Michael Berthold

拿起雜志，瀏覽技術(shù)博客，或在行業(yè)會(huì)議上與同行聊天。你會(huì)很快注意到，技術(shù)世界中幾乎所有的事物似乎都有人工智能或機(jī)器學(xué)習(xí)的元素。討論人工智能的方式，聽起來像是在宣傳布道。人工智能是一種可以滿足我們所有需求的真正技術(shù)！ 它們正在拯救我們所有人！

我們可以使用基于人工智能的技術(shù)做許多神奇的事情，這是真的。但是通常情況下我們并沒有完全體現(xiàn)“智能”這一術(shù)語的含義。智能意味著一個(gè)人們可以與之進(jìn)行創(chuàng)造性對話的系統(tǒng)，即具有思想和創(chuàng)新能力的系統(tǒng)。這一術(shù)語存在著爭議。今天的“人工智能”通常描述的是實(shí)現(xiàn)了人類在某些方面的能力，例如物體或語音識別，但肯定不是人類智慧的全部潛力。

因此，對于描述我們今天正在使用的“新”機(jī)器學(xué)習(xí)技術(shù)來說，“人工智能”可能并不是最佳術(shù)語，但是事已至此，盡管機(jī)器學(xué)習(xí)還不是機(jī)器智能的代名詞，但是它們無疑已經(jīng)變得更加強(qiáng)大，更具能力并且更易于使用。人工智能（指神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)以及“經(jīng)典”機(jī)器學(xué)習(xí)）最終將成為分析工具包的標(biāo)準(zhǔn)組成部分。

既然我們已經(jīng)進(jìn)入了AI革命，或者更確切地說是進(jìn)化，那么重要的是要看一下人工智能的概念被采納的方式、原因以及未來的意義。下面讓我們更為深入地研究探討一下人工智能（即使是一些誤解的說法）在當(dāng)今引起關(guān)注的原因。

人工智能的爆發(fā)：為什么是現(xiàn)在？

在當(dāng)前的炒作周期中，人工智能或機(jī)器學(xué)習(xí)經(jīng)常被描述為是相對較新的技術(shù)。這些技術(shù)正突然變得成熟起來，并在最近從概念階段過渡到應(yīng)用程序集成階段。

人們普遍認(rèn)為，獨(dú)立的機(jī)器學(xué)習(xí)產(chǎn)品是最近幾年才開發(fā)出來的。實(shí)際上，人工智能取得的重要發(fā)展成就并不是新事物。今天的人工智能只是過去幾十年來取得的進(jìn)步的延續(xù)。變化與AI技術(shù)本身并無太大關(guān)系，而是與人工智能技術(shù)相關(guān)的周邊技術(shù)，即數(shù)據(jù)生成和處理能力。我們之所以會(huì)誤認(rèn)為人工智能技術(shù)發(fā)生了變化，是因?yàn)槿斯ぶ悄芗夹g(shù)出現(xiàn)在了許多地方。

我并不想用“我們很快就要存儲多少ZB數(shù)據(jù)”這樣的話讓大家感到焦慮不安。我們都知道，我們生成和收集數(shù)據(jù)的能力正在顯著增長。同時(shí)，我們發(fā)現(xiàn)可用的計(jì)算能力也在驚人地增長。從單核處理器向多核的轉(zhuǎn)變以及通用圖形處理單元（GPGPU）的開發(fā)和采用為深度學(xué)習(xí)提供了足夠的算力。我們甚至不需要內(nèi)部處理計(jì)算，只需簡單地租用云端中某個(gè)地方的算力即可。

