人工智能时代的降临

去年以来关于人工智能（AI）的讨论很是火热，最近读到一篇这个主题的文章以为很是不错，翻译过来分享下。这不是一篇烧脑的关于人工智能技术文，而是一篇开阔的思辨性文章。

下面是原文：

---

是的，数百万低报酬、低技能的工做岗位将面临风险，但人工智能革命仍是会带来不少好处的。

1

周二，白宫发布了一份关于人工智能与经济的使人寒心的报告。报告以以下推断开头：“能够预计机器将在愈来愈多的任务上达到甚至超越人类的表现。”，以后它警告了大量人工岗位的消失。

然而，为了应对这种威胁，政府作出了一个可能听起来很荒谬的建议：咱们必须加大对人工智能的投资。美国生产力和竞争优点的风险实在过高，以致咱们不得不加倍投入。

这个方法不只有意义，并且是惟一有意义的方法。担心数百万的工做职位，像小车或卡车司机，将会被自动驾驶革新，这是有道理的，但咱们也有巨大的需求鸿沟须要机器学习来帮助填平。咱们的医疗系统是有深度缺陷的，智能终端能够在更多的地方向更广的人群传播更实惠的、支付得起的更高质量医疗服务。咱们的基础教育设施还不足以覆盖以让学生准备好面对阴然逼近的经济动荡。在这方面，人工智能系统能够切入到教师力量薄弱的地区。咱们也可能经过开发更智能的基础设施来得到能源独立性，就像 Google 子公司 DeepMind 为其母公司的电力使用所作的事同样（译注：DeepMind 利用人工智能技术使得 Google 数据中心制冷消耗的电力帐单下降了 40%）。这里面的机会实在大到不能忽视。

更重要的是，咱们必须超越这种狭隘的思考方式 —— 受到人工智能威胁的工做岗位。由于今天的人工智能领导者（在 Google 这样的公司或其余地方）已经为一个更加雄心勃勃的愿景（曾经幻想的通用人工智能）奠基了基础。

要探访人工智能降临的前沿阵地，那就去观察机器学习系统在狭窄的受限领域是如何完败人类的。今年，最瞩目的人工智能与人类的对决就来自 Google。三月份，世界级围棋选手（李世乭九段）对决 DeepMind 的 AlphaGo 遭遇屈辱的惨败。DeepMind 的研究人员还制做了一个能够针对视频读唇的系统，其精确度相对人类而言一骑绝尘。几周前，Google 的计算机科学家和医学研究人员合做推出了一个算法，该算法能够像眼科医生同样经过眼睛图像检测发现糖尿病性视网膜病变。这是许多公司目前正在追逐的目标 —— 经过自动分析医疗扫描来帮助医生 —— 的一个早期步骤。

也是在今年秋天，微软公布了一个能够转录人类语音的系统，相比专业的速记员它的准确度高的多。语音识别是 Cortana（微软）、Alexa（亚马逊） 和 Siri（苹果） 这些语音助手系统的基础，而且在这项任务中达到人类的表现水准已经是数十年的目标。对于微软首席语音科学家黄学东（XD Huang）来讲：“这自己就像一个梦，在三十年后变成了现实。”

然而，人工智能在 2016 年碾压人类的一系列胜利仅仅是个开始。最新研究代表，咱们很快将从这些“狭义”（受限于特定领域，应用范围相对窄）人工智能转变到“广义”（更丰富和复杂的应用领域）的人工智能。虽然离一个真正的通用人工智能至少还有几十年，但由于这些人工智能系统不断扩张的应用领域，社会仍将见证巨变。这就是为何白宫（好吧，至少奥巴马还在位时）没有缩减投入人工智能的预算。咱们正在发展一种强大的力量来完全改变曾经咱们创造的一切。

忽略这种趋势，而非积极投身其中去理解、塑造和监控它，极可能是一个国家所能犯的最大错误。

2

以前说起的那些成功的人工智能产品选择的工具都是深度学习。人工智能技术的竞争进入白热化，它的特殊性体现了咱们为何处在通用人工智能的边缘。（译注：深度学习模拟的是人脑的思惟过程，因此做者才特别说起它和过去方法相比的特殊性）

虽然咱们已经可以训练人工智能来完成任务数十年了，可是专家们不得不煞费苦心的为每个应用手工打造许多定制组件。例如，在让人工智能识别图像中的物体这件事上，人类耗费了数年的工做积累，但在面对解析转录声音的问题时这些积累却毫无用处。换句话说，咱们不得不预先咀嚼喂给人工智能的食物，一次，又一次，再一次。（译注：形象的形容过去训练人工智能的工做过程）

过去四年的教训是，这类枯燥乏味的“预咀嚼”过程，从目前来看在很大程度上是不相关的。取而代之的是，本质上存在一个算法（包含不少微变量）能够直接从你喂给它的任意大小数据集开始，经过调整自身的结构来解决问题。结果带来的不只是表现更好的系统，并且能更快的进行实验。“许许多多曾经让咱们不遗余力但却困顿不前的问题，现在，六个月内将迎刃而解。” Google 副总裁与工程师 Fernando Pereira 如是说。

然而，与人类相仿的语音识别，唇读和图像标记质量同样使人印象深入，深度学习是不是伟大而全能的人工智能的基石，这在目前并不是显而易见。它稍微有点像你的孩子带回家的成绩单，其中涉及了像英语（母语课）、织袜子（手工课）、闪避球（体育课）和计算三角斜边（数学）的各种科目。你可能想知道这个聪明的孩子是否可以在这些领域之间创建联系，并成为一个批判性的思想家吗？那么，深度学习肯定走在可以挑战真正人类智能的道路上吗？（译注：做者这段把人工智能比做小孩，其应用的各类领域就像孩子上学的各个科目）

