廣泛性，也使這門技術(shù)成為當前學界炙手可熱的課題。
實現(xiàn)不同場景AI模型再利用?
遷移學習之于深度學習，就好比通過節(jié)約用紙保護森林。在人工智能領(lǐng)域，當模型具備一定可擴展性，就能反復被“回收利用”，減少不必要的數(shù)據(jù)成本。“回收利用”的想法十分誘人，而在現(xiàn)實應用當中，表現(xiàn)也并不遜色。
楊強告訴記者，遷移學習已經(jīng)在現(xiàn)實中很多領(lǐng)域應用廣泛：人類可以通過建立語音識別模型，將對普通話的深度學習模型遷移到方言；也可以建立起人臉識別模型，將光照很好狀態(tài)下的模型遷移到不同光照場景；甚至可以實現(xiàn)不同領(lǐng)域、不同背景下的文本和輿情分析。
在應用最為廣泛的金融場景下，銷售經(jīng)理在推銷信用卡前需要對產(chǎn)品和客戶做出刻畫。銀行可以運用傳統(tǒng)的深度學習解決目標用戶的篩選問題，即通過用戶在銀行的歷史數(shù)據(jù)，通過模型篩選得出目標名單。但是如果轉(zhuǎn)換到房產(chǎn)推銷領(lǐng)域，恐怕原有的模型將不再有效。
買房是大額消費，基礎(chǔ)的用戶數(shù)據(jù)不夠多，而且稀缺數(shù)據(jù)的收集成本更加高昂，這樣房地產(chǎn)推銷的精準用戶很難得出。好在遷移學習為這類問題提供了解決路徑——找到信用卡推銷與房產(chǎn)推銷之間的相似性，利用模型遷移在采納商家信用卡建議的用戶中，尋找新的買房趨勢，實現(xiàn)商業(yè)目的。
在大數(shù)據(jù)甚囂塵上的數(shù)字化時代，基于大數(shù)據(jù)深度學習下的人工智能并不能滿足所有細分場景，更何況“大數(shù)據(jù)”并非輕易得來。楊強認為，如何用少量數(shù)據(jù)實現(xiàn)同樣預測效果，即“遷移學習”，將會是人工智能中一個未來的發(fā)展方向。而在遷移學習技術(shù)面前，中國平行于世界先進水平，甚至走在世界的前端。
楊強在2017年7月CCF-GAIR（全球人工智能與機器人峰會）的演講中曾提到一個愿景——利用遷移學習，即使是自身沒有條件獲得大量訓練數(shù)據(jù)的小公司，也可以按照自己的需要應用大公司訓練出來的模型，從而普及AI的應用?；蛟S公司小而美，技術(shù)精而尖，將是人工智能公司的下一個發(fā)展方向。
冷撲大師：
玩一場不完美信息的游戲?
這是一場“不完美信息”的游戲。
2017年1月30日，AI機器人Libratus和四個全球頂級德州撲克玩家，用20天完成了一場人機大戰(zhàn)，Libratus（中文名：冷撲）大獲全勝，贏得了176萬美元獎金。
或許因為德州撲克是舶來品，與Alpha Go大戰(zhàn)李世石相比，這場比賽并不太為中國大眾所知，但在人工智能圈里，冷撲和他的創(chuàng)建者美國卡內(nèi)基梅隆大學（CMU）的計算機系教授托馬斯·桑德霍姆（Tuomas Sandholm）和其研究生諾姆·布朗（Noam Brown）卻是2017年最閃亮的明星。在全球AI頂級峰會2017 NIPS上，他倆合寫的論文《不完美信息游戲中安全內(nèi)嵌的殘局計算法》在3240篇投稿論文中脫穎而出，被評為最優(yōu)秀論文，桑德霍姆也被稱為德州撲克AI之父。
它學會了“詐?！睂κ?/p>
“與深度學習相比，我們技術(shù)最大優(yōu)點是具有可證明的性能保證?！?月13日，桑德霍姆對《IT時報》記者表示。
