本文獲合作媒體 雷鋒網 授權轉載，思穎、李詩編譯。原文在 reddit。
AAAS 在 reddit 上組織了一場問答，Facebook 人工智慧研究院 Yann LeCun，微軟研究院院長 Eric Horvitz， Google 研究總監 Peter Norvig 共同出席此次活動，回答了觀眾提出的一系列問題，包括如何研究更通用的人工智慧，如何看待深度學習熱，AI 的下一個突破點，量子計算是否會對 AI 產生影響，用戶的安全隱私問題等。本文選取部分內容，編譯整理如下。
Q：現在，為了讓 AI 在圍棋中戰勝人類選手，或者使用深度學習解決特定的科學任務，我們投入了很多人力、物力。取得的成就雖然很棒，但 AI 能解決的問題極其有限。能否找到一種蘇格拉底式的 AI，能闡明它勝任的所有任務背後的原理。目前不將上百萬種特定的 AI 組合在一起，你沒法構建一個通用的 AI 系統。如何將只能解決特定問題的人工智慧轉為更通用的人工智慧？
Yann LeCun：在我看來，讓機器通過觀察來學習預測模型是 AGI（Artificial general intelligence，通用人工智慧）的最大障礙。這並不是唯一方法。人類嬰兒和許多動物似乎通過觀察世界、與其互動得到一種常識（與我們的 RL，Reinforcement learning 系統相比，需要的互動非常少）。我的直覺是，大腦中很大一部分相當於預測機器，它訓練自己去預測它所能預測的一切（從觀測中預測出未觀測到的變量，例如通過過去和現在預測未來）。
可以用預測模型計劃和學習新的任務，這一過程中只需與世界進行極少的互動。目前的「無模型」RL 系統，像 AlphaGo Zero，需要與「世界」進行大量的互動來學習（儘管他們確實學得很好）。這種系統在圍棋和象棋上都做得很好，因為這裡的「世界」很簡單，是確定的，而且可以在多個電腦上同時高速運行。與這種「世界」進行互動是可行的，成本極低。但這在現實世界中行不通，你不可能為了讓系統只是學會不在懸崖邊開車，而讓它在懸崖邊開無數次車。大腦中的模型告訴我們，在懸崖邊開車是個壞主意。我們只需要一次就知道這個道理了。而如何讓機器來學習這樣的模型？
Eric Horvitz：是的，可以這樣形容最近一系列取得勝利的 AI 系統——聰明而又片面的「學者」。人類智力背後存在著無數的未解之謎，我們並沒有取得多大進展。包括「人工智慧」，其背後也存在一系列亟待解決的問題。這些問題中，包括人們如何在開放的世界中以一種「無監督」的方式學習，人類「常識」背後的機制和原理，以及人類是如何輕鬆將事情進行歸納總結的。
目前有幾個研究方向可以回答這些挑戰，其中包括不斷推動在特定領域和某些應用領域的研究，那裡一定會出現突破。然而，我認為我們需要追求更通用的人工智慧。
方法之一是採用綜合人工智慧：我們是否能將多種能力（如語音辨識、自然語言、視覺、規劃和推理）整合起來，探究整合過程中的需要解決的難題。
另一種方法是不斷推動 DNNs（deep neural networks）這種核心方法的發展，並追求更通用的解決問題的方法。我認為這一領域的突破很難實現，但將非常有價值。
下面這篇文章是關於通用 AI 框架的一些有意思的發展方向： http://erichorvitz.com/computational_rationality.pdf
Q：目前，很多關於機器學習的研究都轉向了深度學習。
（1）這會減少機器學習研究的多樣性嗎？
（2）為了支持深度學習研究，其他如機率圖模型、支持向量機等的研究會被拋棄嗎？正如 90 世紀的深度學習一樣，也許現在這些表現不好的模型在未來會表現得很好。
Yann LeCun：隨著我們在 AI 上取得進步，我的感覺是深度學習只是解決方案的一部分。在復雜的（可能是動態的）圖形中集成參數化模塊並從數據中優化參數的想法並沒有過時。從這個意義上說，只要我們還沒有找到不需要使用梯度來優化參數的好辦法，深層學習就不會消失。也就是說，正如我們今天所知道的那樣，深度不足以構成「完整」的人工智慧。我一直喜歡說定義動態深層結構的能力（即按照程序定義計算圖，其結構隨著新的輸入而改變）的能力可以將深度學習推廣為可微編程方法。
