人工智能時代的降臨

去年以來關於人工智能（AI）的討論很是火熱，最近讀到一篇這個主題的文章以爲很是不錯，翻譯過來分享下。這不是一篇燒腦的關於人工智能技術文，而是一篇開闊的思辨性文章。

下面是原文：

---

是的，數百萬低報酬、低技能的工做崗位將面臨風險，但人工智能革命仍是會帶來不少好處的。

1

週二，白宮發佈了一份關於人工智能與經濟的使人寒心的報告。報告以以下推斷開頭：「能夠預計機器將在愈來愈多的任務上達到甚至超越人類的表現。」，以後它警告了大量人工崗位的消失。

然而，爲了應對這種威脅，政府作出了一個可能聽起來很荒謬的建議：咱們必須加大對人工智能的投資。美國生產力和競爭優點的風險實在過高，以致咱們不得不加倍投入。

這個方法不只有意義，並且是惟一有意義的方法。擔心數百萬的工做職位，像小車或卡車司機，將會被自動駕駛革新，這是有道理的，但咱們也有巨大的需求鴻溝須要機器學習來幫助填平。咱們的醫療系統是有深度缺陷的，智能終端能夠在更多的地方向更廣的人羣傳播更實惠的、支付得起的更高質量醫療服務。咱們的基礎教育設施還不足以覆蓋以讓學生準備好面對陰然逼近的經濟動盪。在這方面，人工智能系統能夠切入到教師力量薄弱的地區。咱們也可能經過開發更智能的基礎設施來得到能源獨立性，就像 Google 子公司 DeepMind 爲其母公司的電力使用所作的事同樣（譯註：DeepMind 利用人工智能技術使得 Google 數據中心製冷消耗的電力帳單下降了 40%）。這裏面的機會實在大到不能忽視。

更重要的是，咱們必須超越這種狹隘的思考方式 —— 受到人工智能威脅的工做崗位。由於今天的人工智能領導者（在 Google 這樣的公司或其餘地方）已經爲一個更加雄心勃勃的願景（曾經幻想的通用人工智能）奠基了基礎。

要探訪人工智能降臨的前沿陣地，那就去觀察機器學習系統在狹窄的受限領域是如何完敗人類的。今年，最矚目的人工智能與人類的對決就來自 Google。三月份，世界級圍棋選手（李世乭九段）對決 DeepMind 的 AlphaGo 遭遇屈辱的慘敗。DeepMind 的研究人員還製做了一個能夠針對視頻讀脣的系統，其精確度相對人類而言一騎絕塵。幾周前，Google 的計算機科學家和醫學研究人員合做推出了一個算法，該算法能夠像眼科醫生同樣經過眼睛圖像檢測發現糖尿病性視網膜病變。這是許多公司目前正在追逐的目標 —— 經過自動分析醫療掃描來幫助醫生 —— 的一個早期步驟。

也是在今年秋天，微軟公佈了一個能夠轉錄人類語音的系統，相比專業的速記員它的準確度高的多。語音識別是 Cortana（微軟）、Alexa（亞馬遜） 和 Siri（蘋果） 這些語音助手系統的基礎，而且在這項任務中達到人類的表現水準已經是數十年的目標。對於微軟首席語音科學家黃學東（XD Huang）來講：「這自己就像一個夢，在三十年後變成了現實。」

然而，人工智能在 2016 年碾壓人類的一系列勝利僅僅是個開始。最新研究代表，咱們很快將從這些「狹義」（受限於特定領域，應用範圍相對窄）人工智能轉變到「廣義」（更豐富和複雜的應用領域）的人工智能。雖然離一個真正的通用人工智能至少還有幾十年，但由於這些人工智能系統不斷擴張的應用領域，社會仍將見證鉅變。這就是爲何白宮（好吧，至少奧巴馬還在位時）沒有縮減投入人工智能的預算。咱們正在發展一種強大的力量來完全改變曾經咱們創造的一切。

忽略這種趨勢，而非積極投身其中去理解、塑造和監控它，極可能是一個國家所能犯的最大錯誤。

2

以前說起的那些成功的人工智能產品選擇的工具都是深度學習。人工智能技術的競爭進入白熱化，它的特殊性體現了咱們爲何處在通用人工智能的邊緣。（譯註：深度學習模擬的是人腦的思惟過程，因此做者才特別說起它和過去方法相比的特殊性）

雖然咱們已經可以訓練人工智能來完成任務數十年了，可是專家們不得不煞費苦心的爲每個應用手工打造許多定製組件。例如，在讓人工智能識別圖像中的物體這件事上，人類耗費了數年的工做積累，但在面對解析轉錄聲音的問題時這些積累卻毫無用處。換句話說，咱們不得不預先咀嚼餵給人工智能的食物，一次，又一次，再一次。（譯註：形象的形容過去訓練人工智能的工做過程）

