深度进修已经触到天花板了吗
|
纽约大学的Gary Marcus写了一篇关于深度进修范围性的文章，并提出了几个令人警觉的概念(在文章撒播开之后，他又写了一篇同样风趣的续篇)。Rodney Brooks将时刻线放在一路，并通过引用的研究跟踪他的AI炒作周期猜测。 对此持猜疑立场的人凡是有几个配合点。神经收集必要的数据量很是大，纵然在本日，数据如故是有限的。这也是为什么你在YouTube上看到的“游戏”AI示例凡是必要几天不绝地输掉游戏，直到神经收集找到对应的得胜模式。 我们确实必要低落我们的祈望并遏制强调“深度进修”的手段。假如我们不这样做，我们也许会发明即将又会迎来AI的另一个严冬。 神经收集“深度”是在于它具有多层节点，而不是由于它对题目发生了深刻的领略。这些层也使神经收集难以领略，对付开拓职员也是是云云。最重要的是，当神经收集进入其他题目空间时，譬喻观光倾销员题目，它会呈现回报递减的题目。为什么在搜刮算法越发直接、有用、可扩展且经济的环境下，我还要行使神经收集来办理观光商题目呢? 虽然，有些人但愿行使神经收集办理更多其他伟大的题目，固然这很风趣，但神经收集好像很难逾越任何专门的算法。 Luke Hewitt 在《The Unreasonable Reputation of Neural Networks》文章中给出了最好的表明： 必要指出的是，神经收集必要大量的硬件和软件才气举办实习。对我来说，这是不行一连的。虽然，神经收集的猜测精度比实习时要高得多。然而，为了进步神经收集的精度，它必要不绝的被实习，因此实习时耗损的能量和本钱成指数级增添。虽然，此刻计较机的速率越来越快，但芯片制造商可否继承维持摩尔定律呢? 这是有原理的。为什么在搜刮算法越发直接、有用、可扩展且经济的环境下，我还要行使神经收集来办理观光商题目呢? 正是因为这些缘故起因，我以为另一个AI严冬即将光降。越来越多的专家和博主正在指出这些范围。公司仍旧耗费大价格雇用最好的“深度进修”和“人工智能”人才，但我以为很多公司熟悉到深度进修并不是他们所必要的只是一个时刻题目。更糟糕的是，假如你的公司没有Google的研究预算、博士人才或从用户哪里网络的海量数据，你很快就会发明你现实的“深度进修”远景很是有限。 在每一小我私人工智能的严冬之前，科学家们都在强调和宣扬他们缔造的潜能。仅仅说他们的算法能很好地完成一项使命是不足的，他们但愿它能办理任何使命，可能至少给人一种它可以的印象。譬喻，AlphaZero出格善于于下棋，于是媒体的回响是“哦，天哪，通用智能期间来了!呆板人来了!”然而科学家们并没有去更正它们，而是勉励他们行使这些词汇。事实，低落预期并不能辅佐风投融资。可是，尽量人工智能研究职员的呆板人手段有限，但他们如故将算法拟人化，他们为什么会这么做呢，这比起科学题目，倒更像是一个哲学题目。
Garry Kasparov在1997年对阵Deep Blue时暗示：Rex成果 接下来谋面对什么呢? 虽然，并不是全部行使“呆板进修”或“人工智能”的公司现实上行使了“深度进修”。 一个好的数据科学家也许被雇佣来构建一个神经收集，但当她真正研究这个题目时，她认为构建一个朴实的贝叶斯分类器也许更吻合。对付那些乐成行使图像辨认和说话处理赏罚的公司来说，他们将继承钻研下去。但我以为神经收集并没有在这类题目空间以外的处所取得盼望。事实，和缓预期对风投融资没有辅佐。 已往的人工智能严冬在敦促计较机科学的成长方面是歼灭性的。可是人工智能研究确实发生了一些有效的对象，好比搜刮算法可以在国际象棋中夺冠，也可以将运输题目的本钱最小化。简朴来说，创新性的算法每每只善于于一个特定的使命。 我想声名的是，很多题目都有都有许多相对应的有用的办理方案。为了不在人工智能的严冬中冻死，你最好专注于你想要去办理的题目而且领略它的本质。在这基本上，为这个特定题目提供一个直观的办理方案路径。假如你要对文本动静举办分类，也许必要行使朴实贝叶斯分类器。假如你试图优化你的运输收集，也许必要行使离散优化。不管周围的研究者怎么说，你都可以对卷积模子持有猜疑立场，并质疑它的理论是否正确。 假如你不认同毕达哥拉斯派的哲学，那么你能想到的最好要领就是让人工智能“模仿”一些举动，缔造出它发生了情绪和头脑的错觉。 但愿这篇文章能让你清晰的意识到，深度进修并不是办理大大都题目的正确要领。不要为全部题目寻求一个通用人工智能办理方案，由于你不行能找到的。 哲学vs科学 我想在这篇文章中提出的最后一点是，这个题目比科学更具有哲学意义。我们的每一个设法和感受都仅仅是一堆数字以线性代数的方法被乘法和加法吗?莫非我们的大脑仅仅是一个神经收集，成天只是在做点积吗?这听起来像是毕达哥拉斯的哲学把我们的意识降维到了一个数字矩阵。大概这就是为什么云云多的科学家信托通用人工智能是也许存在的，由于人类和计较机没有什么不同(我只是在这指出了这一点，并不是评述这个天下观是对照旧错)。 不管周围的研究者怎么说，你都可以对卷积模子持有猜疑立场，并质疑它的理论是否正确。 假如你不认同毕达哥拉斯的哲学，那么你能想到的最好要领就是让人工智能“模仿”一些举动，缔造出它发生了情绪和头脑的错觉。翻译措施并不分明中文，只不外它可以通过探求概率模式来“模仿”领略中文的假象。当你的智妙手机“辨认”狗狗的图片时，莫非它真的能辨认出狗狗吗?照旧它只是看到了它以提高修过的数字模式? 相干报道： https://towardsdatascience.com/is-deep-learning-already-hitting-its-limitations-c81826082ac3 （编辑：湖南网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
