From: Tech Talks; 作者：Iris
深度學習，作為近年來重燃起AI的全盛之火的創新性技術，能夠幫助人們解決計算機視覺、自然語言處理和語音識別等方面的諸多關鍵問題。然而事實上，隨著深度學習的成熟，有些人認為它有逐漸從高峰走向低谷的趨勢。顯然，要想讓AI充分藉助深度學習進一步發展，我們還有很長一段路要走。
在2019年的各大國際頂會上，許多締造深度學習技術及人工神經網絡的先驅們都承認了這一事實。Geoffrey Hinton、Yann LeCun和Yoshua Bengio這三位“深度學習之父”都曾談到過神經網絡的侷限性。同時，混合人工智能的概念再次被搬上臺面。那麼，它會是智能系統發展的下一個全新階段嗎？
機器學習技術的前進之路在何方？
在NeurIPS 2019大會上，Bengio提出了第二代深度學習技術。這代表著全新一代的神經網絡，可以處理無序分佈數據和因果數據結構。在AAAI 2020年大會上，Hinton則討論了卷積神經網絡(CNN)的缺點以及其向膠囊網絡方向發展的必要性。
但對於神經認知科學家加里•馬庫斯(Gary Marcus)來說，真正的解決方案在於開發出能將神經網絡與符號人工智能結合起來的混合性模型。 馬庫斯如是定義一個強大的AI：“雖然它不一定有超凡的功能，但用戶相信它能發現可靠的、適用範圍廣的處理方法，以及各種綜合性知識和人體所無法記憶或存儲的數據。我們期望的並非一臺機器，而是一個能夠持續學習的，並且有著強大學習能力的‘成年人’。”
這些都是目前的深度學習系統所缺少的關鍵特性。深度神經網絡可以獲取大量的數據，並利用巨大的計算資源來解決一些小範圍內的問題，如檢測特定類型的對象或在特定條件下玩複雜的視頻遊戲。然而，它們不善於進一步拓展自己的技能。馬庫斯寫道：“如果現實環境與它們所受訓練的環境不同，我們則很難再百分百地相信它們了。”
舉個例子：AI能在觀察過數千張椅子的圖片後，在現實中識別出椅子的模樣，但如果在它的數據集裡的圖片都是千篇一律的，那麼它很可能無法識別一張形狀相同、但卻被翻轉過來的椅子。一個強大的AI在數萬小時的《星際爭霸2》遊戲中經過訓練後，可以在遊戲錦標賽上戰勝多個用戶，但是，一旦改變了遊戲中的地圖或單位，它的表現就會一落千丈。它甚至不能玩任何類似《星際爭霸2》的遊戲——
它的學習能力非常單一。
AI助手在玩《星際爭霸2》
目前解決AI泛化問題的方法是建立一個擴展模型：建造更大的神經網絡，收集更大的數據集，使用更大的服務器集群，演化成更高強度的強化學習算法。
不過，事實上，這種“越大越好”的方法所能產生的結果是有限的，它同時也會引出其他一些尚未解決的問題。首先，開發和訓練大型神經網絡所需要的鉅額成本，對多數科技公司來說就是天文數字。
當涉及到語言處理時，神經網絡的侷限性也變得更加明顯。OpenAI的GPT-2和谷歌的Meena聊天機器人等語言模型都包含有超過10億個參數（神經網絡的基本單元），並且都經過了基於千兆字節文本數據的訓練。但正如馬庫斯指出的那樣，它們仍然會犯一些愚蠢的錯誤，集大成的數據庫並不能保證AI在數據處理上的絕對準確性。而當計算能力被應用到開放性領域，例如對會話語言的理解和對現實事件的推理中去，那麼，智能系統對信息的處理進程永遠不會像計劃的那樣順利發展。它們給出的結果總是過於單薄，因此並不可靠。
為什麼我們需要把符號人工智能和神經網絡結合起來？