過去四年的教訓是，這類枯燥乏味的「預咀嚼」過程，從目前來看在很大程度上是不相關的。取而代之的是，本質上存在一個算法（包含不少微變量）能夠直接從你餵給它的任意大小數據集開始，經過調整自身的結構來解決問題。結果帶來的不只是表現更好的系統，並且能更快的進行實驗。「許許多多曾經讓咱們不遺餘力但卻困頓不前的問題，現在，六個月內將迎刃而解。」 Google 副總裁與工程師 Fernando Pereira 如是說。

然而，與人類相仿的語音識別，脣讀和圖像標記質量同樣使人印象深入，深度學習是不是偉大而全能的人工智能的基石，這在目前並不是顯而易見。它稍微有點像你的孩子帶回家的成績單，其中涉及了像英語（母語課）、織襪子（手工課）、閃避球（體育課）和計算三角斜邊（數學）的各種科目。你可能想知道這個聰明的孩子是否可以在這些領域之間創建聯繫，併成爲一個批判性的思想家嗎？那麼，深度學習肯定走在可以挑戰真正人類智能的道路上嗎？（譯註：做者這段把人工智能比做小孩，其應用的各類領域就像孩子上學的各個科目）

OpenAI 聯合創始人兼研究主管 Ilya Sutskever 說：「咱們目前所見的人工智能系統，之因此應用在很是窄的領域，是由於它們很是有用。良好的翻譯是很是有用的，良好的癌症篩查是很是有用的，這正是人們所追求的。」

但他補充說道：「儘管今天的人工智能系統看起來應用領域狹窄，但咱們已經開始看到了通用智能的種子。緣由是底層技術本質上是同一律念在不一樣應用領域上略有差別的反覆重演。這些想法就像粘土同樣可揉捏組合，你只需去混合和搭配它們就能工做起來。」

經過揉捏組合今天這些狹窄領域的系統，咱們將會登錄更寬廣的明天 —— 一種更明顯的智能。

3

一個早期的誘人例子，更高級的智能看起來可能最終會出自 Google 的翻譯研究。九月 Google 宣稱，經過使用其神經機器翻譯系統（GNMT：Google Neural Machine Translation，後文將使用這個英文簡寫），翻譯的效果取得了巨大提高。Google 的 Pereira 稱：「翻譯質量得到了飛躍，我從未想過會在今生的工做中得以見到。」（譯註：Pereira 就是前文說起的 Google 副總裁，另外，至少目前在中文翻譯上貌似也仍是不行，要不我也不用這麼辛苦的手打翻譯了，嘿嘿:-)）

他補充道：「曾經咱們一直在穩步的前進，但如今這再也不是穩步前進，而是日新月異。」。

新的翻譯系統在從一門語言到另外一門語言之間逐步鋪開，一些「谷歌人」決定更進一步。他們想知道是否能夠構建一個單一的翻譯系統來同時應對許多語言，並潛在的展示出人類智能的標誌性能力 —— 轉移學習。轉移學習是一種應用一種技能（好比，彈鋼琴）來加速習得另外一種技能（好比，指導學習管絃樂或另外一種樂器）的能力。

通曉音樂基礎能夠幫助一個鋼琴家彈起尤克裏裏琴（一種四絃琴），這彷佛是顯然的，但對於語言的翻譯而言卻並不是如此。在 GNMT（Google 神經機器翻譯系統）中，一種深度學習系統必須吸取數百萬從德語到英語的翻譯，教會本身如何吃進 「der rote Hund」（這句是德語）並吐出「紅狗」。一個孤立的系統獨立學習如何在另外一個方向上翻譯，如從英語到德語。一樣，從法語到英語，英語到法語，韓語到日語等等，每對語言都使用本身的獨立系統，這就像翻譯行爲每次都被從新發明同樣。爲了支持 100 種語言之間的翻譯，你最終可能得訓練近 10,000 個獨立的系統。這很費時。

這些研究人員想知道是否他們能夠針對多語言構建一個單一的模型，相對那些孤立的一次性系統保留本身的模型。首先，這樣可能更有效率。並且把全部這些語言和詞彙放在一個單一架構的內部相互碰撞，也許一些更有趣的事便會發生。

他們從小處着手，用一個神經網絡訓練葡萄牙語和英語，以及英語和西班牙語。到目前爲止還不錯，這個單一的多語言系統作得很好，幾乎和最早進的基於 GNMT 特定語言模型（從英語到西班牙或葡萄牙語）的翻譯系統同樣好。而後他們想知道，這個算法是否也能夠用在西班牙和葡萄牙語之間的翻譯？—— 即便它從未學習過任何一例從葡萄牙到西班牙語的翻譯。

正如他們在十一月份報道的，他們獲得的結果是「符合預期且不錯的質量」 —— 還未到驚人的完美，可是對一個新手來講已不錯了。然而當他們給機器餵了一小組從葡萄牙到西班牙語的句子對 —— 一些數據開胃菜，系統忽然就表現的和基於葡萄牙到西班牙特定語言模型的 GNMT 同樣好了。並且它也適用於其餘語言包。正如 Google 的做者們在論文中所寫道的：「這是咱們第一次認識到，真正的轉移學習的一種形式體如今了機器翻譯的工做中。」

