深度學習真的要衰落?

0 評論 3951 瀏覽 6 收藏 14 分鐘

幾天之前,國內科技媒體,尤其是AI媒體之間刷屏了一篇文章。其原作者是機器視覺專家Filip Piekniewski ,標題叫做《AI Winter is Well on its Way》。這篇文章在國內有各種翻譯的版本,并配了很多標題。但主旨差不多是一樣的:“深度學習完了!AI寒冬又要來了!”

深度學習真的完了嗎?

無論是國內還是國外,在社交媒體上“看熱鬧就不嫌事大”屬于一種基本操作。所以這篇文章還是短期內引發了大量關注。

比如我們會看到國內一些媒體以這篇文章為依據,開始提出人工智能要完了;人工智能脫下皇帝新衣等等觀點。

可是這篇文章究竟是否靠譜呢?

用大神Yann LeCun的評價,這篇文章的觀點屬于“非常無知very uninformed”。

確實其中也有不少近似常識錯誤的部分,不是很值得討論。

比如文章中認為:深度學習要糟糕的證據之一,是深度學習專家們發的相關推特越來越少了。文章中還煞有介事地分析了吳恩達發推特的數量……

這個論證邏輯實在有點牽強,一個技術誕生好幾年后,當然難以與它剛剛面世時的流量熱度相提并論。而且另一方面,似乎全世界的人均發推數也在大幅下降……

但我們未嘗不能把目光放的更遠一點:比如客觀來看,反深度學習思潮已非一日之寒。

各種關于深度學習的爭論,以及對其泡沫的懷疑,在近半年間塵囂之上。

這當然不會完全沒有道理。而且圍繞在深度學習身旁的爭議,經常有著復雜的動機和話語背景。而被媒體,尤其是翻譯后媒體所展示出來的,不過是冰山一角而已。

那么或許我們可以從那篇《AI寒冬就要來了》的文章里,去觀察一下這場“深度學習的王座保衛戰”?;蛟S這可以給我們一些線索,來判斷AI之冬到底是遠在天邊還是觸手可及。

Filip Piekniewski對深度學習的質疑一共有這么幾項證據:

  1. 關于深度學習的推特在減少……這個我們就不多聊了。
  2. 大公司對AI的興趣正在消退。
  3. 深度學習沒有證實“架構可以無限延展”的傳聞。
  4. 接二連三出現的自動駕駛事故讓深度學習失去價值。

這四大證據,得出的結論就是AI寒冬就像股市崩盤一樣,很快就會發生。

不得不說,這個邏輯鏈里的槽點還是相當密集的。

自動駕駛事故,是深度學習的鍋嗎?

首先來我們回到備受爭議的自動駕駛事故。

Filip Piekniewski認為,Uber在坦桑尼亞州撞死人的那起事件,直接證明了深度學習的無效性。原因在于報告顯示,AI系統沒有認出視線范圍內的行人。

這個推論乍聽起來有理有據的,但仔細一想絕對可謂強行甩鍋。

這就像一輛車因為發動機熄火導致發生了車禍,那么原因可能有很多,比如:車主沒有好好保養;汽車制造商有質量問題;汽車零部件生產商有問題;甚至是意外因素。

實在很難想象把原因甩給內燃機技術,以及相關學術界。

當然,深度學習目前可不像內燃機一樣經過了千錘百煉。

但脫離具體的解決方案與算法、零部件、車載系統、廠商之間的技術差異等等因素,去質疑宏觀技術,似乎也是不妥。更何況深度學習也難以被視為無人駕駛場景中的最核心技術。

比如Uber的事故率可謂出名的高,但Waymo的事故率卻出名的低。那么究竟他們都使用的某種技術不行,還是廠商不行呢?這大概不是個難以回答的問題。

換個角度想,假如深度學習非常炸裂,達到了毀天滅地的程度,于是無人駕駛就成熟到可以不經過任何測試與研究,馬上就取代人類司機安全上路了嗎?好像也不是。

所以把個別廠商的安全事故要甩給大家都用的底層技術,實在有點甩鍋的嫌疑。

大公司放棄人工智能了嗎?

Filip Piekniewski提出大公司對人工智能的興趣正在衰退。

比如有媒體報道谷歌正在不知道拿DeepMind怎么辦(這篇文章之后沒多久,谷歌I/O大會里又著重強調了DeepMind的技術),而DeepMind和OpenAI這兩個深度學習王牌公司如今靜悄悄的沒什么聲音,結論是Facebook和谷歌開始展露出從AI撤退的意圖。

