本文近日發(fā)表在 PNAS 上，討論了深度學(xué)習(xí)取得的成就、推動條件和廣泛存在的問題，并從「補(bǔ)充」而不是「推翻」的論點(diǎn)探討了如何改進(jìn)人工智能研究方法的方向。文中引用了大量的 DeepMind 發(fā)表過的論文，基本思想是提倡延續(xù)上世紀(jì) 80 年代的符號 AI 方法論，將深度學(xué)習(xí)結(jié)合圖網(wǎng)絡(luò)等實(shí)現(xiàn)完整的類人智能。

本文作者 M. Mitchell Waldrop 是威斯康星大學(xué)基本粒子物理學(xué)博士，曾擔(dān)任 Nature、Science 等頂級期刊撰稿人、編輯，出版過《復(fù)雜》等科學(xué)著作。

上圖中是一根香蕉，然而人工智能卻將其識別為烤面包機(jī)，即使它使用了在自動駕駛、語音理解和多種 AI 應(yīng)用中表現(xiàn)出色的強(qiáng)大深度學(xué)習(xí)技術(shù)。這意味著 AI 已經(jīng)見過了幾千張香蕉、蛞蝓、蝸牛和類似外觀的物體，然后對新輸入的圖像預(yù)測其中物體的類別。然而這種系統(tǒng)很容易被誤導(dǎo)，圖像中只是多了一張貼紙，就讓系統(tǒng)的預(yù)測產(chǎn)生嚴(yán)重偏離。

深度學(xué)習(xí)方法中的明顯缺點(diǎn)引起了研究員和大眾的關(guān)注，如無人駕駛汽車等技術(shù)，它們使用深度學(xué)習(xí)技術(shù)進(jìn)行導(dǎo)航，帶來了廣為人知的災(zāi)難事件。圖片來源：Shutterstock.com/MONOPOLY919。

上述這個被深度學(xué)習(xí)研究者稱之為「對抗攻擊」的案例是由谷歌大腦提出的，它暗示著 AI 在達(dá)到人類智能上仍有很長的路要走。「我最初認(rèn)為對抗樣本只是一個小煩惱，」多倫多大學(xué)的計(jì)算機(jī)科學(xué)家、深度學(xué)習(xí)先驅(qū)之一 Geoffrey Hinton 說：「但我現(xiàn)在認(rèn)為這個問題可能非常重要，它告訴我們，我們到底做錯了什么。」

這是很多人工智能從業(yè)者的同感，任何人都可以輕易說出一長串深度學(xué)習(xí)的弊端。例如，除了易受欺騙之外，深度學(xué)習(xí)還存在嚴(yán)重的低效率問題。「讓一個孩子學(xué)會認(rèn)識一頭母牛，」Hinton 說，「他們的母親不需要說'牛'一萬次」，但深度學(xué)習(xí)系統(tǒng)學(xué)習(xí)『牛』時需要這么多次。人類通常僅從一兩個例子中就能學(xué)習(xí)新概念。

然后是不透明問題。深度學(xué)習(xí)系統(tǒng)訓(xùn)練好之后，我們無法確定它是如何做出決定的。「在許多情況下，這是不可接受的，即使它得到了正確的答案，」計(jì)算神經(jīng)科學(xué)家、負(fù)責(zé)劍橋 MIT-IBM Watson AI 實(shí)驗(yàn)室的 David Cox 說。假設(shè)一家銀行使用人工智能來評估你的信譽(yù)，然后拒絕給你一筆貸款，「美國多個州的法律都規(guī)定必須解釋其中的原因，」他說。

也許這里面最重要的就是缺乏常識的問題了。深度學(xué)習(xí)系統(tǒng)可能在識別像素分布的模式上很擅長，但是它們無法理解模式的含義，更不用說理解模式背后的原因了。「在我看來，當(dāng)前的系統(tǒng)還不知道沙發(fā)和椅子是用來坐的，」DeepMind 的 AI 研究員 Greg Wayne 說。

