85 歲的圖靈獎(jiǎng)得主 Raj Reddy 參加了最近舉行的第九屆海德堡獲獎(jiǎng)?wù)哒搲?。他發(fā)出由衷感嘆：「我在人工智能領(lǐng)域工作了近 60 年，沒想到這種技術(shù)會(huì)在有生之年實(shí)用化。」?

(資料圖片僅供參考)

10 年前，也就是 2012 年，深度學(xué)習(xí)取得了突破。當(dāng)時(shí)，一種基于多層神經(jīng)網(wǎng)絡(luò)的圖像分類創(chuàng)新算法突然被證明比之前的所有算法都要好得多。這一突破使得深度學(xué)習(xí)在語(yǔ)音和圖像識(shí)別、自動(dòng)翻譯和轉(zhuǎn)錄以及機(jī)器人等領(lǐng)域得到應(yīng)用。

隨著深度學(xué)習(xí)被嵌入到越來越多的日常應(yīng)用中，越來越多可能出錯(cuò)的樣本也浮出水面：人工智能系統(tǒng)會(huì)進(jìn)行歧視，制定刻板印象，做出難以捉摸的決定，并需要大量的數(shù)據(jù)，有時(shí)還需要大量的能源。?

在此背景下，第九屆海德堡獲獎(jiǎng)?wù)哒搲癁閬碜?50 多個(gè)國(guó)家的約 200 名青年研究人員組織了一場(chǎng)關(guān)于深度學(xué)習(xí)的應(yīng)用和影響的小組討論。包括圖靈獎(jiǎng)獲得者 Yoshua Bengio、Yann LeCun 和 Raj Reddy，2011 年 ACM 計(jì)算機(jī)獎(jiǎng)獲得者 Sanjeev Arora，以及研究人員 Shannon Vallor、Been Kim、Dina Machuve 和 Shakir Mohamed 都參與了討論。

Meta 首席 AI 科學(xué)家 Yann LeCun 是小組成員中最樂觀的：「有很多人聲稱深度學(xué)習(xí)不能做這個(gè)或那個(gè)，而這些說法在經(jīng)過幾年的工作后大多被證明是錯(cuò)誤的。過去五年，深度學(xué)習(xí)已經(jīng)能夠做到我們所有人都想象不到的事情，而且進(jìn)展正在加速?！?

LeCun 舉例說，Meta 公司旗下的 Facebook 現(xiàn)在能自動(dòng)檢測(cè)出 96% 的仇恨言論，而大約四年前，這個(gè)比例只有 40%。他把這種改進(jìn)歸功于深度學(xué)習(xí)?！肝覀兠刻於际艿酱罅啃畔⒌霓Z炸，而且這種情況只會(huì)越來越嚴(yán)重。我們將需要更多的自動(dòng)化系統(tǒng)，使我們能夠篩選這些信息?！?/p>

英國(guó)愛丁堡大學(xué)教授 Shannon Vallor 則反對(duì) LeCun 的觀點(diǎn)，即技術(shù)只是向前發(fā)展，它似乎有自己的意志，而社會(huì)只需適應(yīng)。「這正是我們陷入某些問題的原因。技術(shù)可以走很多分叉的道路，人們決定哪條分叉路是最佳的。深度學(xué)習(xí)系統(tǒng)是人類根據(jù)自己的價(jià)值觀、激勵(lì)措施和權(quán)力結(jié)構(gòu)建造和部署的徹頭徹尾的人工制品，因此我們要對(duì)它們負(fù)全責(zé)。」?

對(duì)深度學(xué)習(xí)的批評(píng)之一是，雖然它擅長(zhǎng)模式識(shí)別，但目前不適合進(jìn)行邏輯推理，而老式的符號(hào) AI 卻適合。然而，Bengio 和 LeCun 都認(rèn)為沒有理由不能讓深度學(xué)習(xí)系統(tǒng)進(jìn)行推理。正如 Bengio 所觀察到的，「人類也在他們的大腦中使用某種神經(jīng)網(wǎng)絡(luò)，我相信有辦法通過深度學(xué)習(xí)架構(gòu)達(dá)到類似人類的推理?！?/p>

