【中國安防展覽網(wǎng) 視點跟蹤】在安防領域，近年來深度學習的技術，非常大的數(shù)據(jù)量和計算量可以擴張地使用，超過了我們的想象。同時我們也對人所謂的智力，當時有一些錯誤的幻想，實際上深度學習的成長非常的快速，它可以在安防領域得到非常好的應用。
　　
　　對于人工智能與深度學習，中國科學院院士、清華大學教授張鈸在10月20至22日于山西太原舉行的2016中國計算機大會(CNCC2016)上表示，在當下人工智能大躍進的局面下，既要說實話，又不想挨一頓合力的痛打，是需要勇氣的。盡管如此，“我還是既要把人工智能的優(yōu)點和成果說夠，也要把它存在的問題說透。”和張鈸有同樣勇氣的還有其他一些人工智能領域的“大咖”。他們將問題的核心，都指向了人工智能在后深度學習時代的走向。

　　
　　“彎道超車”還是又一個日本“五代機”
　　
　　作為我國計算機領域目前規(guī)模大、級別高的學術會議，創(chuàng)建于2003年、由中國計算機學會(CCF)主辦的中國計算機大會一向是業(yè)內(nèi)人士暢所欲言的舞臺。雖然今年CNCC2016的主題是“計算改變未來”，但人工智能卻成了事實上的焦點。
　　
　　“今年不管開什么會、誰組織、在哪里開，只要和人工智能掛上邊，都很火爆。”中國科學院副院長、中國科學院院士譚鐵牛對人工智能當下的熱度深有感觸。不過，作為人工智能專家，他深刻地意識到，“與其說人工智能火，不如說是深度學習火。”
　　
　　從技術上來看，深度學習就是“很多層”的神經(jīng)網(wǎng)絡。而神經(jīng)網(wǎng)絡實質(zhì)上是多層函數(shù)嵌套形成的數(shù)學模型。事實上，在深度學習出現(xiàn)之前，人工智能已經(jīng)經(jīng)歷了兩次熱潮。在此期間，日本于1981年提出第五代計算機研究計劃，并為此投資了540億日元。當時，人工智能研究的者之一愛德華·費根鮑姆認為，這項計劃即使部分實現(xiàn)，也將產(chǎn)生巨大經(jīng)濟利益，使日本占有市場，并奪得統(tǒng)治地位。美國如不自強，事態(tài)將極為嚴重，在超工業(yè)化社會中只能處于農(nóng)業(yè)大國的地位。然而，終這一計劃還是以失敗告終。這也意味著人工智能的流派之一符號主義方法進入了瓶頸期。
　　
　　而今，隨著深度學習的出現(xiàn)，人工智能又迎來了“春天”。這是一個“彎道超車”的機會還是又一個日本的“五代機”？張鈸認為，“這兩種可能都存在，因為科學發(fā)現(xiàn)和技術創(chuàng)新總是通過默默無聞的勞作和堅持不懈的努力取得的，只有這樣才有可能成功。”
　　
　　在張鈸看來，與30年前相比，現(xiàn)在的人工智能有兩點不同，一是大數(shù)據(jù)，二是概率統(tǒng)計方法的引入。正是這兩個因素催生了當下的深度學習大潮。
　　
　　然而，深度學習所解決的問題卻有一定的范圍限制，即在一定的應用場景里，在給定的數(shù)據(jù)庫下，有了可利用的大數(shù)據(jù)，計算機的感知信息處理程度才有可能達到人類的水平。正因為它的局限性，“從狹義的人工智能走向通用人工智能，就成為后深度學習時代所要致力的問題。”張鈸說。
　　
　　不會“一統(tǒng)江湖、千秋萬載”
　　
　　“從本質(zhì)上說，(人工智能)第二次和第三次浪潮在方法論上并沒有本質(zhì)區(qū)別，都屬于連接主義。差別在于深度學習的成功。這里既有硬件的進步，也有卷積神經(jīng)網(wǎng)絡模型與參數(shù)訓練技巧的進步。”中國工程院院士、北京大學教授高文認為。但他同時表示，連接主義(神經(jīng)網(wǎng)絡、深度學習)雖然大行其道，但如何解決小數(shù)據(jù)學習和創(chuàng)造性思維仍然挑戰(zhàn)巨大。
　　
　　在南京大學教授、美國計算機協(xié)會(ACM)杰出科學家周志華看來，發(fā)展至今天，作為人工智能領域一個重要的分支，“機器學習”已經(jīng)成為一個廣袤的學科領域，而“深度學習”僅是機器學習中的一個小分支。