深度學(xué)習(xí)暴露的越來越多的弱點(diǎn)正在引起公眾對人工智能的關(guān)注。特別是在無人駕駛汽車領(lǐng)域，它們使用類似的深度學(xué)習(xí)技術(shù)進(jìn)行導(dǎo)航，曾經(jīng)導(dǎo)致了廣為人知的災(zāi)難和死亡事故。

盡管如此，無可否認(rèn)，深度學(xué)習(xí)是一種非常強(qiáng)大的工具。深度學(xué)習(xí)使得部署應(yīng)用程序（例如面部識別和語音識別）變得非常常見，這些應(yīng)用程序在十年前幾乎不可能完成。「所以我很難想象深度學(xué)習(xí)會在這種時候被拋棄，」Cox 說。「更大的可能是對深度學(xué)習(xí)方法進(jìn)行修改或增強(qiáng)。」

大腦戰(zhàn)爭

今天的深度學(xué)習(xí)革命的根源在于 20 世紀(jì) 80 年代的「大腦戰(zhàn)爭」，當(dāng)時兩種不同的人工智能流派相互爭執(zhí)不休。

一種方法現(xiàn)在被稱為「老式的 AI」，自 20 世紀(jì) 50 年代以來一直占據(jù)著該領(lǐng)域的主導(dǎo)地位，也被稱為符號 AI，它使用數(shù)學(xué)符號來表示對象和對象之間的關(guān)系。加上由人類建立的廣泛的知識庫，這些系統(tǒng)被證明在推理方面非常擅長。但是到了 20 世紀(jì) 80 年代，人們越來越清楚地認(rèn)識到，符號 AI 在處理現(xiàn)實(shí)生活中的符號、概念和推理的動態(tài)時表現(xiàn)得非常糟糕。

為了應(yīng)對這些缺點(diǎn)，另一派研究人員開始倡導(dǎo)人工神經(jīng)網(wǎng)絡(luò)或連接人工智能，他們是當(dāng)今深度學(xué)習(xí)系統(tǒng)的先驅(qū)。這種系統(tǒng)的基本思想是通過傳播模擬節(jié)點(diǎn)（人腦中神經(jīng)元的類似物）網(wǎng)絡(luò)中的信號來對其進(jìn)行處理。信號沿著連接（突觸的類似物）從節(jié)點(diǎn)傳遞到節(jié)點(diǎn)。類似于真實(shí)的大腦，學(xué)習(xí)是調(diào)整可放大或抑制每個連接所攜帶信號的「權(quán)重」的問題。

在實(shí)踐中，大多數(shù)網(wǎng)絡(luò)將節(jié)點(diǎn)排列為一系列層，這些層大致類似于皮層中的不同處理中心。因此，專門用于圖像的網(wǎng)絡(luò)將具有一層輸入節(jié)點(diǎn)，這些節(jié)點(diǎn)對單個像素做出響應(yīng)，就像視桿細(xì)胞和視錐細(xì)胞對光線照射視網(wǎng)膜做出響應(yīng)一樣。一旦被激活，這些節(jié)點(diǎn)通過加權(quán)連接將其激活級別傳播到下一級別的其它節(jié)點(diǎn)，這些節(jié)點(diǎn)組合輸入信號并依次激活（或不激活）。這個過程一直持續(xù)到信號到達(dá)節(jié)點(diǎn)的輸出層，其中激活模式提供最終預(yù)測。例如，輸入圖像是數(shù)字「9」。如果答案是錯誤的，例如說輸入圖像是一個「0」。網(wǎng)絡(luò)會執(zhí)行反向傳播算法在層中向下運(yùn)行，調(diào)整權(quán)重以便下次獲得更好的結(jié)果。

到 20 世紀(jì) 80 年代末，在處理嘈雜或模糊的輸入時，神經(jīng)網(wǎng)絡(luò)已經(jīng)被證明比符號 AI 好得多。然而，這兩種方法之間的對峙仍未得到解決，主要是因?yàn)楫?dāng)時計(jì)算機(jī)能擬合的人工智能系統(tǒng)非常有限。無法確切知道這些系統(tǒng)能夠做什么。

