2012年,多伦多大学的一组科学家在图像分类方面取得了突破。
在一年一度的人工智能(AI)比赛ImageNet上,参赛者们竞相创建最准确的图像分类算法,多伦多团队首次推出了AlexNet,“以10.8个百分点的惊人优势击败了该领域……比第二名好41%。”根据Quartz(在新窗口打开).
该团队使用的深度学习方法是对以往人工智能方法的根本改进,并开创了一个创新的新时代。它已经找到了进入教育,医疗保健网络安全,棋盘游戏该公司还在硅谷获得了数十亿美元的投资。
许多人称赞深度学习和它的超集——机器学习我们这个时代的通用技术(在新窗口打开)更深刻的是电与火(在新窗口打开).然而,也有人警告说,深度学习最终将在每项任务上胜过人类,并成为世界上最优秀的终极工作杀手(在新窗口打开).而由深度学习驱动的应用程序和服务的爆炸式增长,重新点燃了人们对人工智能的担忧AI启示(在新窗口打开)在这部电影中,超级智能计算机征服了地球,将人类推向奴役或灭绝的境地。
但是,尽管大肆宣传,深度学习仍有一些缺陷,可能会阻止它实现一些承诺——无论是积极的还是消极的。
深度学习过度依赖数据
深度学习和构成其底层结构的深度神经网络经常被比作人脑。但我们的大脑可以用很少的数据学习概念并做出决定;深度学习需要大量的样本来执行最简单的任务。
深度学习的核心是一种复杂的技术,它通过在标记数据中找到常见模式,并使用这些知识对其他数据样本进行分类,从而将输入映射到输出。例如,给一个深度学习应用程序足够多的猫的照片,它就能检测出照片中是否有猫。同样,当深度学习算法摄取足够多的不同单词和短语的声音样本时,它可以识别和转录语音。
但这种方法只有在你有大量高质量的数据来满足你的算法时才有效。否则,深度学习算法可能会犯严重的错误(比如误把步枪当成直升机(在新窗口打开)).当他们的数据不具有包容性和多样性时,深度学习算法甚至已经显示出来种族主义和性别歧视行为.
对数据的依赖也会导致中心化问题。由于谷歌和亚马逊等公司可以访问大量的数据,因此在开发高效的深度学习应用程序方面,比资源较少的初创公司处于更有利的地位。人工智能在少数几家公司的集中化可能会阻碍创新,并让这些公司对用户有太多的控制权。
深度学习不灵活
人类可以学习抽象概念,并将其应用于各种情况。我们一直都在这么做。例如,当你第一次玩《马里奥兄弟》这样的电脑游戏时,你可以立即使用现实世界的知识——比如需要跳过坑或躲避炽热的球。随后,你可以将你的游戏知识应用到其他版本的马里奥,比如超级马里奥奥德赛,或其他具有类似机制的游戏,如《大金刚国度》和《Crash Bandicoot》。
然而,人工智能应用程序必须从零开始学习一切。一起来看看深度学习算法学习玩马里奥(在新窗口打开)显示了人工智能的学习过程与人类的学习过程有多么不同。它基本上开始对环境一无所知,并逐渐学会与不同的元素相互作用。但它从玩《马里奥》中获得的知识只适用于这款游戏的狭窄领域,不能转移到其他游戏中,甚至是其他《马里奥》游戏。
这种概念性和抽象理解的缺乏使得深度学习应用程序专注于有限的任务,并阻碍了技术的发展通用人工智能(在新窗口打开)这种人工智能可以像人类一样做出明智的决定。这未必是一个弱点;一些专家(在新窗口打开)认为创造通用人工智能是一个毫无意义的目标。但与人脑相比,这肯定是一个局限性。
深度学习不透明
与由程序员定义规则的传统软件不同,深度学习应用程序通过处理和分析测试数据来创建自己的规则。因此,没有人真正知道他们是如何得出结论和决定的。即使是深度学习算法的开发者也经常发现自己被自己创造的结果所迷惑。
这缺乏透明度(在新窗口打开)可能会成为人工智能和深度学习的主要障碍,因为这项技术试图在患者治疗、执法和自动驾驶汽车等敏感领域找到自己的位置。深度学习算法可能比人类更不容易出错,但是当他们犯错的时候这些错误背后的原因应该是可以解释的。如果我们不能理解我们的人工智能应用程序是如何工作的,我们就无法信任它们完成关键任务。
深度学习可能被过度炒作
深度学习已经在许多领域证明了它的价值,并将继续改变我们做事的方式。尽管存在缺陷和局限性,但深度学习并没有让我们失望。但我们必须调整我们的期望。
人工智能学者Gary Marcus说警告(在新窗口打开)但是,过度宣传这项技术可能会导致另一项“人工智能的冬天(在新窗口打开)——过高的期望和不佳的表现会导致普遍的失望和缺乏兴趣。
Marcus认为,深度学习不是“万能的解决方法,而是众多工具中的一种”,这意味着当我们继续探索深度学习提供的可能性时,我们也应该看看其他从根本上不同的方法来创建人工智能应用程序。
就连引领深度学习革命的杰弗里•辛顿教授(Geoffrey Hinton)也认为,可能需要发明全新的方法。“未来取决于那些对我所说的一切都深表怀疑的研究生,”他说Axios(在新窗口打开).