AI|行业观察：世界人工智能发展究竟到了什么水平？( 二 )
文章图片
比如，在人脸识别的深度学习系统中，更多的中间层次能够更为细腻地处理初级像素、色块边缘、线条组合、五官轮廓等处在不同抽象层面上的特征 。这样的细腻化处理方式当然能够提高整个系统的识别能力 。
但需要看到，由此类“深度”化要求所带来的整个系统的数学复杂性与数据的多样性，自然会对计算机硬件以及训练用的数据量提出很高的要求 。这也就解释了为何深度学习技术在21世纪后才逐渐流行，正是最近十几年以来计算机领域内突飞猛进的硬件发展，以及互联网普及所带来的巨大数据量，才为深度学习技术的落地开花提供了基本保障 。
但有两个瓶颈阻碍了神经元网络-深度学习技术进一步“智能化”：
第一，一旦系统经过训练而变得收敛了，那么系统的学习能力就下降了，也就是说，系统无法根据新的输入调整权重 。这可不是我们的终极理想 。我们的理想是：假定由于训练样本库自身的局限性，网络过早地收敛了，那么面对新样本时，它依然能够自主地修订原来形成的输入-输出映射关系，并使得这种修订能够兼顾旧有的历史和新出现的数据 。但现有技术无法支持这个看似宏大的技术设想 。设计者目前所能够做的，就是把系统的历史知识归零，把新的样本纳入样本库，然后从头开始训练 。在这里我们无疑又一次看到了让人不寒而栗的“西西弗斯循环” 。
第二，正如前面的例子所展现给我们的，在神经元网络-深度学习模式识别的过程中，设计者的很多心力都花费在对于原始样本的特征提取上 。很显然，同样的原始样本会在不同的设计者那里具有不同的特征提取模式，而这又会导致不同的神经元网络-深度学习建模方向 。对人类编程员来说，这正是体现自己创造性的好机会，但对于系统本身来说，这等于剥夺了它自身进行创造性活动的机会 。试想：一个被如此设计出来的神经元网络-深度学习结构，能够自己观察原始样本，找到合适的特征提取模式，并设计出自己的拓扑学结构吗？看来很难，因为这似乎要求该结构背后有一个元结构，能够对该结构本身给出反思性的表征 。关于这个元结构应当如何被程序化，我们目前依然是一团雾水——因为实现这个元结构功能的，正是我们人类自己 。让人失望的是，尽管深度学习技术带有这些基本缺陷，但目前的主流人工智能界已经被“洗脑”，认为深度学习技术就已经等于人工智能的全部 。一种基于小数据，更加灵活、更为通用的人工智能技术，显然还需要人们投入更多的心力 。从纯学术角度看，我们离这个目标还很远 。
（作者任职于复旦大学哲学学院）
推荐阅读
- 世界|广昌行：置身世界最大莲池 “白衣仙女”与莲共舞
- 注册会计师|青岛首个注册会计师、税务师行业联合党委在城阳区成立
- 宠物圈|这群野山羊“占领”了英国的一个小镇，因此全世界闻名
- 乌鲁木齐市疾控中心主任：现有医学观察人员中病例检出将呈下降趋势
- 新疆：乌鲁木齐排查出的密切接触者均已接受医学观察
- 入境进京人员继续实行闭环转运管理和14天集中观察
- 未来|周静：在不确定的世界里，做品高确信对客户有价值的事
- 「亿欧网」影院复工 但电影行业的春天还很远亿欧网2020-07-20 18:12:530阅
- 失业|香港失业率升至6.2%！为15年新高，多个行业失业率均有上升
- 2020年|【倒计时2天】2020年全球首个显示行业盛会7月21日上海隆重开启