近幾年的人工智能熱潮中，深度學習是最主流的技術(shù)，Alpha Go以及之后Alpha Zero的成功，更是使其幾乎成為AI的代名詞。然而，盡管Alpha Zero成為全棋類冠軍，但這些游戲都屬于所謂“完美信息游戲”，也就是說，交戰(zhàn)雙方清楚每一時刻棋面上的全部情況。
德州撲克是典型的不完美信息博弈，除了牌面信息，對手有什么牌？對手會怎么出牌？下一張翻出的公共牌會是什么？通常這種博弈會出現(xiàn)納什均衡的局面。所謂納什均衡，是指在博弈中，每個人都在猜測對手會出什么牌，每個人的策略都是對其他人策略的最優(yōu)反應。
和完美博弈不同，不完美信息博弈不能通過將博弈分解為可獨立求解的子博弈而求得占優(yōu)策略，所以冷撲必須通過納什均衡來計算該如何應對對手那些沒出現(xiàn)在決策樹上的招數(shù)，并以收益反饋對自身的出招進行動態(tài)修正，以期達到最大可能的收益，而非簡單地將對手的行為進行近似處理。
簡而言之，冷撲不僅要猜下一張牌可能是什么，還要猜對手可能會如何押注，更要最后做出決策，自己該怎么押注，它學會了分析對手是否“詐?！?，甚至自己也會“詐?！睂κ郑傊?，它變成了一個“心理學高手”。
與Alpha Go另一個不同在于，冷撲在某種程度上解決了深度學習中的黑盒子難題。它不需要深度學習，更像一種強化學習，在訓練階段，只需知道規(guī)則，便能“左右互搏”，通過一次又一次的試錯，找尋最佳策略。正式對弈的時候，根據(jù)對手的不完整信息，冷撲根據(jù)傳統(tǒng)的線性規(guī)劃在每一個決策點提前計算出了納什均衡。正如桑德霍姆所言，這種新的殘局計算法，可以讓開發(fā)者獲得一定程度的“確定性”，而“確定性”正是深度學習最缺乏的。
讓冷撲幫你炒股
“現(xiàn)實世界中的大多數(shù)應用都是不完美的信息游戲，休閑游戲、商業(yè)戰(zhàn)略談判、戰(zhàn)略定價、產(chǎn)品組合規(guī)劃、金融、投資銀行、投標策略、拍賣設(shè)計、政治活動、自動駕駛和車輛車隊、醫(yī)療規(guī)劃、網(wǎng)絡(luò)安全、物理安全、軍事應用等等，在面對這些不確定性問題時，我們可以幫助人們找到最優(yōu)策略?！鄙５禄裟氛J為，冷撲在現(xiàn)實生活中應該比Alpha Go更實用。
舉個例子，一家企業(yè)要為自己的產(chǎn)品定價，但它的決策一定基于市場中同類競品的定價、市場需求等多種因素，如果競爭對手突然改變了自己的定價，你為了實現(xiàn)價值最優(yōu)，必須也要改變自己的定價。AI技術(shù)的作用在于可以進行事先戰(zhàn)略性定價，也就是說，預判對手可能的策略，提前進行戰(zhàn)略部署，這樣市場的主動權(quán)便掌握在自己手里。
此外，談判桌也是冷撲大師可以發(fā)揮作用的地方。比如你需要購買一些影片版權(quán)，但要和不同的公司談判，選擇不同的視頻流，那么如何構(gòu)建一個更好的影片組合，談判對手會用怎樣的市場策略，冷撲都可以給出更好的戰(zhàn)略邏輯。
桑德霍姆告訴記者，為了把戰(zhàn)略機器（Strategic Machine)這項技術(shù)用于實踐，他成立了兩家公司，一家用于開發(fā)商業(yè)應用和戰(zhàn)略機器人，一個為政府應用服務，他希望利用人工智能解決金融上的一些戰(zhàn)略計算問題， 比如股票交易中經(jīng)常會存在一些隱藏的信息，AI能在交易者較少的情況下，幫助人類在隱藏的信息面前做出決策。
膠囊網(wǎng)絡(luò)：
讓人工神經(jīng)元像人腦那樣思考?