那這個意圖可能確實有點太隱晦了。

就像Yann LeCun批評的那樣,谷歌、Facebook和微軟這樣的大公司,近期對AI的加注和加速招聘人才都是顯而易見的。

這個時間段最有代表性的可能是微軟,最近憑借一通緊密關聯AI的神操作,微軟股價漲出了新高。

谷歌和Facebook,甚至亞馬遜的進一步AI化都非常明顯。而谷歌,可就連軍方AI項目都那么地不離不棄。

文章提到了另一點:DeepMind在AlphaGo之后就沒有什么驚人表現了。

當然每個人對于驚人的定義是不同的,但從我們的角度看,DeepMind這兩年在強化學習和仿生AI的研究上,成果是非常顯著的。

它與谷歌能否長期兼容當然是另一個商業層面的問題,僅僅就技術表現而言,絕不可能每一個技術進步都有AlphaGo的傳播性和公關價值。

當然,值得注意的是,DeepMind確實正在越來越少提出深度學習相關的技術,反而強化學習正在成為這家公司新的關鍵詞。

泡沫與不確定性,確實彌漫在DL身旁

整體而言,這篇刷屏文章中相對靠譜的一個懷疑,是關于深度學習的框架延展性問題。

13到16年間,確實彌漫過很多對深度學習的過分吹捧,并且其中很大部分來自于科學家。

其中一個論調,是深度學習的特殊性讓其架構可以無限增長,于是智能也就會停不下來地幾何級擴張。

但在實踐中,這顯然不靠譜。首先是無限增長架構效果并不一定好,這在很多過分復雜的模型中都得到了印證;其次過于復雜的架構,同時也意味著巨大的能耗和龐大的數據需求量,這都是今天無法負擔的。

這類赤果果的打臉,在深度學習身上已經發生了不少。

由于深度學習技術提出時,確實讓學術界和產業界看到了非??捎^的延展空間,以及把很多抽象能力計算化的可能。

而在競技、視覺以及自然語言翻譯等領域,深度學習也的確帶來了不可替代的提升。

于是無論圈內還是圈外,關于深度學習就是那個“終極算法”,人類可以借由DL一路達到通用智能等等言論蜂擁而至。而深度學習之所以被很多科學家反感,這些反常識的言論其實占據了主要原因。

這些言論和樂觀估計是否帶來了資本和商業市場上的泡沫呢?

可以說是絕對有的,而且恐怕美國比中國更甚。這些因素,加上深度學習技術一些無法被攻破的先天不足:比如嚴重的黑箱性、數據依賴性,以及對動態模擬的不足等等,共同組成了一個不穩定空間。

尤其在AI嘗試走向商業化的時候,這些不穩定或許會發展為定時炸彈。好在目前來看,商業應用初級深度學習的技術紅線,還有非常遙遠的距離。

即使是“反深度學習聯盟”中最大的旗幟Marcus也認為,在功能架構上來說,深度學習可能是今天最好的解決方案,雖然它有這樣或那樣的問題。

深度學習失效了,AI冬天就會到來嗎?

最后一個我們需要弄清楚的問題,是假如深度學習失效,或者至少不再那么紅火,那么AI之冬是不是就一定不遠了?

歷史上人類經歷過兩次AI之冬,尤其80年代的AI寒冬,給當時已經相對完整的產業結構帶來了致命的打擊。到底有沒有第三次,這或許是每個相關者都關注的問題。

這里最大的問題,可能是深度學習失寵和AI之冬的必然聯系:到底是“蒼天已死,黃天當立”,還是“蒼天已死,大家完蛋”?

目前來看,似乎前者出現的概率要比后者更高。即使最終在某個產業節點,一些突發因素證明深度學習是一種架子很大但實際沒什么用的技術,那么好像今天等著上位的“備胎”也有不少。

比如上面提到了,DeepMind正在大舉投身對于強化學習的研究,并且躍躍欲試想要搞些大事情。不久前他們通過對大腦中海馬體的模仿,用強化學習技術達成了在無地圖情況下自動導航。效果已經非常驚人了。

深度學習之父Geoffrey Hinton似乎也對這個“親兒子”不太滿意。他和團隊正在努力提出膠囊網絡技術,這被廣泛視作未來可以補充甚至挑戰深度學習地位的算法實現方式。

此外,小數據學習、GAN等方案都在嘗試在某些領域補充深度學習的缺憾。

《冰與火之歌》告訴我們,鐵王座上經常換人,但七國還是那個七國。

深度學習不被寵愛與AI寒冬的逼近,似乎二者間缺少必然的邏輯聯系。尤其在深度學習的商業化潛力,還遠遠沒有被逼盡的情況下。

推翻深度學習,目前還不那么容易

綜上所述,由于深度學習這東西生來伴著太多的光環,而且太多科學家與企業主為它說過很明顯的大話。那么很多同行在這門技術不那么活躍的情況下,趕緊出來“打臉”一番,似乎也是可以理解的。

需要注意的是,無論吹噓深度學習可以連接通用智能;還是將其成敗與吳恩達每天少發了0.15條推特聯系到一起,顯然都是帶著立場和情緒的。

或許相對客觀對深度學習技術的評價是這樣的:生來驚艷,并且先天不足。

但在產業與工程化層面,今天想要推翻深度學習的主流地位似乎更加困難。原因在于80分不等于0分,深度學習以及衍生技術解決的是一個機器識別、仿生模態感知與機器理解能力從無到有的進步。

這個進步之下,有大公司的巨額投注、國家與政府的跟進,也有感知智能打開的商業想象空間,以及商業智能與各行各業的結合可能。這些技術起點和整個商業市場相比,目前全世界的滲透率都還很低。

這也意味著,即使深度學習不再在技術端繼續增長,那么把產業潛力釋放干凈,也還需要一個漫長的時間軸。

另一方面,目前所謂以推翻深度學習為目標的技術,往往是在補充深度學習的不足,并且大多比較初級。它們未來是否真的是非此即彼的關系,目前還是未知數。

歸根結底,深度學習可能還要在它所謂的“王座”上再坐一會。而媒體和反對者想要得出AI寒冬的結論,可能還需要多花些努力才行。

 

本文由 @腦極體 原創發布于人人都是產品經理。未經許可,禁止轉載

題圖來自 Pexels ,基于 CC0 協議

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!