终极CGFinal · 打造精彩的设计网站
当前位置: 主页 > CG业界 > 人工智能看上去很玄幻,因为人类一直没打开它的黑盒子便当

人工智能看上去很玄幻,因为人类一直没打开它的黑盒子便当

发布时间:2016-10-13 19:24内容来源:终极CGFinal 点击:

人工智能看上去很玄幻,因为人类一直没打开它的黑盒子

【AI世代编者按】《自然》杂志日前撰文称,由于人工智能技术模拟了人脑的工作模式,而没有采用明确的数据存储和分析方式,因此存在一些难以捉摸的黑盒子。如何解决这些“黑盒子”问题,从而真正了解机器的学习方式便成为摆在科学家面前的严峻挑战。以下为原文内容。

所谓“黑盒子”,是指从用户的观点来看一个器件或产品时,并不关心其内部构造和原理,而只关心它的功能及如何使用这些功能。但从研究者的角度讲,搞清楚内部构造和原理是必须的。

迪恩•鲍莫里奥(Dean Pomerleau)至今还记得他第一次碰到黑盒子问题时的情形。那是1991年,他当时正在开创一项如今在无人驾驶汽车领域早已随处可见的技术:教电脑开车。

这意味着要在一台军用悍马上安装一些特殊装备,并控制其在城市道路上行驶。当时的鲍莫里奥还是卡内基梅隆大学机器人专业的一名研究生。

那辆悍马上安装了一台电脑,可以通过对摄像头编程来解读路况,然后记住他针对各类情况采取的每个动作。鲍莫里奥希望这台机器最终能够通过这种方法学会自己开车。

鲍莫里奥会在驾车过程中为系统提供几分钟的训练,然后让它自行练习。一切似乎进展顺利——直到有一天,那辆悍马在靠近一座桥时突然转向一侧。幸亏他及时抓住方向盘,才避免了事故的发生。

回到实验室后,鲍莫里奥开始着手研究电脑的问题所在。“我的观点是要打开黑盒子,搞清楚它在想什么。”他解释道。但现在呢?他已经通过编程让电脑扮演了“神经网络”的角色——这是一种模拟人脑结构的人工智能技术,而且号称比传统算法更善于应对复杂的现实环境。

不幸的是,这类网络就像人脑一样捉摸不透。他们并没有把自己学到的知识明确地存储在数字存储器的某个位置,而是把信息分散开来,使得研究人员难以解读。直到对自己的软件在面对各种刺激时的表现展开了全面测试后,鲍莫里奥才发现了问题的根源:这套神经网络程序将长满草的路肩当成方向指引标志,所以桥梁的出现才令它感到困惑。

25年后,解密黑盒子的难度急剧增加,也更加紧迫。人工智能技术本身在复杂程度和应用场景上也实现了爆发。

鲍莫里奥如今在卡内基梅隆大学兼职讲授机器人课程,他把那套固定在汽车顶端的系统描述为安装在现代设备上的“穷人版”巨型神经网络。所谓深度学习,其实是一套可以借助海量大数据对其进行训练的神经网络,这种技术正在获得越来越多的商业应用——从无人驾驶汽车到根据用户浏览历史推荐产品的网站,均属此类。

这还有望成为一项无处不在的科技。未来的射电天文学观测可以借助深度学习寻找有价值的信号,帮助天文学家应对难以处理的海量数据。引力波探测者也可以借此理解和消除最细微的噪音来源。而发行商同样可以利用这种技术过滤和标记数以百万的论文和图书。

一些研究人员相信,融合了深度学习技术的电脑最终甚至有可能具备想象力和创造力。“我们直接为其提供数据,它就会按照自然规律进行反馈。”加州理工学院物理学家简•洛奇弗里曼特(Jean-RochVlimant)说。

但这些优势恰恰也会导致黑盒子问题越发严重。例如,这些机器究竟是如何找到有意义的信号的?如何确定它们的结论正确与否?人们应该给予深度学习技术多大的信任?

“我认为我们肯定会屈从于这些算法。”哥伦比亚大学机器人专家霍德•立普森(Hod Lipson)说。他表示,这就好比碰到了一种拥有智慧的外星生物,他们的视觉受体不仅能感受到红、绿、蓝三种色彩,还能感知第四种颜色。人类很难理解这种外星生物看待世界的方式,而这种外星生物也很难向我们解释清楚。

他表示,电脑在向我们解释事情的过程中也会面临类似的困难,“从某种意义上讲,就像跟一条狗解释莎士比亚一样。”

面对这些挑战,人工智能研究人员开始采取与鲍莫里奥一样的应对策略——他们纷纷开始研究黑盒子里的秘密,并借助神经系统科学了解神经网络的内部原理。但欧洲核子研究组织(CERN)的物理学家文森佐•伊诺森特(Vincenzo Innocente)表示,目前得出的答案还不够深刻。“作为一名科学家,我们不仅要知其然,还要知其所以然。”他说。

技术原理

第一个人工神经网络创造于1950年代初,几乎是在能够执行算法的电脑诞生后立刻出现的。当时的想法是模拟“神经元”这种小型计算单元——它由大量的数字“突触”相连,呈层状排列。底层的每个单元吸收额外的数据(例如一个图片中的像素),然后将这些信息发送给下一层的部分或全部单元。

第二层的每个单元之后使用简单的数学规则融合从第一层吸收的信息,然后将结果进一步向上传递。最终,顶层便可得出答案——判断最初那张图片里的动物究竟是“猫”还是“狗”。

人工智能看上去很玄幻,因为人类一直没打开它的黑盒子

这类网络的优势在于它们的学习能力。利用附带正确答案的数据对其进行训练后,它们便可通过调整每个连接来大幅改进效果,直到顶层也输出正确答案为止。这一过程通过加强和弱化突触的方式模拟了人脑的学习方式,最终生成了一个网络,使之可以对从未见过的新数据进行归类。

在1990年代,这种学习能力对欧洲核子研究组织的物理学家形成了巨大吸引力,他们当时成为首批在科研工作中定期使用大规模神经网络的机构之一:在再现大型强子对装机的粒子对撞产生的亚原子颗粒轨道时,这些神经网络起到了巨大的帮助。

但这种学习模式正是信息在网络中如此分散的原因:与在大脑中一样,记忆会利用多重连接进行编码,而不是像传统数据库一样存储在某个具体的位置。“你电话号码的第一个数字存储在大脑的哪个位置?可能在很多突触上,或许距离其他数字不远。”加州大学欧文分校机器学习研究员皮埃尔•巴尔迪(Pierre Baldi)说。

但并没有明确的比特序列对数字进行编码。怀俄明大学计算机科学家杰夫•克鲁尼(Jeff Clune)表示,因此,“即使我们开发了这些网络,我们对它的了解仍然像对人脑的了解一样不够深入。”

顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------