當Alpha Go帶起的深度學習浪潮席卷AI界時，一位年近70的老人，卻開始對它說“不”，盡管他是它的“創(chuàng)造者”。2011年開始，被譽為深度學習之父的Geoffrey Hinton（杰弗里·辛頓）開始反思CNNs（卷積神經(jīng)網(wǎng)絡(luò),深度學習的一種結(jié)構(gòu)）的弱點，并提出了一種新的神經(jīng)元網(wǎng)絡(luò)計算結(jié)構(gòu)——膠囊網(wǎng)絡(luò)（the capsule network）。
這種自我顛覆在AI圈掀起一陣巨浪，有的人堅定地站在Hinton一邊，認為膠囊有可能對深度學習帶來深遠影響，特別是在計算機視覺領(lǐng)域，會大大減少訓練計算機所需要的數(shù)據(jù)量，但也有人認為，膠囊網(wǎng)絡(luò)并沒有新鮮的理論，算不上什么特別大的革新。
那么，膠囊網(wǎng)絡(luò)究竟是什么？它會對人工智能領(lǐng)域帶來什么？Hinton最近因為家庭原因，閉門謝客，于是我們找到了Aurélien Géron。
Aurélien Géron是一名機器學習咨詢師，也是《Hands-on Machine Learning with Scikit-Learn and TensorFlow》（《用Scikit-Learn and TensorFlow實際操作機器學習》）一書的作者（這本書很快將在中國出版），他在谷歌時曾領(lǐng)導了YouTube的視頻分類團隊。Aurélien制作發(fā)布的兩個視頻，被稱為“史上最通俗易懂的膠囊網(wǎng)絡(luò)科普視頻”。5月9日，《IT時報》記者專訪Aurélien，請他深度解析膠囊網(wǎng)絡(luò)。
1、《IT時報》：請問膠囊網(wǎng)絡(luò)是什么？目前有最新技術(shù)進展嗎？
Aurélien Géron：先舉一個簡單的例子理解深度學習中的CNNs，如何確認一張臉？對于CNNs來說，一個橢圓形的臉，有兩只眼睛、一個鼻子和一個嘴巴，這些對于它判斷這是否一張臉是很重要的指標，但這些器官是不是在正確的位置，并不是它做判斷的依據(jù)。
膠囊網(wǎng)絡(luò)則認為，辨識對象各部分彼此的相對位置，可能更為重要。它的好處在于，可以僅知道一部分特征就可以辨別圖片究竟是什么，這樣使它使用的數(shù)據(jù)量要遠遠小于CNN，從這個意義上說，膠囊網(wǎng)絡(luò)更像人腦在做的事情，比如為了學會把數(shù)字分開，人類只需要看幾十個例子，而CNN則可能需要成千上萬個例子。
膠囊網(wǎng)絡(luò)核心思想是，將神經(jīng)元分組成一個一個小膠囊，每一個決策點，并不需要每個人工神經(jīng)元都做出判斷，而是只要檢查這個膠囊是否同意，然后將結(jié)果輸入下一層合適的膠囊中。
我覺得這個理論很有前途，但局限性也很明顯，特別是在識別大圖片的時候，效果并不是很理想，而且訓練的速度非常慢?？偟脕碚f，膠囊網(wǎng)絡(luò)相當程度上依然是實驗性的。
2、《IT時報》：世界范圍內(nèi)的膠囊網(wǎng)絡(luò)研究者有多少？與其他深度學習相比，這項技術(shù)處于什么階段？
Aurélien Géron：目前還很難判斷，在谷歌論文上，我看到了“膠囊間動態(tài)路由”論文的73篇引文，其中46篇引用了標題中的“膠囊”一詞。平均一篇論文大約有3到5個作者，這意味著大約有200名研究人員出版了論文。所以我猜想，全球大概有500名研究人員正在研究膠囊網(wǎng)絡(luò)，但這也只是一個猜想：研究是分散的，所以很難具體知道研究者的數(shù)量。