AI 的「神經(jīng)網(wǎng)絡(luò)」模型通過類似于神經(jīng)元的節(jié)點(diǎn)網(wǎng)絡(luò)發(fā)送信號。信號沿著連接傳遞到節(jié)點(diǎn)。「學(xué)習(xí)」會通過調(diào)整放大或抑制每個連接所承載信號的權(quán)重來改善結(jié)果。節(jié)點(diǎn)通常以一系列層排列，這些層大致類似于皮質(zhì)中的不同處理中心。今天的計(jì)算機(jī)可以處理數(shù)十層的「深度學(xué)習(xí)」網(wǎng)絡(luò)。圖片來源：Lucy Reading-Ikkanda。

算力革命

這種理解在 21 世紀(jì)得到變革，隨著數(shù)量級計(jì)算機(jī)的出現(xiàn)，功能更加強(qiáng)大的社交媒體網(wǎng)站提供源源不斷的圖像、聲音和其它訓(xùn)練數(shù)據(jù)。

Hinton 是反向傳播算法的聯(lián)合提出者，也是 20 世紀(jì) 80 年代連接主義運(yùn)動的領(lǐng)導(dǎo)者。他和他的學(xué)生們不斷嘗試訓(xùn)練比以前更大的網(wǎng)絡(luò)，層數(shù)從一個或兩個增加到大約六個（今天的商業(yè)網(wǎng)絡(luò)通常使用超過 100 層的網(wǎng)絡(luò)）。

2009 年，Hinton 和他的兩名研究生表示，這種「深度學(xué)習(xí)」在語音識別上能夠超越任何其它已知的方法。2012 年，Hinton 和另外兩名學(xué)生發(fā)表了論文，表明深度神經(jīng)網(wǎng)絡(luò)在圖像識別上可能比標(biāo)準(zhǔn)視覺系統(tǒng)好得多。「我們幾乎將誤差率減半，」他說。在這之后，深度學(xué)習(xí)應(yīng)用的革命開始了。

研究人員早期更加關(guān)注擴(kuò)展深度學(xué)習(xí)系統(tǒng)的訓(xùn)練方式，Matthew Botvinick 說。他在 2015 年從普林斯頓的神經(jīng)科學(xué)小組離開，學(xué)術(shù)休假一年，進(jìn)入 DeepMind，從那時起一直沒有離開。語音和圖像識別系統(tǒng)都使用了監(jiān)督學(xué)習(xí)，他說：「這意味著每張圖片都有一個正確的答案，比如貓的圖像的類別必須是'貓'。如果網(wǎng)絡(luò)預(yù)測錯誤，你就告訴它什么是正確的答案。」然后網(wǎng)絡(luò)使用反向傳播算法來改進(jìn)其下一個猜測。

Botvinick 說，如果有精心標(biāo)記的訓(xùn)練樣例，監(jiān)督學(xué)習(xí)的效果會很好。但一般而言，情況并非如此。它根本不適用于諸如玩視頻游戲等沒有正確或錯誤答案的任務(wù)，其中僅有成功或失敗的策略。

Botvinick 解釋說，對于那些情況（事實(shí)上，在現(xiàn)實(shí)世界的生活中），你需要強(qiáng)化學(xué)習(xí)。例如，玩視頻游戲的強(qiáng)化學(xué)習(xí)系統(tǒng)學(xué)會尋求獎勵，并避免懲罰。