然而，Bengio 補(bǔ)充說，他不認(rèn)為僅僅擴(kuò)大現(xiàn)今的神經(jīng)網(wǎng)絡(luò)就足夠了?！肝蚁嘈?，我們可以從生物學(xué)和人類智能中獲得更多的靈感，以彌補(bǔ)當(dāng)前人工智能和人類智能之間的差距?！?/p>

普林斯頓大學(xué)的理論計(jì)算機(jī)科學(xué)家 Sanjeev Arora 補(bǔ)充說，不僅僅是深度學(xué)習(xí)還不能推理，其實(shí)我們也不能推理深度神經(jīng)網(wǎng)絡(luò)。Arora 說：「我們需要更多地了解深度學(xué)習(xí)系統(tǒng)的黑匣子里面發(fā)生了什么，而這正是我正在努力做的事情?！?

Raj Reddy 是迄今為止參與人工智能社區(qū)時(shí)間最長(zhǎng)的小組成員，他從 20 世紀(jì) 60 年代起就參與了人工智能先驅(qū)約翰 · 麥卡錫的博士研究工作。Reddy 認(rèn)為杯子是半滿的，而不是半空的?！干疃葘W(xué)習(xí)的一個(gè)重要應(yīng)用是幫助了社會(huì)金字塔底部的人。世界上大約有 20 億人不能閱讀或書寫。各種語(yǔ)言技術(shù)現(xiàn)在已經(jīng)足夠好用了，比如語(yǔ)音識(shí)別和翻譯。我在這個(gè)領(lǐng)域工作了近 60 年，沒想到這種技術(shù)會(huì)在有生之年實(shí)用化。十年后，即使是文盲也能閱讀任何書籍，觀看任何電影，并與世界上任何地方的任何人用他們的母語(yǔ)進(jìn)行對(duì)話。」?

然而，對(duì)于深度學(xué)習(xí)技術(shù)來說，處理較小眾的語(yǔ)言仍然是一個(gè)未解決的問題，因?yàn)榭捎玫臄?shù)據(jù)要少得多。數(shù)據(jù)科學(xué)顧問 Dina Machuve 說，僅在非洲，就有 2000 種語(yǔ)言，但沒有人工智能技術(shù)可用。重要的是要進(jìn)入一個(gè)社區(qū)，看看什么對(duì)該社區(qū)有用，所以在為非洲尋找深度學(xué)習(xí)應(yīng)用時(shí)，Machuve 集中于圖像應(yīng)用方面——「我們已經(jīng)開發(fā)了基于圖像識(shí)別的家禽疾病和農(nóng)作物疾病的早期檢測(cè)系統(tǒng)?！?

不幸的是，在許多方面，非洲仍然是深度學(xué)習(xí)研究和部署中「缺失的大陸」，DeepMind 的研究員 Shakir Mohamed 補(bǔ)充說?！肝覀兘y(tǒng)計(jì)了 2006 年至 2016 年期間，在著名的神經(jīng)信息處理會(huì)議 NeurIPS 上，有多少來自非洲人的論文被提交，答案是：0。拉丁美洲也是如此，或許是 1 篇。我希望你們所有人，無論你們?cè)谀睦?，都能認(rèn)真對(duì)待代表性的問題，誰(shuí)在做這項(xiàng)工作，在哪里做，以及如何與他人分享你們的經(jīng)驗(yàn)?！?

谷歌大腦的研究科學(xué)家 Been Kim 說，她希望大家認(rèn)識(shí)到，深度學(xué)習(xí)并不是一個(gè)可以解決所有社會(huì)問題的神奇工具。事實(shí)上，她觀察到，「可能有比機(jī)器學(xué)習(xí)更適合你所遇到問題的非 AI 解決方案。你要停下來質(zhì)疑：這是正確的工具嗎？」

當(dāng)被問及普通大眾應(yīng)該知道什么是人工智能及其前景時(shí)，Mohamed 說：「未來還沒有被決定。我們?nèi)匀豢梢詣?chuàng)造和塑造未來，這就是我們應(yīng)該永遠(yuǎn)記住的?！?/p>

關(guān)鍵詞： 人工智能 神經(jīng)網(wǎng)絡(luò) 有生之年 圖像識(shí)別 人類智能