但事實上，我們至少遺漏了兩件事：（1）可以推理的機器，而不僅僅是感知和分類，（2）機器可以通過觀察世界來學習，而不需要人類策劃的訓練數據，不需要與世界進行太多次互動。有些人稱之為無監督學習，但這個短語太模糊了。
我們需要機器學習的一種方式是學習人類的嬰兒和動物：他們主要通過觀察來建立世界模型，並且有非常少量的互動作用。這是下一個十年的挑戰。
至於問題（2）深度學習和圖形模型之間沒有對立。你可以這樣使用圖形模型，比如因子圖，其中的因子是整個神經網路。這些是正交概念。人們曾經在深度學習框架的基礎上建立了機率規劃框架。例如 Uber 的 Pyro，它是通過 PyTorch 建立的（機率編程可以看作圖形模型的推廣、類似可微編程是深度學習的泛化推廣）。
事實證明，在圖模型中使用反向傳播進行推理是非常有用的。當數據匱乏並且可以手動特徵化時，SVM、核方法、樹模型等更好用。
Eric Horvitz：人們對於深度神經網路在預測任務和分類的能力感到很興奮。將其應用於對象辨識、語音辨識、翻譯（結合強化學習思想）等的準確率不斷提高。然而，AI 是一個寬廣的領域，有著大量有前途的分支學科——並且 AI 的機器學習分支也還有著大量的分支。
我們需要繼續開發有潛力的 AI 技術，包括機率圖模型、決策理論分析、邏輯推理、規劃、算法博弈論、元推理和控制論等已有的豐富成果。我們還需要將領域進行擴展，例如將有限理性模型推廣到開放世界中研究智能體。
在微軟研究室，我們在 DNNs 上付出了不少努力，投資更廣泛的 AI 項目。我們也對如何結合邏輯推理、DNNs 和其他的機器學習感興趣。例如，你可以看看我們用 DNNs+邏輯來自動編程的例子。
Q：你認為深度深度學習只是一時的潮流，還是長期的趨勢？雖然我了解到基於深層學習的模型使得電腦視覺和 NLP（Natural Language Processing）方面有了巨大的改進。你認為深度學習是解決視覺和 NLP 問題的模式嗎？或者，不久就會有新的範式出現？
Peter Norvig：我認為「深度學習」這個品牌已經創造了很大的價值，因此不管基礎技術有多大變化，它還會維持很長一段時間。即使 CNNs（convolutional neural network）和 ReLUs 興起，我認為「深度學習」這個名字還將持續。
至於基本概念或方法，我認為我們在模式匹配問題上做得很好，但在關係推理和規劃方面做得並不好。我們可以做一些抽象的形式，所以我們需要大量的新思想。
Q：我想知道是否有人試圖設計一種模仿情感的獎勵系統。我相信人工智慧系統必須與世界有某種聯繫，「情感」是真正把我們與環境結合在一起的黏著劑。我正在想像 AI 通過完成一項任務能達到的某種狀態。例如，我們有可以打敗國際象棋大師的電腦，但我們能擁有想要贏的電腦嗎？一個想法可能是分割數據，如果完成了一個任務，就會打開一個分區。所有的生命形式都通過一種獎勵制度進化。
Peter Norvig：事實上，AlphaGo 等系統在圍棋對弈以及其他遊戲中取得的成果，主要來源於：一個系統的獎勵，我們稱之為「強化學習」。Alpha Zero 只從輸掉一盤遊戲或者贏得一盤遊戲中獲益，沒有任何預先的專家知識，有的只是遊戲的規則和「嘗試更多能獲得積極獎勵的行為，更少獲得消極反饋的行為」。所以，從某種意義上說，Alpha Zero 唯一「想要」的是贏。在另一個意義上說，它不想任何東西，它沒有感受或好或壞的事情的感覺，它只是想從計算上獲得最大的比分。
Q：很多傳統統計模型的價值在於：我們能清楚地知道模型在做什麼，它們是如何得出結論的，在推斷/預測時的不確定因素。深度學習的方法在預測方面也很不錯，但它們往往是「黑箱子」。對於 ANNs（Artificial neural networks）等模型的內部機制，我們有哪些了解？了解模型的內部機制是否重要？我認為在做重大決策（例如自動駕駛、臨床決策）時，了解模型的內部機制極其重要。
Peter Norvig：這是當前研究的一個重要領域。你可以從 Big Picture blog 或 Chris Olah 的部落格中看到 Google 是如何來進行這一研究的。我認為理解上的困難更多的是來自於問題本身，而不是解決方案。
