近年來(lái)，我遇到了很多關(guān)于人工智能的誤解，有時(shí)當我和外界的人討論人工智能時(shí)，我覺(jué)得我們在討論兩個(gè)不同的話(huà)題。本文試圖澄清人工智能從業(yè)者對人工智能的理解，以及人工智能的現狀。

第一個(gè)誤解與人工智能有關(guān)。

應用的人工智能系統只是AGI的有限版本

盡管很多人認為人工智能的技術(shù)還遠遠落后于人類(lèi)智能。人工智能，即AGI，一直是所有人工智能科學(xué)家從圖靈到今天的動(dòng)力。有點(diǎn)類(lèi)似煉金術(shù)，對復制并超越人類(lèi)智能的AGI的永恒追求已經(jīng)導致了許多技術(shù)的創(chuàng )造和科學(xué)的突破。AGI已經(jīng)幫助我們理解了人類(lèi)和自然智能的各個(gè)方面，因此，我們在對它們的理解和模型的啟發(fā)下構建了有效的算法。

然而，當涉及到人工智能的實(shí)際應用時(shí)，人工智能實(shí)踐者并不一定局限于人類(lèi)決策、學(xué)習和解決問(wèn)題的純模型。相反，為了解決問(wèn)題并實(shí)現可接受的性能，人工智能從業(yè)者通常會(huì )盡其所能構建實(shí)用的系統。例如，在導致深度學(xué)習系統的算法突破的核心是一種稱(chēng)為反向傳播的技術(shù)。然而，這種技術(shù)并不是大腦構建世界模型的方式。這就引出了下一個(gè)誤解:

有一種通用的人工智能解決方案。

一個(gè)常見(jiàn)的誤解是，人工智能可以用來(lái)解決所有的問(wèn)題。人工智能的技術(shù)已經(jīng)達到了這樣的水平，“人工智能”的小配置可以讓我們解決不同的問(wèn)題。我甚至聽(tīng)人說(shuō)，從一個(gè)問(wèn)題轉移到另一個(gè)問(wèn)題會(huì )讓人工智能系統更智能，就好像同樣的人工智能系統正在同時(shí)解決這兩個(gè)問(wèn)題?，F實(shí)情況則大不相同:人工智能系統需要設計，有時(shí)需要大量設計，并需要經(jīng)過(guò)專(zhuān)門(mén)培訓的模型才能應用于問(wèn)題。雖然類(lèi)似的任務(wù)，特別是涉及感知世界的任務(wù)(如語(yǔ)音識別、圖像或視頻處理)現在有了一個(gè)可用的參考模型庫，但這些模型需要特別設計以滿(mǎn)足部署需求，而且可能沒(méi)有現成的用處。此外，人工智能系統很少是基于人工智能的解決方案的唯一組件。通常需要許多定制的經(jīng)典編程組件來(lái)增強系統中使用的一個(gè)或多個(gè)人工智能技術(shù)。是的，市面上有很多不同的人工智能技術(shù)，單獨使用或與其他人工智能技術(shù)結合使用，所以說(shuō):

AI和深度學(xué)習是一樣的

回到白天，我們認為人工神經(jīng)網(wǎng)絡(luò )(ANNs)這個(gè)詞真的很酷。直到，也就是說(shuō)，最初圍繞它的樂(lè )觀(guān)情緒，由于缺乏規模和傾向于過(guò)度擬合，可能會(huì )適得其反?，F在這些問(wèn)題大部分已經(jīng)解決了，我們通過(guò)將人工神經(jīng)網(wǎng)絡(luò )重新命名為“深度學(xué)習”，避免了舊名稱(chēng)的恥辱。深度學(xué)習或深度網(wǎng)絡(luò )是大規模的ANNs，“深度”指的不是深度思考，而是我們現在能在A(yíng)NNs中負擔得起的隱藏層的數量(以前最多只有幾個(gè)，現在可以有幾百個(gè))。深度學(xué)習被用來(lái)從標記的數據集合中生成模型。深度學(xué)習方法中的“學(xué)習”是指模型的生成，而不是指隨著(zhù)新數據的出現能夠實(shí)時(shí)學(xué)習的模型。深度學(xué)習模型的“學(xué)習”階段實(shí)際上是離線(xiàn)進(jìn)行的，需要多次迭代，需要大量的時(shí)間和過(guò)程，并且很難并行化。

