首页科技快讯 20条理由告诉你，为什么当前的深度学习成了人工智能的死胡同？

20条理由告诉你，为什么当前的深度学习成了人工智能的死胡同？

来源：晰数塔互联网快讯时间：2020年02月07日 17:04

编者按：本文来自微信公众号“AI科技评论”（ID：aitechtalk），作者：Randy Laybourne，编译：蒋宝尚、从末，36氪经授权发布。

在深度学习刚刚进入视线时，大多数AI研究人员嗤之以鼻，但短短几年后，它的触角已经横跨医疗、教育、汽车等众多领域。

AI 在深度学习的加持下，近几年在人脸识别、围棋、Dota等任务上屡屡击败人类，这种趋势似乎也在暗示：深度学习就是打开人工智能宝藏的钥匙。

但也有观点认为当前深度学习已经走到了死胡同，例如全球人工智能计算机视觉领域奠基人之一、约翰霍普金斯大学教授艾伦·尤尔就曾抛出“深度学习在计算机视觉领域的瓶颈已至”的观点。

本文作者 Randy Laybourne 比较支持尤尔教授观点，并盘点了20条理由逐一论述深度学习的研究当前已经走到了死胡同。AI科技评论作了有删改的编辑，请欣赏~

1、反向传播技术只适合狭义AI

反向传播是深度学习的基本技术，它能够让神经网络在训练过程找到“最优解”。但是如果让训练好的神经网络执行另一项任务或者使用新数据时就会发生灾难性遗忘，从而无法完成持续学习的目标。

当然，你可以减少之前学习任务以及调整网络结构来解决灾难性遗忘，但是如果有新数据涌入，则必须增加神经元的数量。

大脑与我们手工设计的神经网络相比有着更多的神经元，所以你会认为增加人工神经网络的神经元完全没有问题对吧？

但是你也要明白，大脑具有功能模块化的特点，它在执行任务的时候，每次只调用一小部分神经元。而反向传播在迭代的时候调用的是全部的神经元。

另外，大脑模块化的特点能让我们人类学习到不同的东西，而且不同模块之间信息是可以相互交流的。

那么构造多个深度神经网络并让它们之间互相连接能够解决问题么？

显然高级智能的功能远不止这些。

2、无监督学习

大脑在进行学习的时候，并不需要大量的示例，也不需要一个监督者在旁边“叮嘱”。大脑的学习方法更加复杂，例如，即使一些“数据”没有打标签，大脑也能从其中学到一些东西。

当然，我们也不是在模仿翅膀的动作来制造飞行器，但是鸟类却证明了当克服重力时，比空气重的物体也能够飞行，这意味着即使通用人工智能没有大脑一样的思考方式，也能够通过无监督的学习方式实现智能。

3、认知图与路线

当前，深度学习想要掌握更多的是一种认知路线，即从输入数据到输出的认知途径，也就是说，深度学习是输入和输出之间关联记忆的一种形式。

考虑下面一种认知路线的情况：

“径直穿过森林，看到一条河，然后穿过小河，左转，在一棵奇怪的树附近停下来，然后能到山顶上有三块大石头的山，最后沿着路上去”

现在的问题是，如果有人砍掉了树或不知何故搬开了石头呢？

这就是深度学习的缺点：知识的应用范围非常狭窄，只适用于一项任务。解决方法是创建一个动态的地图，即找到从不同起点到无限终点的多条路线。

这就是狭义AI和通用AI的区别，这种区别也深深影响着神经网络的结构。

4、预测过程

我们的大脑总是尝试主动预测接下来几秒所发生的事情，并根据实际情况调整预测细节。这也是人类具有强烈好奇心的原因。

除此之前我们人类还有另一个驱动因素，即当我们有着很好的基础时，我们总想要改善我们关于心理模型的认知地图-。

人类在面临未知的时候总是想要找到一个令人满意的解释，否则不会停下来。所以说这种预测过程可以节省我们的精力，也可以激励我们变得越来越好，能够扩大我们的知识面和技能，完善我们的知识和技能认知图。