當然，二維線性回歸極易理解，但它不適用於非良好線性模型問題。同樣地，隨機森林或者標準的 Python/Java 代碼中「if/then」規則很容易理解，但是如果這些規則真的是一目了然的話，代碼中就不會有 bug 了。
我想說的不僅僅是「理解」，還有「可信度」。我們什麼時候可以信任一個系統？特別是當系統做出重大決策的時候。有很多方面：
- 是否可以理解代碼/模型；
- 模型是否長期在很多案例上得到過驗證；
- 是否能確信世界沒有發生變化，將我們帶入模型從未見過的狀態；
- 模型能否抵抗對抗性攻擊；
- 模型能否抵抗 degradation 測試，即故意削弱模型的一部分，看其他部分如何工作；
- 過去是否有成功的相似技術；
- 模型是否被持續監控、驗證和更新；
- 模型外部採取了哪些檢查措施？有其他系統檢查輸入和輸出系統嗎；
- 採取什麼語言與系統通信？能問系統正在做什麼嗎；
- 我能給它一些建議嗎？如果它出錯了，我只能給它成千上萬個新的訓練案例嗎？是否可以直接對它說：「不，你得出的 X 是錯誤的，因為你忽略了 Y。」
……
這是一個很偉大的研究領域，希望未來看到更多的工作。
Q：你認為 Capsule 網路怎麼樣？除了 MultiMNIST，你們在其他資料集上有成功應用過它嗎？當輸入更多資料時，CNN 和它相比如何？
Yann LeCun：將膠囊網路應用於大規模的資料集是個不錯的想法，Geoff Hinton 已經思考了幾十年。他一直在尋找將其成功用於 MNIST 上的方法，如果想要將其成功用於 ImageNet 或其他資料集上，也需要花費很多的精力。此外，也不知道其在性能上是否存在優勢。膠囊網路可以看成是一種具備特殊池化方式的捲積網路。
Q：你們在研究 AI 時發現最嚇人的事情是什麼？
Yann LeCun：這項研究沒有什麼可怕的（與一些小報有時聲稱的相反）。
可怕的事情只發生在人們試圖過早地部署 AI 系統時。特斯拉自動駕駛功能超酷，但是，作為一個司機，你必須理解它的局限性，以便安全地使用它（它使用的是卷積網！）。
Eric Horvitz：對於如何在安全關鍵領域部署人工智慧，我們有一些自己的理解——例如，當機器和人員協同工作時，我們努力實現「人工智慧協作」。
我們在 AAAS 會議上有討論這個話題：
https://aaas.confex.com/aaas/2018/meetingapp.cgi/session/17970
Q：當人工智慧機器人能夠比任何一個團隊更好地預測/引起市場波動，然後以閃電般的方式買賣股票、產品、土地等，會發生什麼？我們能採取什麼樣的保障措施來防止 AI 的一些先驅者稱霸世界市場？
Peter Norvig：多年來，有大量交易者將先進的統計模型運用到股票市場，取得了不錯的成果。無論你有多聰明，你始終不知道還有多少空間，能讓你把事情做得更好。就我個人而言，我認為我們應該提前幾年就採取行動，通過控制交易的速度/或在交易上施加更高的成本，來抑制量化交易的效果。比我更了解交易的人或許有更好的保障辦法，但我不認為 AI 從根本上改變了規則。
Yann LeCun：你越能準確地預測的市場，你就使得市場越難預測。完全有效的市場是完全不可預測的。因此，如果市場完全由一系列完美的（或準完美的）自動交易系統組成，每個人都會得到完全相同的回報（這與市場指數的表現相同）。
Q：量子計算的進步會驅動 AI 研究嗎？如何看待二者在未來的融合？
Peter Norvig：目前我想做的很多事情量子計算都幫不上忙。我經常想要通過一個相對簡單的算法來處理海量文本，而量子計算對此並無幫助。不過，量子計算可能有助於更高效地搜尋深度網路的參數空間。我不知道是否有人做出了這樣的量子算法，不需要考慮如何用硬體來實現，如果在理論上可行也可能會有所幫助。
Yann LeCun：驅動？當然不是，量子計算對於 AI 的影響如何，說實話，我目前還不清楚。我認為，它在短期內不可能對 AI 產生影響。
