人机共处的新世界(2-2)

作者: / / 时间:2020-06-16 / / 浏览量: 818次

人機共處的新世界(2/2)

未来的人机合作,是让电脑去处理它擅长的事,让人类继续处理自己擅长的事。

(续上文)

学术界的挑战

与业界不同,人工智慧研究人员追求的目标,在于找出人可以做、机器不能做的事情,并让机器可以做到。

林玉柱说:「人工智慧与机器人学的发展中遭遇一个现象,称为『莫拉维克弔诡』(Moravec’s paradox),就是人类认定的高等智慧能力(例如推论)只需要很少的计算就可以完成;而幼儿就能完成的事情,例如到处爬、辨识物品、学习语言、把玩具拿起来丢人,要在机器上实现却非常困难。」

以让深度学习在学界奠定地位的大规模视觉辨识竞赛(Large Scale Visual Recognition Challenge,ILSVRC)来说,就算是系统配备了高速图形处理器(GPU),要看超过120万张事先用人工标示好类别的图片、建出分类影像的模型,也得花上一个星期的时间。

2012年,吴恩达带领的Google Brain深度学习系统计画,从YouTube影片中撷取了1000万张没有标示类别的图片输入给Google Brain,三天后系统可以自行把图片分类成人脸、人体、猫。Google Cultural Institute计画的系统更进一步到把700万张艺术收藏品,分成4174个类别。林守德解释,在深度学习以前,机器视觉的做法是从图片的像素找出特徵,把特徵放进系统加以训练并建出模型,之后由模型去分类影像,但是深度学习不需要这个步骤,就会自己找出特徵并分类影像。

换句话说,深度学习演算法造就机器学习速度与效率上的突破,让某些过去认为人类可以做、但是机器做不到或做得很差的事情,现在不但机器可以做,而且做得比人类更好了。

人工智慧研究社群一方面探索深度学习可以应用的层面与限制,同时也继续开发其他学习方法,甚至挑战更多人类不能做的事情。

在机器学习应用的部份,研究人员与不同领域的专家合作,把特定领域的资料输入到深度学习模型里,让系统从资料中找出特徵或规则。林守德表示,机器学习与不同领域专家的合作是在前期,也就是把资料输入电脑之前的这段期间。林守德的团队与法律学者合作,希望让系统可以读懂判决书进而自行产生判决结果,这时就会需要法律专业上的协助,标出判决书中重要的内容,以便从文本中撷取有助于产生判决的知识。

深度学习模型擅长从抽象底层的资料中撷取出有用的特徵,在搜寻範围小、输入的资料本身对人类而言较难判读的领域中表现得特别好,例如影像、图片、声音,其基本组成元素是比较底层的像素或是声波。但是当资料本身具有特定意义,要系统再去撷取出抽象意义,效果就不一定会好。林守德的团队曾经想要利用电脑判断某些研究计画的申请是否会被接受,他们输入了研究计画的内容、计画申请者的背景与研究记录等,发现利用深度学习系统来学习这样的判定,结果并不会比利用一般机器学习的方法好。

开发出自然注音输入法、长期钻研自然语言处理的许闻廉直言,所有的统计式机器学习模式都有个共同缺点,就是出错的时候没有办法解释。他说:「我们认为是语意的运算,在统计模型都变成了参数的运算。统计式模型在学习过程是调整参数。用白话讲,我们训练了一个辨识狗的模型,如果输入一张狗的照片,机器认不出来,统计式模型无法告诉我们为什幺机器认得出其他照片里的狗,却认不出这张照片里的狗。AlphaGo下棋很厉害,但它靠的是从无数高手下的棋谱中统计出胜率,而不能像围棋高手一样说出自己为什幺要这样下。」他理想中的机器不是光会做一个题目,而是要能够教人怎幺做。

美丽新世界

在许闻廉看来,电脑的计算能力虽然早已远远超过人脑,却因为看不懂文字题目,连小学的数学应用题都算不出来。他目前最主要的研究方向是让电脑可以帮人读书,因为研究工作要读很多新的研究论文,人自己读这些文章要很久,机器虽然可以读得很快,但是理解得不好。领导Google人工智慧研究的詹南德雷亚(John Giannandrea),在回答《麻省理工科技评论》(MIT Techonology Review)旧金山分部主编西蒙奈特(Tom Simonite)询问「如果现在是人工智慧的春天,那人工智慧的夏天何时到来?」时,也给出类似的回答。他认为,机器翻译是把一个句子用另一种语言表达出来,但机器理解是机器能够读进一个句子,用同样的语言换个方式说出来,要等到那个时候,才有可能说是人工智慧的夏天到来。

林守德也不讳言,深度学习虽然在机器视觉上大胜以往的学习方法,但是在机器翻译等自然语言处理上,以深度学习为基础的系统,仍比不过以往机器翻译提出的最佳方法。这几年来,研究学者也在思考怎幺把人类的知识建入机器学习系统里,如果能够在统计为主的方法上,放进去相对应的知识,便有机会突破统计式学习的瓶颈。

对于人工智慧研究的未来,林守德跳脱人脑与电脑的比较,认为人工智慧在未来最大的贡献,不是模仿人类可以做到的事,而是做出人类做不到的事情。例如:发现新元素、合成新药、快速交易等,这些是人的智慧做不到的事。他研究的方向不是机器学习,而是机器发明:让电脑能够发现人类还没有发现的新东西,例如破解密码、从社群网路侦测人与人之间的关係、找出恐怖份子等。这并不是让电脑学习,而是应用电脑的计算能力与记忆能力,做出超越人类智力可及的工作。他相信唯有解放人工智慧,让人工智慧不再局限于模拟或追赶人类智慧,人工智慧方能达到新的境界。

会读书、考试、写作、合成新药的机器人―科学家的目标彷彿又把我们带回科幻的机器人世界。然而也就是这样不放弃探索的决心与毅力,让辛顿与其研究同仁,以及无数科学研究工作者可以熬过研究长期不见进展的低谷,终于创造出革命性的突破。(完)



上一篇: 下一篇: