【AI仍存在局限性，復制人腦成未知數(shù)】8月6日報道稱，人們應用人工智能技術（AI）的所有領域，包括無人駕駛汽車、機器人醫(yī)生、超過10億中國公民的社會信用評分系統(tǒng)等，當前都取決于一場關于如何讓AI做其不能做的事的辯論。這個曾經(jīng)僅僅是學術界關切的問題，現(xiàn)在卻關乎價值數(shù)十億美元的人才和基礎設施，以及人類的未來。

據(jù)8月4日報道，這場辯論歸根結底在于目前創(chuàng)建AI的方法是否足夠。經(jīng)過一些微調(diào)和擁有足夠的非理性運算能力，人們現(xiàn)在擁有的技術能否能夠做到真正“智能”，即存在于動物或人類身上的那種智能？

報道稱，這場辯論的一方，是“深度學習”的擁護者——這種方法自2012年多倫多大學三位研究人員發(fā)表了一篇具有里程碑意義的論文之后便迅速流行開來。盡管這絕非是AI的唯一方法，但是其展示出了超越以前AI技術實現(xiàn)程度的能力。

“深度學習”中的“深度”指的是人工神經(jīng)網(wǎng)絡中人工神經(jīng)元的層數(shù)。與其生物等效物一樣，帶有更多層神經(jīng)元的人工神經(jīng)系統(tǒng)也能夠進行更復雜的學習。

為了理解人工神經(jīng)網(wǎng)絡，想象一下空間中的一串相互連接的點，就像大腦中的神經(jīng)元一樣。調(diào)整這些點之間的連接強度，就粗略模擬了大腦學習時發(fā)生了什么。其結果是一個帶有實現(xiàn)期望結果最佳路徑的神經(jīng)接線圖，例如正確識別一個圖像。

報道稱，今天的深度學習系統(tǒng)與人們的大腦不同。充其量，它們看起來就像是視網(wǎng)膜的外層，在這里只有很少幾層神經(jīng)元對圖像進行初步處理。

這樣一個網(wǎng)絡不太可能完成人類大腦有能力完成的所有任務。因為這些網(wǎng)絡并不像一個真正智能的生物那樣了解這個世界，它們很脆弱，并且容易混淆。在某種情況下，研究人員可以通過僅僅改變一個像素來“欺騙”一個流行的圖像識別算法。

報道稱，盡管存在局限性，深度學習推動了圖像和語音識別以及機器翻譯領域“金標”軟件的發(fā)展，并且?guī)椭湓谄孱愑螒蛑袚魯×巳祟?。這也是谷歌的定制AI芯片和AI云服務以及英偉達公司的無人駕駛汽車技術背后的重要推動力。

AI領域最具影響力的人物之一、谷歌大腦和百度公司AI部門前負責人吳恩達說，有了深度學習，計算機應當能夠完成普通人在1秒鐘或是更短時間內(nèi)能夠完成的任何腦力工作。自然，計算機應當能夠甚至比人類完成得更快。

報道稱，這場辯論的另一方，是包括優(yōu)步科技公司AI部門前負責人、現(xiàn)任紐約大學教授的加里·馬庫斯在內(nèi)的一些研究人員。他們認為深度學習遠遠不足以實現(xiàn)人們被承諾的結果。例如，其永遠不可能奪走所有白領的飯碗，或是引領我們走向一個實現(xiàn)完全自動化的輝煌未來。

馬庫斯說，獲得“一般智力”（要求具有思維、自主學習和構建對世界心理模型的能力）超出了當今AI的能力范疇。

馬庫斯說，想要令AI更進一步，“我們需要從自然中汲取靈感”。這意味著需要提出其他類型的人工神經(jīng)網(wǎng)絡，以及在某些情況下，賦予它們內(nèi)在的、預定程序的知識——就像所有生物與生俱來的本能一樣。

多倫多大學機器學習專業(yè)助理教授戴維·杜弗諾說，許多研究人員都贊同這一點，并且正在致力于補充深度學習系統(tǒng)，以克服其局限性。一個集中研究的領域正在確定如何從一個現(xiàn)象的一些事例中學習——而不是深度學習系統(tǒng)通常要求的數(shù)百萬個事例。

報道稱，研究人員也試圖賦予AI構建對世界的心理模型的能力，嬰兒甚至在他們的第一年就能完成這樣的事。因此，盡管一個曾經(jīng)“看”到過100萬輛校車的深度學習系統(tǒng)可能會在第一次看到一輛顛倒的校車時無法辨認，但是，一個對于校車構成（即車輪和黃色底盤等）有著心理模型的AI系統(tǒng)，將能夠更容易的辨認出一輛顛倒的校車。