人工智能技术在突飞猛进地发展吗?美国在人工智能领域的技术优势是无可撼动的吗?只会做应用创新的中国在这方面有什么优势?

创新工场CEO李开复在自己的新书《AI·未来》中回溯了人工智能技术的历史,然后,给出了自己的回答。

长久以来,人工智能领域有两个主要研发阵营:第一个阵营是规则式方法;第二个阵营是神经网络方法。规则式方法又称专家系统,这个阵营的研究人员相信,可以通过把相关领域人类专家的知识编写进软件,来促进人工智能的发展。比如早年做语音识别和自然语言翻译的团队,就请了很多人类语言学家加入。神经网络阵营的研究人员则通过另一套方法来建立人工智能,他们不追求把人类专家的逻辑和知识教给软件,而是把大量数据输入人工神经元网络,让网络自己去学习和识别规律。

举个例子,如何让人工智能识别出图片中有一只猫。规则式方法会先教会软件人类的识别逻辑:如果图片中出现了一个圆形,圆形上有两个三角形,等等,那么,这个图片中就有猫。神经网络阵营的做法是,把数百万张标识了有猫和无猫的图片丢给软件,让软件自己去学习怎么识别一张图片中有猫。至于软件的识别逻辑是什么,人类不会去管,也没办法管。

人工智能在历史上有过几次低谷,其实都是因为,两个阵营的研究人员走入了困境,没有办法再实现研究突破。而今天人工智能重新成为大热领域,跟2006年前后人工智能专家杰弗里·辛顿在神经网络领域的突破有关。辛顿找到了有效训练人工神经网络中新增神经元层的方法。这项被称为“深度学习”的技术,彻底改变了人工智能研究。深度学习算法,本质上是“使用大量来自特定领域的数据,为想要的结果做出最佳决策。其方法是让系统使用这些输入的数据,训练自己识别数据和期望结果之间的关联性。”

李开复说:“深度学习是过去50年来最大的飞跃,这种规模的进展几十年只有一个。”他的判断是,人工智能,已经从“发明的年代”,进入到“实干的年代”。

所谓发明的年代,指的就是像辛顿这样的科学家,不断打破旧有的研究范式,推动技术向新的领域迈进。李开复说,不少人认为美国在人工智能领域仍然是压倒性的优势,原因就是,他们认为现在仍然处于“发明的年代”。而且,媒体对人工智能的报道,也助长了这种印象:人工智能研究在不断取得突破性进展。

但事实上,在李开复看来,人工智能许多抽象的研究工作大都已经完成,研究中遇到的困难大都已经解决。很多所谓的里程碑,只是在把过去10年的技术突破应用到新的问题上。这个技术突破,最主要的是深度学习,此外还有一些类似于强化学习这样的互补技术。“这种渐进式的改善和优化,其实是把深度学习在模式识别和预测上的强大能力,应用到种种不同的应用上。比如医疗、保险、开车、翻译等。但是,这些改善和优化并不代表我们正在朝着通用人工智能的方向快速前进,或是出现了类似深度学习的重大技术突破。”

在资源分配上也是如此,虽然谷歌、亚马逊、阿里巴巴、腾讯这样的公司,都在人工智能上投入了很多资源,但大量资源是投入在对深度学习算法进行改进和微调,只有小比例的资源被投入到去发现下一个颠覆性技术的研发上。

在发明的年代,重要的成就由少数几个顶尖思想家驱动,他们几乎全部聚集在美国和加拿大。但是,自从深度学习出现以后,还没有其他领域的研究人员或工程师达到过类似等级的创新。

在实干的年代,需要的是创业者、工程师和产品经理,需要他们把深度学习算法应用到真实世界,转化成一家可以持续运营的公司。创业者、工程师和产品经理,不但硅谷有,在像中国这样的地方也有很多。

随着人工智能从“发明的年代”进入“实干的年代”,还发生了另一项重要的转变,那就是从专家的年代转变为数据的年代。

李开复说,今天一个成功的人工智能算法需要三样东西,分别是:大数据、强大的电脑运算能力,优秀但未必顶尖的算法工程师。而在这三者中,最重要的还是数据,因为,“当电脑的运算能力和工程师的能力达到一定门槛水准之后,数据量的多寡就成为决定算法整体效能与精准度的关键所在。如果喂入的数据量更多,即使是由一群中等水准的人工智能工程师设计出来的算法,表现也会比世界级顶尖深度学习研究人员设计出来的算法更好。情况已经不同,现在已经不再像以往那样,独家拥有顶尖的人才就能享有绝对的压倒性优势。”

从发明的年代进入到实干的年代,从专家的年代转变到数据的年代,都让中国的弱点变得没那么重要,比如,中国顶尖研究人员不如美国;但让中国的优势得到加强,比如,中国拥有全世界最勤奋的创业者和工程师,也拥有全世界规模最大的数据。

以上就是创新工场CEO、人工智能专家李开复在他的新书中,对人工智能研究的看法,希望对你有所启发。

李开复发明实干