Q：許多人在使用搜尋引擎和 Siri，Google Home 等語音助手時都會擔心隱私洩露。當 AI 成為我們生活中密不可分的一部分時，有什麼措施可以使得用戶在使用 AI 的同時保護其行為資料？
Eric Horvitz：我能理解這種擔心，我們公司的員工對於終端用戶資料採取了嚴格的匿名措施，資料短暫停留後就會被刪除，並且為用戶提供了多種方法來觀察，控制和刪除資料。我相信 Google 和 Facebook 也採用了同樣嚴格的方法，對此我沒有什麼不滿。
隨著歐盟發布的「一般資料保護條例」（GDPR）開始實施，對於用戶資料的管控會越來越嚴格。在保護用戶隱私方面的努力讓人覺得很棒，例如私下訓練 AI 系統和為用戶提供更多選擇。在幾年前 IAPP 的會議上曾討論過後者的解決方案，可以在這裡查看：http://erichorvitz.com/IAPP_Eric_Horvitz.pdf
Q：這些發展 AI 的公司（特別是 Facebook）背後的動機是什麼呢？在我看來用戶並不像 AI 公司那樣關心 AI。一些公司借助 AI 蒐集手機用戶資料來盈利，更是激化了用戶與公司之間的矛盾。如何讓像我這樣的用戶相信這些產品不是打著 AI 的旗號，實際上是為了收集用戶資料？
Peter Norvig：你提到了數位助手，我認為這個技術明顯是站在用戶一邊的，你的數位助理將是你的——你可以訓練它去做你想做的事情；在某些情況下，它只會在你的設備上運行你的私人資料，沒有其他人可以訪問它的內部工作。它將作為你的代理人，你不用直接去一家大公司的網站，希望他們能提供給你有用的東西，而你的代理人會整理這些產品，確保你得到你想要的東西。
Yann LeCun：這對於我們科學家來說不成問題。真正的問題是「你信任你的資料嗎？」你相信你的手機公司，你的 ISP，你的手機/操作系統製造商，你最喜歡的搜尋或社交網路服務，你的信用卡公司，你的銀行，你使用的每一個行動應用程式的開發者嗎？看看它們的資料政策，選擇你可以信任的產品，確認他們不向第三方銷售（或洩露）你的資料。在資料上遵從倫理並不會帶給公司利益衝突，因為從長遠來看，遵從資料倫理是唯一的好政策。
Eric Horvitz：我同意彼得的觀點。在構建個人代理方面，存在著一些有趣的可能性，這些代理只根據他們所服務的人的偏好共享資料，並且這些代理只會根據所有者的指令行事。這是一個不錯的研究領域。
Q： 我是本科新生，幾年前我就想在 AI 領域工作，但是除了我的教授們我沒有任何的資源。我的學校很小，要參加招聘會都得去別的城市，我如何能與 AI 領域產生更多的聯繫呢？
Peter Norvig：我建議你自己通過課程或論壇線上交友繼續學習。明顯地，要憑藉小學校的項目，找到 AI 方面的工作很難。但是，你可以在一家大公司獲得軟體工程師的職位，一旦你到了那裡，表達你對 AI 的興趣，在工作中學習，密切關注你所能從事的與 AI 相關的項目，並且很有可能在更短的時間內取得博士學位，你將成為公司中一個公認的人工智慧專家。
Q：我是一名學習核工程/等離子體物理學研究生，正計劃轉向 AI 研究。
關於 AI 領域：AI 研究的下一個里程碑會是什麼？目前需要攻克哪些挑戰來達到這些里程碑？
關於專業技能：我需要具備哪些關鍵技能/知識？剛入門的人該如何學習？
Yann LeCun：深度無監督學習、可以進行推理的深度學習系統是下一個里程碑。無監督學習需要面臨的挑戰：學習世界的層次化表徵，以理解變化的解釋因素。如何在不完全可預測的世界中進行預測，這是機器需要學習的。
關鍵技能：良好掌握數學（線性代數、多變量微積分、機率統計、優化學等）、熟練的程式設計技能、科學方法論。總的來說，創造力和知覺也很重要。
Peter Norvig：我對能真正理解人類語言、能進行實際對話的助理很感興趣，這將是很重要的里程碑事件。其中挑戰是結合抽象推理和規劃將模式匹配，目前我們只能在非常形式化的領域，如圍棋中才能做的很好，而在現實世界中還遠遠不夠。
作為物理學家是你的一大優勢，你的數學背景、實驗、建模和處理不確定性、誤差的思維很適合學習 AI。我見到過很多物理學家在 AI 領域做得不錯。
from INSIDE 硬塞的網路趨勢觀察 http://ift.tt/2ED6o9n
沒有留言:
張貼留言