　　
　　在機器學習出現(xiàn)之前，人工智能的研究者們意識到，要想提升人工智能水平，僅有邏輯推理能力是不夠的，而要總結(jié)出知識再“教”給系統(tǒng)，也同樣困難。到了20世紀90年代中后期，人類發(fā)現(xiàn)自己淹沒在了數(shù)據(jù)的中，機器學習正是為了滿足人們對自動數(shù)據(jù)分析技術的需求應運而生的。而云計算、大數(shù)據(jù)時代的到來，計算能力的大幅提升，使得深度學習模型在計算機視覺、自然語言處理、語音識別等眾多領域都取得了較大的成功。
　　
　　但是，深度學習是否會“一統(tǒng)江湖、千秋萬載”呢？周志華認為，深度學習重要的作用是“表示學習”，即能自動學習和表達特征。當數(shù)據(jù)的“初始表示”(如圖像的“像素”)與解決任務所需的“合適表示”(如描述物體的特征)相距甚遠的時候，就是深度學習應用的領域。然而，很多學習任務，數(shù)據(jù)的“初始表示”與“合適表示”并沒有那么遠，因此深度學習不會“一統(tǒng)江湖”，其他一些機器學習技術也有自己的“用武之地”。未來深度學習可能有“冬天”，因為它僅是機器學習中的一種技術，更“潮”的技術總會出現(xiàn)。而機器學習不會有“冬天”，除非我們不再需要分析數(shù)據(jù)。
　　
　　高文近和美國國家科學基金會(NSF)接觸發(fā)現(xiàn)，美國現(xiàn)在對于深度學習有很大的爭議。雖然在機器學習領域，NSF仍然支持深度學習的基礎理論研究，但認為在應用領域(如計算機視覺、語音識別、計算語言學等)使用深度學習解決實際問題已經(jīng)不算創(chuàng)新，此類項目基本上都會被“殺掉”。“這給了我們一個信號，也許幾年之后深度學習真的會進入沉寂期。”
　　
　　未來走向
　　
　　張鈸認為，在后深度學習時代，人工智能主要面臨三大挑戰(zhàn)，一是概率統(tǒng)計方法帶來的困難，即它只能找出重復出現(xiàn)的特征，發(fā)現(xiàn)數(shù)據(jù)間統(tǒng)計的關聯(lián)性，卻不能發(fā)現(xiàn)本質(zhì)特征，找到因果關系。其次是生數(shù)據(jù)帶來的困難，實際上，網(wǎng)絡數(shù)據(jù)中只有34%是有用的，66%則是虛假、無用的，這會嚴重影響識別的效果。三是不能舉一反三，進行領域遷移。而要想實現(xiàn)突破，人工智能發(fā)展除了需要知識驅(qū)動與數(shù)據(jù)驅(qū)動結(jié)合從而“雙輪驅(qū)動”外，更加要依靠學科交叉，特別是數(shù)學、認知科學、心理學、神經(jīng)科學和語言學等。
　　
　　從深度學習的發(fā)展歷史來看，深度學習是相對容易利用新增計算能力的機器學習方法。因此，周志華預測，未來的主流技術未必是深度學習，但應該是能有效利用GPU等計算設備的方法。
　　
　　此外，隨著人工智能技術取得巨大發(fā)展，將越來越多地面臨“高風險應用”，因此必須有“魯棒的人工智能”。對此，周志華的理解是，“好的時候”要好，“壞的時候”也不能太壞。而開放環(huán)境下的機器學習研究，是通向“魯棒人工智能”途徑上的關鍵環(huán)節(jié)之一。
　　
　　談及機器學習的形態(tài)，周志華認為，模型和規(guī)約相結(jié)合的學件的出現(xiàn)，將會改變機器學習目前算法加數(shù)據(jù)的現(xiàn)狀，從而突破機器學習的一些局限，如需要大量訓練樣本，難以適應環(huán)境變化，模型不透明等。今后，當用戶想要應用一個模型的時候，他可以先到“學件”市場找一找有無合適的，或者選擇一個現(xiàn)成的模型加以修改后使用。而“學件”的誕生，很可能會催生出一個新的類似軟件產(chǎn)業(yè)的新產(chǎn)業(yè)。
　　
　　（原標題：后深度學習時代人工智能何去何從？）