有了如此多的數(shù)據(jù)和大量的計(jì)算資源，數(shù)據(jù)科學(xué)家終于可以使用完全不同于過去幾十年的方法。在20世紀(jì)90年代，需要花上幾天的時(shí)間訓(xùn)練神經(jīng)網(wǎng)絡(luò)來識別數(shù)以萬計(jì)的手寫樣本數(shù)字。如今，我們可以通過數(shù)以千萬計(jì)的圖像來訓(xùn)練更復(fù)雜的（即“深度”）神經(jīng)網(wǎng)絡(luò)，以識別動(dòng)物、面容和其他復(fù)雜物體。我們可以部署深度學(xué)習(xí)模型以實(shí)現(xiàn)主流業(yè)務(wù)應(yīng)用程序中的任務(wù)和決策自動(dòng)化，例如檢測和預(yù)測產(chǎn)品成熟度或路由打入的電話。

這聽起來可能像建立真實(shí)的智能一樣令人感到可疑，但是需要著重指出的是，在這些系統(tǒng)下，我們只是在調(diào)整數(shù)學(xué)性相依參數(shù)，盡管這是一個(gè)相當(dāng)復(fù)雜的參數(shù)。人工智能方法并不擅長獲取“新”知識，它們只能從呈現(xiàn)給它們的東西中學(xué)習(xí)。換句話說，人工智能不會(huì)問“為什么”這樣的問題。系統(tǒng)的運(yùn)行方式不會(huì)像孩子在試圖了解周圍世界時(shí)不斷向父母問這問那。系統(tǒng)只知道它被“喂”了什么，它們不會(huì)識別以前未出現(xiàn)過的任何東西。

在其他“經(jīng)典”機(jī)器學(xué)習(xí)場景中，了解我們的數(shù)據(jù)并清楚我們希望該系統(tǒng)如何找到模式非常重要。例如，知道生日對客戶是沒有用的，除非將生日轉(zhuǎn)換為客戶的年齡。我們也都知道季節(jié)性的影響，但是我們不應(yīng)該期望系統(tǒng)會(huì)獨(dú)立于季節(jié)來學(xué)習(xí)時(shí)尚購買方式。此外，我們可能還想在系統(tǒng)中注入一些其他信息，讓系統(tǒng)在已知的基礎(chǔ)上進(jìn)行學(xué)習(xí)。與深度學(xué)習(xí)不同，這種機(jī)器學(xué)習(xí)已經(jīng)被企業(yè)使用了數(shù)十年時(shí)間，并正在穩(wěn)步發(fā)展。

人工智能的最新進(jìn)展主要集中在數(shù)據(jù)科學(xué)家能夠模仿人類識別能力的領(lǐng)域，例如識別圖像中的對象或聲音信號中的單詞。對于識別諸如音頻流或圖像之類的復(fù)雜信號中的東西，其學(xué)習(xí)能力是非常強(qiáng)大的，強(qiáng)大到足以使許多人懷疑為什么我們沒有在所有地方都使用深度學(xué)習(xí)技術(shù)。

人工智能的現(xiàn)狀：現(xiàn)在是什么情況？

企業(yè)領(lǐng)導(dǎo)者可能會(huì)問他們什么時(shí)候應(yīng)該使用人工智能。在神經(jīng)網(wǎng)絡(luò)解決與模仿人類擅長行為方面（對象識別和語音識別是兩個(gè)最突出的例子）基于AI的研究已經(jīng)取得了巨大進(jìn)展。每當(dāng)有人問“好的對象表示法是什么？”且你無法回答時(shí)，深度學(xué)習(xí)模型就可能值得嘗試一下。如果數(shù)據(jù)科學(xué)家能夠構(gòu)建語義豐富的對象表示形式，那么經(jīng)典的機(jī)器學(xué)習(xí)方法可能是一個(gè)更好的選擇（嘗試找到一個(gè)好的對象表示形式是值得認(rèn)真花一些心思的）。

人們只是想在同一平臺上嘗試不同的技術(shù)，他們不想讓軟件供應(yīng)商限制他們的選擇，也不想因軟件供應(yīng)商無法跟上當(dāng)前發(fā)展而影響到他們的選擇。這就是為什么開源平臺是該市場的領(lǐng)導(dǎo)者的原因。這樣可以使從業(yè)人員將當(dāng)前的最新技術(shù)與最新的前沿技術(shù)相結(jié)合。