2015 年，當(dāng) DeepMind 的一個小組訓(xùn)練網(wǎng)絡(luò)玩經(jīng)典的 Atari 2600 街機(jī)游戲時，首次成功實(shí)現(xiàn)了深度強(qiáng)化學(xué)習(xí)。「網(wǎng)絡(luò)將在游戲中接收屏幕圖像作為輸入，」隨后加入該公司的 Botvinick 說，「在輸出端有指定動作的圖層，比如如何移動操縱桿。」該網(wǎng)絡(luò)的表現(xiàn)達(dá)到甚至超過了人類 Atari 玩家。2016 年，DeepMind 研究人員使用掌握了相同網(wǎng)絡(luò)的更精細(xì)版本的 AlphaGo 在圍棋上擊敗了人類世界冠軍。

深度學(xué)習(xí)之外

不幸的是，這些里程碑式的成就都沒有解決深度學(xué)習(xí)的根本問題。以 Atari 系統(tǒng)為例，智能體必須玩上千輪才能掌握多數(shù)人類幾分鐘之內(nèi)就能學(xué)會的游戲。即便如此，網(wǎng)絡(luò)也無法理解或解釋屏幕上的拍子等物體。因此 Hinton 的問題也可以用在這里：到底哪里還沒做好？

也許沒有哪里沒做好。也許我們需要的只是更多的連接、更多的層以及更加復(fù)雜的訓(xùn)練方法。畢竟，正如 Botvinick 所指出的，神經(jīng)網(wǎng)絡(luò)在數(shù)學(xué)上等同于一臺通用計(jì)算機(jī)，也就是說只要你能找到正確的連接權(quán)重，就沒有神經(jīng)網(wǎng)絡(luò)處理不了的計(jì)算——至少理論上是這樣。

但在實(shí)踐中，出現(xiàn)的錯誤卻可能是致命的——這也是為什么人們越發(fā)感覺深度學(xué)習(xí)的劣勢需要從根本上解決。

擴(kuò)展訓(xùn)練數(shù)據(jù)的范圍是一種簡單的解決方法。例如，在 2018 年 5 月發(fā)表的一篇論文中，Botvinick 的 DeepMind 團(tuán)隊(duì)研究了神經(jīng)網(wǎng)絡(luò)在多個任務(wù)上訓(xùn)練時發(fā)生了什么。他們發(fā)現(xiàn)，只要有足夠的從后面的層往前傳遞（這一特性可以讓網(wǎng)絡(luò)隨時記住自己在做什么）的「循環(huán)」連接，網(wǎng)絡(luò)就能自動從前面的任務(wù)中學(xué)習(xí)，從而加速后續(xù)任務(wù)的學(xué)習(xí)速度。這至少是人類「元學(xué)習(xí)」（學(xué)習(xí)如何學(xué)習(xí)）的一種雛形，而元學(xué)習(xí)是人類能夠快速學(xué)習(xí)的一大原因。

一種更激進(jìn)的可能性是，放棄只訓(xùn)練一個大的網(wǎng)絡(luò)來解決問題的做法，轉(zhuǎn)而讓多個網(wǎng)絡(luò)協(xié)同工作。2018 年 6 月，DeepMind 團(tuán)隊(duì)發(fā)表了一種新方法——生成查詢網(wǎng)絡(luò)（Generative Query Network）架構(gòu)，該架構(gòu)利用兩個不同的網(wǎng)絡(luò)，在沒有人工輸入的復(fù)雜虛擬環(huán)境中學(xué)習(xí)。一個是表征網(wǎng)絡(luò)，本質(zhì)上是利用標(biāo)準(zhǔn)的圖像識別學(xué)習(xí)來識別在任何給定時刻 AI 能看到的東西。與此同時，生成網(wǎng)絡(luò)學(xué)習(xí)獲取第一個網(wǎng)絡(luò)的輸出，并生成整個環(huán)境的 3D 模型——實(shí)際上是對 AI 看不到的對象和特征進(jìn)行預(yù)測。例如，如果一張桌子只有三條腿可見，上述 3D 模型將生成同樣大小、形狀及顏色的第四條腿。