基於純神經網絡結構的方法最終將帶來強大的或更加通用的人工智能。畢竟，人類的大腦是由物理神經元組成的，而不是由物理和數字變量組成的。而要推動純神經網絡的構建，對於智能系統而言，符號的構成不可或缺。換句話說，混合人工智能系統是以將人類智能和機器智能進行深度融合為最終目標，通過相互連接通道，建立兼具人類智能體的環境感知、記憶、推理和學習能力以及機器智能體（也就是通稱的機器符號系統）的信息整合、搜索和計算能力的新型智能系統 。它不僅僅是生物與機械的融合體，更是同時融合生物、電子和信息等多領域元素的整體，實現系統在行為、感知和認知等方面的能力增益。
如今，已經有證據證明符號系統是有效的。它無處不在。我們的web瀏覽器、操作系統、應用程序、遊戲等都是基於規則的程序。“近乎諷刺的是，世界上幾乎所有的神經網絡在其規範和執行上都遵循著相同的規則。”馬庫斯說。
數十年的計算機科學和認知科學已經證明，能夠存儲和操作抽象概念性的數據信息，是智能系統的必不可少的重要功能。這也就是為什麼說符號操作是每一個強大的AI系統的重要組成部分。
混合人工智能系統的優勢
混合人工智能系統的好處在於，它可以將神經網絡和符號系統的優勢結合起來。神經網絡可以在我們從現實世界中收集的雜亂信息中發現規律，其所收集的數據信息視覺和音頻數據、大量的非結構化文本、電子郵件、聊天記錄等。基於同一規則的AI系統可以對提取的信息進行符號化操作。
由麻省理工學院和IBM的研究人員開發的神經符號概念學習器就是一個絕佳的例子。因其先進的神經網絡，已能夠解決機器視覺問題和解釋性的問題。研究人員表明，學習器能夠以極高的準確性來歸納分析VQA（視覺問答）數據集，並能利用較少的訓練數據來產生有說服力的結果，這直接解決了限制深度學習技術發展的兩個基本問題。
神經-符號推理模型圖示
過去幾年具有里程碑意義的人工智能成就之一AlphaGo，也是符號象徵性人工智能與深度學習相結合的典型例子。它依託於多層人工神經網絡來進行自我訓練，其中一層神經網絡負責輸入大量矩陣數字，通過非線性激活方法取出權重，再產生另一個數據集合作為輸出。多層組織鏈接一起，以便於神經網絡進行精準的數據處理。
未來可期
值得稱讚的是，馬庫斯堅持要將AI系統的全部現有的成就彙集在一起，以推動該領域的發展。在過去的幾年裡，他幾乎是單槍匹馬做到了這一點，儘管AI領域的大多數知名人士都對重新審視符號操縱的想法不屑一顧。
馬庫斯如此堅持自己的觀點，他的堅決不禁讓人回想起在神經網絡頹靡的那幾十年裡，“深度學習之父”是如何繼續推動神經網絡向前發展的。他們對深度神經網絡的堅定信念最終開花結果，引發了21世紀10年代初的深度學習革命，並在2019年成功贏得了圖靈獎。
也許，終有一天，我們將會看到馬庫斯創造出強大的混合人工智能系統，並帶領我們走向AI的下一紀元。
關於我門
▼
將門是一家以專注於發掘、加速及投資技術驅動型創業公司的新型創投機構，旗下涵蓋將門創新服務、將門技術社群以及將門創投基金。將門成立於2015年底，創始團隊由微軟創投在中國的創始團隊原班人馬構建而成，曾為微軟優選和深度孵化了126家創新的技術型創業公司。
將門創新服務專注於使創新的技術落地於真正的應用場景，激活和實現全新的商業價值，服務於行業領先企業和技術創新型創業公司。
將門技術社群專注於幫助技術創新型的創業公司提供來自產、學、研、創領域的核心技術專家的技術分享和學習內容，使創新成為持續的核心競爭力。
將門創投基金專注於投資通過技術創新激活商業場景，實現商業價值的初創企業，關注技術領域包括機器智能、物聯網、自然人機交互、企業計算。在近四年的時間裡，將門創投基金已經投資了包括量化派、碼隆科技、禾賽科技、寬拓科技、杉數科技、迪英加科技等數十傢俱有高成長潛力的技術型創業公司。
如果您是技術領域的初創企業，不僅想獲得投資，還希望獲得一系列持續性、有價值的投後服務，歡迎發送或者推薦項目給我“門”: [email protected]
閱讀更多 將門創投 的文章