我認為，將CapsNetes（膠囊網(wǎng)絡(luò)）與卷積神經(jīng)網(wǎng)絡(luò)（CNNs）放在一起比較是不公平的。事實上，CNNs自20世紀90年代以來一直存在，而且一直有人在對其不斷完善。從目前來看，大多數(shù)視覺任務中，CNNs依然比膠囊網(wǎng)絡(luò)表現(xiàn)得更好，但這并不能判定膠囊網(wǎng)絡(luò)的死亡，相反，它已經(jīng)在不停改善，也許膠囊最終會勝過CNNs。
3、《IT時報》：膠囊網(wǎng)絡(luò)最大的優(yōu)勢是什么，特別是與其他深度學習方法相比？研究者可以減少數(shù)據(jù)和輸入嗎？
Aurélien Géron：膠囊網(wǎng)絡(luò)的好處還是很明顯的，比如它比CNNs需要更少的訓練實例，當信號通過膠囊時，可以更好地保存關(guān)于對象的位置、方向等方面的詳細信息，這對于需要這些詳細信息的應用來說非常有前途，類似像對象檢測、圖像分割（即發(fā)現(xiàn)哪些像素屬于哪個對象）等應用。其次，膠囊比CNNs更善于總結(jié)歸納，如果你訓練它們識別一些物體，然后向它們顯示方向不同的同一個物體，它們可能比CNNs更不容易被迷惑。
4、《IT時報》：膠囊網(wǎng)絡(luò)未來可以有哪些應用場景？
Aurélien Géron：膠囊網(wǎng)絡(luò)已經(jīng)成功地被用于檢測癌癥，因為幾乎不需要太多的訓練數(shù)據(jù)和精確的位置信息。我相信還會有很多其他的場景，例如，分析衛(wèi)星圖像或者檢測制造業(yè)的缺陷。
5、《IT時報》：吳恩達曾說：“今天的人工智能的成就更多地是由計算機科學的原理推動的，而不是神經(jīng)科學的原理?！蹦鷮@句話如何理解？
Aurélien Géron：最初人工智能的整個領(lǐng)域都受到生物學的啟發(fā)：人工神經(jīng)元便是由生物神經(jīng)元激發(fā)的，因為新（大腦）皮質(zhì)層似乎就是這樣組織的，卷積神經(jīng)網(wǎng)絡(luò)也是受到視覺皮層的啟發(fā)。
但在過去20年中，深度學習的最大改進主要是由計算機科學驅(qū)動，而不是神經(jīng)科學驅(qū)動：我們擁有了更快的處理器（包括超高速GPU）和更多的數(shù)據(jù)、更快的存儲器、更快的網(wǎng)絡(luò)、更好的數(shù)據(jù)庫?？晌覀儗Υ竽X了解越多，我們越發(fā)現(xiàn)，它與人工神經(jīng)網(wǎng)絡(luò)有很大的不同。有些人認為造成不同的原因可能是最終實現(xiàn)的細節(jié)不同；也有人認為我們?nèi)鄙佼a(chǎn)生智力的關(guān)鍵成分；或者是時間？或者是可塑性？或者人腦神經(jīng)元需要連接數(shù)量要大得多？總之，如果這兩門學科能更好地結(jié)合，我相信效果會好很多。
6、《IT時報》：人工智能的最終形式是什么？你認為AI離這個理想狀態(tài)有多遠？
Aurélien Géron：人工智能的最終形式將是人工通用智能（AGI），一種能夠快速學習并掌握任何新智力任務的計算機系統(tǒng)，它能不斷地學習和改進，希望能造福于全人類，而不是少數(shù)人（或僅僅為自己）。它不一定像人類一樣思考，我們大部分行為來自于對吃飯、繁殖、社會交往等的需求，機器不會有同樣的需求，因此它可能不會像我們一樣思考。但是，由于我們大部分智力來自于我們的文化（語言、書籍、科學……），它可能很早就需要學習我們的方法，所以我認為它會很好地與我們進行交流和互動，甚至可能會將我們的局限性和偏見也考慮進去。
我想我們離這個理想狀態(tài)最多也就30年的距離。但現(xiàn)在，我認為有些棘手的問題急需解決：比如AI已經(jīng)被用于大規(guī)模操縱信息，并可能影響選舉；當自動駕駛汽車成為主流時，數(shù)百萬司機將很快失去工作。
人類面前有很多風險、變化和機會，我們需要做好準備。