Botvinick 表示，這些預(yù)測反過來又能讓系統(tǒng)比使用標(biāo)準(zhǔn)的深度學(xué)習(xí)方法更快地學(xué)習(xí)。「一個試圖預(yù)測事物的智能體會在每一個時間步上自動得到反饋，因?yàn)樗梢钥吹阶约旱念A(yù)測結(jié)果如何。」因此，智能體可以不斷更新、優(yōu)化模型。更妙的是，這種學(xué)習(xí)是自監(jiān)督的：研究者不必標(biāo)記環(huán)境中任何事物，甚至也不用提供獎勵或懲罰。

一種更徹底的方法是不要再讓網(wǎng)絡(luò)在每一個問題中都從頭開始學(xué)習(xí)。「白板」（blank-slate）方法的確可以讓網(wǎng)絡(luò)自由地發(fā)現(xiàn)研究者從未想過的對象、動作的表征方式，也有可能發(fā)現(xiàn)一些完全出人意料的玩游戲策略。但人類從來不會從 0 開始：無論如何，人類至少會利用從之前經(jīng)歷中學(xué)到的或在進(jìn)化過程中留在大腦中的先驗(yàn)知識。

例如，嬰兒似乎生來就有許多固有的「歸納偏置」，使他們能夠以驚人的速度吸收某些核心概念。到了 2 個月大的時候，他們就已經(jīng)開始掌握一些直觀的物理規(guī)律，包括物體存在的概念，這些物體傾向于沿著連續(xù)的路徑移動，當(dāng)它們接觸時，不會互相穿過。這些嬰兒也開始擁有一些基礎(chǔ)的心理直覺，包括識別面孔的能力，以及認(rèn)識到世界上存在其他自主行動的智能體。

擁有這種內(nèi)置的直覺偏置可能會幫助深層神經(jīng)網(wǎng)絡(luò)以同樣的速度快速學(xué)習(xí)，因此該領(lǐng)域的許多研究人員優(yōu)先考慮這種思路。實(shí)際上，僅僅在過去的 1 到 2 年里，一種名為圖網(wǎng)絡(luò)的方法就在社區(qū)內(nèi)引起了不小的轟動，這是一種頗有前景的方法。Botvinick 表示，「這種深度學(xué)習(xí)系統(tǒng)擁有固有偏置，傾向于將事物表征為對象和關(guān)系。」例如，某些物體（如爪子、尾巴、胡須）可能都屬于一個稍大的對象（貓），它們之間的關(guān)系是「A 是 B 的一部分」。同樣地，「球 A 和方塊 B」之間的關(guān)系可能是「相鄰」，「地球」繞著「太陽」轉(zhuǎn)……通過大量其他示例——其中任何示例都可以表征為一個抽象圖，其中的節(jié)點(diǎn)對應(yīng)于對象，連接對應(yīng)于關(guān)系。

圖網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)，它將圖作為輸入（而不是原始像素或聲波），然后學(xué)會推理和預(yù)測對象及其關(guān)系如何隨時間演變。（某些應(yīng)用程序可能會使用獨(dú)立的標(biāo)準(zhǔn)圖像識別網(wǎng)絡(luò)來分析場景并預(yù)先挑選出對象。）

圖網(wǎng)絡(luò)方法已經(jīng)被證明在各種應(yīng)用程序上都可以快速學(xué)習(xí)和達(dá)到人類級別的性能，包括復(fù)雜的視頻游戲。如果它繼續(xù)像研究人員所希望的那樣發(fā)展，它就可以通過提高訓(xùn)練速度和效率來緩解深度學(xué)習(xí)的巨量數(shù)據(jù)需求問題，并且可以使網(wǎng)絡(luò)更不容易受到對抗性攻擊。因?yàn)橄到y(tǒng)表征的是物體，而不是像素的模式，這使得其不會被少量噪音或無關(guān)的雜物輕易誤導(dǎo)。

Botvinick 坦言，任何領(lǐng)域都不會輕易或快速地取得根本性進(jìn)展。但即便如此，他還是堅(jiān)信：「這些挑戰(zhàn)是真實(shí)存在的，但并非死路一條。」