咱們很容易忽略這裏面的不一樣尋常之處。這個神經網絡教會了本身使用間接信息這種很是原始的（相對人類）新技能。它幾乎沒有學習過從葡萄牙到西班牙語的翻譯，然而如今它處理起這項工做時卻很是駕輕就熟。在系統深處的某些地方，系統做者彷佛看到了一些詞彙共同本質的跡象，這但是意義的要領所在。

Google 的 Pereira 這樣解釋道：「這個模型有一個共同層，用於從任意一門語言翻譯到任意另外一門語言。這個共同層表明了許多文本的含義，獨立於語言，這但是咱們歷來沒有見過的東西。」。

固然，目前這個算法的推理能力還很是有限。它不知道企鵝是一種鳥，或者巴黎是在法國。可是它體現了一個即將到來的跡象：基於一套不完整的例子可使認知產生飛躍的新興智能。若是今天深度學習在你所在意的某項技能上還沒能擊敗你，別慌，等等，它終究會的。

4

訓練一個系統來作許多事正是開發一個通用智能所需的，而且積極促進這個過程正是現在人工智能的熱心擁躉們的核心關注點。本月早些時候 OpenAI，Elon Musk（都認識吧，硅谷鋼鐵俠，特斯拉 CEO） 和 Sam Altman（Y Combinator 新任總裁）創造的研究聯盟，發佈了「宇宙」（Universe）—— 這是一個訓練系統環境，它不只僅完成單一任務，而是在不一樣活動之間跳躍轉變，以讓系統變得適應多樣化的任務活動。

正如 OpenAI 的另外一位聯合創始人 Sustkever 所說：「若是你期待看到咱們所指的真正意義上的「智能」，它毫不僅僅解決一個問題，而是解決大量的問題。可是對於一個通用終端，到底什麼纔算是好且智能的？這些還不是那麼徹底明確的問題。」

因此他和他的團隊設計了「宇宙」這個系統來幫助其餘人，將其做爲度量通用人工智能終端解決問題能力的一種方式。系統裏包含了上千的雅達利，Flash 遊戲和瀏覽器任務。若是你正在構建的人工智能想要在「宇宙」的訓練場中輸入任何東西，它會配備和人類操縱計算機一樣的工具：一個觀察動做的屏幕，以及一組虛擬鍵盤和鼠標。

它的目的是讓人工智能在一個「宇宙」環境 —— 例如，遊戲《銀河飛將3》（Wing Commander III）—— 中漫遊學習，而後快速應用習得的經驗加速在另外一個環境 —— 例如，另外一個遊戲《粘粘世界》（World of Goo）或者一些不一樣類型的東西，如 Wolfram Mathematica（Wolfram 公司的一個現代技術計算系統） —— 的學習。一個成功的人工智能終端將會展現一些轉移學習能力，並具備必定程度的敏捷性和推理能力。

這個方法並不是沒有先例。在 2013 年，DeepMind 公司透露了一個他們本身發現的單一深度學習算法，從七個雅達利遊戲中挑了六個來進行「如何玩」的測試。在其中三個遊戲裏 —— Breakout（小時候玩過的打磚塊遊戲），Enduro（一個賽車遊戲）和 Pong（乒乓遊戲）—— 該算法的表現超越了人類專家級玩家。而「宇宙」系統正是 DeepMind 成功案例的一個升級版本。

隨着「宇宙」的成長，人工智能受訓者們能夠開始學習無數有用的計算機相關技能。畢竟，它本質上是進入現代桌面電子處理工做世界的門戶。「宇宙」環境的多樣性甚至給了人工智能終端見識一些更廣闊知識天地的可能，而在其餘地方是很難收穫這些知識的。

從 Flash 和雅達利遊戲的冠軍到提高醫療服務質量的智能終端，這是一個鴻溝，但這是由於咱們的人工智能系統還在幼兒園階段。過去許多年，人工智能從未取得像今天這樣的進步。如今它正走在通往一年級、中學以及最終的高級學位的道路上。

是的，結果依然不肯定。是的，這讓咱們懼怕。可是現在咱們有一個選擇。咱們能夠嘗試關閉這個咱們既不能徹底控制也不能預測的陰暗將來，而且冒着技術自發滲透和覺醒的風險，並引起大規模的替代潮。或者咱們能夠嘗試積極的引導它走向社會效益的最大化，並鼓勵促成咱們想要看見的將來。

在這一點上我站在白宮這邊。一個深度學習推進的世界即未來臨，咱們也許能夠趕忙跳進去。

...

人工智能接管的世界即未來臨，讓咱們擁抱它吧。

---

做者：Sandra Upson
日期：2016-12-22
原文：The AI Takeover Is Coming. Let’s Embrace It.

---

寫點文字，畫點畫兒，記錄成長瞬間。
微信公衆號「瞬息之間」，既然碰見，不如一塊兒成長。