最近，深度學(xué)習模型被用于在線(xiàn)學(xué)習應用中。這種系統中的在線(xiàn)學(xué)習是通過(guò)不同的人工智能技術(shù)實(shí)現的，比如強化學(xué)習，或者在線(xiàn)神經(jīng)進(jìn)化。這類(lèi)系統的一個(gè)局限性是，只有在離線(xiàn)學(xué)習期間，使用領(lǐng)域的經(jīng)驗豐富，才能實(shí)現深度學(xué)習模式的貢獻。一旦模型生成，它仍然是靜態(tài)的，并且在應用程序域中的更改并不完全健壯。這方面的一個(gè)很好的例子是在電子商務(wù)應用中——季節性變化或電子商務(wù)網(wǎng)站短暫的銷(xiāo)售周期，將需要一個(gè)深入的學(xué)習模式脫機，并對銷(xiāo)售項目或新股票進(jìn)行再培訓。然而，現在像感知提升這樣的平臺使用進(jìn)化算法來(lái)優(yōu)化網(wǎng)站，大量的歷史數據不再需要有效，而是基于網(wǎng)站當前的環(huán)境，利用神經(jīng)進(jìn)化來(lái)實(shí)時(shí)地改變和調整網(wǎng)站。

然而，在很大程度上，深度學(xué)習系統是由大數據集推動(dòng)的，因此，從大型和獨特的數據集生成新的有用的模型的前景引發(fā)了一種誤解，即……

這都是大數據。

它不是。它實(shí)際上是關(guān)于好的數據。大型、不平衡的數據集可能具有欺騙性，尤其是當它們只捕獲與域最相關(guān)的部分數據時(shí)。此外，在許多領(lǐng)域中，歷史數據可能很快變得無(wú)關(guān)緊要。例如，在紐約證券交易所(New York Stock Exchange)的高頻交易中，最近的數據要比2001年以前的數據具有更大的相關(guān)性和價(jià)值，當時(shí)的數據還沒(méi)有采用十進(jìn)制。

最后，我經(jīng)常遇到一個(gè)普遍的誤解:

如果一個(gè)系統解決了我們認為需要智能的問(wèn)題，那就意味著(zhù)它正在使用人工智能

這是一個(gè)有點(diǎn)哲學(xué)的本質(zhì)，它確實(shí)取決于你對智力的定義。實(shí)際上，圖靈的定義并不能反駁這一點(diǎn)。然而，就主流人工智能而言，一個(gè)完全工程的系統，比如讓自動(dòng)駕駛汽車(chē)，不使用任何人工智能技術(shù)，不被認為是人工智能系統。如果系統的行為不是在幕后使用的人工智能技術(shù)的突發(fā)行為的結果，如果程序員從頭到尾以確定的和工程的方式編寫(xiě)代碼，那么系統就不會(huì )被認為是基于人工智能的系統，即使看起來(lái)是這樣。

人工智能為更好的未來(lái)鋪平了道路

盡管人們對人工智能普遍存在誤解，但一個(gè)正確的假設是，人工智能將繼續存在，而且確實(shí)是通向未來(lái)的窗口。人工智能在被用于解決所有問(wèn)題和大規模工業(yè)化應用之前還有很長(cháng)的路要走。例如，深度學(xué)習模型需要許多專(zhuān)業(yè)的博士時(shí)間來(lái)有效地設計，通常需要根據用例精心設計的參數設置和架構選擇。目前，人工智能科學(xué)家正在努力簡(jiǎn)化這一任務(wù)，甚至使用其他人工智能技術(shù)，如強化學(xué)習和基于人群的或進(jìn)化架構搜索來(lái)減少這種努力。人工智能的下一個(gè)重要步驟是使其具有創(chuàng )造性和適應性，同時(shí)，其強大程度足以超越人類(lèi)構建模型的能力。