展望未來，隨著團(tuán)隊(duì)在使用機(jī)器學(xué)習(xí)來實(shí)現(xiàn)目標(biāo)和方法上變得一致，深度學(xué)習(xí)將成為每個(gè)數(shù)據(jù)科學(xué)家工具箱的一部分。對于許多任務(wù)來說，在其中添加深度學(xué)習(xí)方法將提供巨大的價(jià)值。由于當(dāng)前人們已經(jīng)在收集和注釋足夠的數(shù)據(jù)方面遇到了麻煩，因此我們通過預(yù)先訓(xùn)練的人工智能系統(tǒng)合并現(xiàn)有的語音或語音識別組件。最終我們會(huì)意識到，就像之前的經(jīng)典機(jī)器學(xué)習(xí)一樣，深度學(xué)習(xí)實(shí)際上只是另一種工具而已。

人工智能的前景：接下來將如何發(fā)展？

就像二十年前一樣，我們面臨的障礙之一是：理解人工智能系統(tǒng)學(xué)到的東西以及它們是如何做出預(yù)測的是一件極為困難的事情。在預(yù)測客戶是否喜歡某一特定產(chǎn)品時(shí)，這一點(diǎn)可能并不重要。但是，當(dāng)解釋為什么一個(gè)與人類交互的系統(tǒng)會(huì)以一種意想不到的方式運(yùn)行時(shí)，問題就出現(xiàn)了。人類愿意接受“人類的失敗”，因?yàn)椴黄谕祟愂峭昝赖摹５俏覀儾粫?huì)接受人工智能系統(tǒng)的失敗，尤其是如果我們不能解釋它們失敗的原因（并進(jìn)行糾正）。

隨著我們對深度學(xué)習(xí)的逐漸熟悉，我們將意識到（就像我們二十年前對機(jī)器學(xué)習(xí)所做的那樣），盡管系統(tǒng)很復(fù)雜且用于訓(xùn)練的數(shù)據(jù)量很大，但是如果沒有領(lǐng)域知識，就無法理解許多模式。人類的語音識別之所以如此有效，是因?yàn)槲覀兺ǔ？梢酝ㄟ^了解當(dāng)前對話的上下文來彌補(bǔ)未聽出來的地方。

當(dāng)今的人工智能系統(tǒng)還沒有這么強(qiáng)的理解能力。我們現(xiàn)在看到的智能還處于非常淺顯的階段，即模仿孤立的人類識別能力，有時(shí)甚至在孤立的任務(wù)中它們表現(xiàn)的要優(yōu)于人類。通過數(shù)十億個(gè)示例對系統(tǒng)進(jìn)行訓(xùn)練如今僅僅是關(guān)系到擁有的數(shù)據(jù)量和足夠計(jì)算資源的問題，已經(jīng)不再是成敗的決定性條件。

人工智能還遠(yuǎn)遠(yuǎn)達(dá)不到像宣傳的那樣“拯救世界”。不過，它們將成為人們手中的一件令人難以置信的工具，幫助人們更快更好地完成工作。

本文作者M(jìn)ichael Berthold為開源數(shù)據(jù)分析公司KNIME的聯(lián)合創(chuàng)始人兼首席執(zhí)行官。其在數(shù)據(jù)科學(xué)領(lǐng)域擁有25年以上的工作經(jīng)驗(yàn)，在學(xué)術(shù)界曾先后擔(dān)任過加利福尼亞大學(xué)（伯克利分校）、卡內(nèi)基梅隆大學(xué)、德國康斯坦茨大學(xué)的教授，在產(chǎn)業(yè)界先后擔(dān)任過英特爾的神經(jīng)網(wǎng)絡(luò)小組、Utopy和Tripos的專家。

原文網(wǎng)址

https：//www.infoworld.com/article/3438322/artificial-intelligence-today-whats-hype-and-whats-real.html