OpenAI 联合创始人兼研究主管 Ilya Sutskever 说：“咱们目前所见的人工智能系统，之因此应用在很是窄的领域，是由于它们很是有用。良好的翻译是很是有用的，良好的癌症筛查是很是有用的，这正是人们所追求的。”

但他补充说道：“尽管今天的人工智能系统看起来应用领域狭窄，但咱们已经开始看到了通用智能的种子。缘由是底层技术本质上是同一律念在不一样应用领域上略有差别的反复重演。这些想法就像粘土同样可揉捏组合，你只需去混合和搭配它们就能工做起来。”

经过揉捏组合今天这些狭窄领域的系统，咱们将会登录更宽广的明天 —— 一种更明显的智能。

3

一个早期的诱人例子，更高级的智能看起来可能最终会出自 Google 的翻译研究。九月 Google 宣称，经过使用其神经机器翻译系统（GNMT：Google Neural Machine Translation，后文将使用这个英文简写），翻译的效果取得了巨大提高。Google 的 Pereira 称：“翻译质量得到了飞跃，我从未想过会在今生的工做中得以见到。”（译注：Pereira 就是前文说起的 Google 副总裁，另外，至少目前在中文翻译上貌似也仍是不行，要不我也不用这么辛苦的手打翻译了，嘿嘿:-)）

他补充道：“曾经咱们一直在稳步的前进，但如今这再也不是稳步前进，而是日新月异。”。

新的翻译系统在从一门语言到另外一门语言之间逐步铺开，一些「谷歌人」决定更进一步。他们想知道是否能够构建一个单一的翻译系统来同时应对许多语言，并潜在的展示出人类智能的标志性能力 —— 转移学习。转移学习是一种应用一种技能（好比，弹钢琴）来加速习得另外一种技能（好比，指导学习管弦乐或另外一种乐器）的能力。

通晓音乐基础能够帮助一个钢琴家弹起尤克里里琴（一种四弦琴），这彷佛是显然的，但对于语言的翻译而言却并不是如此。在 GNMT（Google 神经机器翻译系统）中，一种深度学习系统必须吸取数百万从德语到英语的翻译，教会本身如何吃进 “der rote Hund”（这句是德语）并吐出「红狗」。一个孤立的系统独立学习如何在另外一个方向上翻译，如从英语到德语。一样，从法语到英语，英语到法语，韩语到日语等等，每对语言都使用本身的独立系统，这就像翻译行为每次都被从新发明同样。为了支持 100 种语言之间的翻译，你最终可能得训练近 10,000 个独立的系统。这很费时。

这些研究人员想知道是否他们能够针对多语言构建一个单一的模型，相对那些孤立的一次性系统保留本身的模型。首先，这样可能更有效率。并且把全部这些语言和词汇放在一个单一架构的内部相互碰撞，也许一些更有趣的事便会发生。

他们从小处着手，用一个神经网络训练葡萄牙语和英语，以及英语和西班牙语。到目前为止还不错，这个单一的多语言系统作得很好，几乎和最早进的基于 GNMT 特定语言模型（从英语到西班牙或葡萄牙语）的翻译系统同样好。而后他们想知道，这个算法是否也能够用在西班牙和葡萄牙语之间的翻译？—— 即便它从未学习过任何一例从葡萄牙到西班牙语的翻译。

正如他们在十一月份报道的，他们获得的结果是“符合预期且不错的质量” —— 还未到惊人的完美，可是对一个新手来讲已不错了。然而当他们给机器喂了一小组从葡萄牙到西班牙语的句子对 —— 一些数据开胃菜，系统忽然就表现的和基于葡萄牙到西班牙特定语言模型的 GNMT 同样好了。并且它也适用于其余语言包。正如 Google 的做者们在论文中所写道的：“这是咱们第一次认识到，真正的转移学习的一种形式体如今了机器翻译的工做中。”

咱们很容易忽略这里面的不一样寻常之处。这个神经网络教会了本身使用间接信息这种很是原始的（相对人类）新技能。它几乎没有学习过从葡萄牙到西班牙语的翻译，然而如今它处理起这项工做时却很是驾轻就熟。在系统深处的某些地方，系统做者彷佛看到了一些词汇共同本质的迹象，这但是意义的要领所在。

Google 的 Pereira 这样解释道：“这个模型有一个共同层，用于从任意一门语言翻译到任意另外一门语言。这个共同层表明了许多文本的含义，独立于语言，这但是咱们历来没有见过的东西。”。

固然，目前这个算法的推理能力还很是有限。它不知道企鹅是一种鸟，或者巴黎是在法国。可是它体现了一个即将到来的迹象：基于一套不完整的例子可使认知产生飞跃的新兴智能。若是今天深度学习在你所在意的某项技能上还没能击败你，别慌，等等，它终究会的。

4

训练一个系统来作许多事正是开发一个通用智能所需的，而且积极促进这个过程正是现在人工智能的热心拥趸们的核心关注点。本月早些时候 OpenAI，Elon Musk（都认识吧，硅谷钢铁侠，特斯拉 CEO） 和 Sam Altman（Y Combinator 新任总裁）创造的研究联盟，发布了「宇宙」（Universe）—— 这是一个训练系统环境，它不只仅完成单一任务，而是在不一样活动之间跳跃转变，以让系统变得适应多样化的任务活动。

正如 OpenAI 的另外一位联合创始人 Sustkever 所说：“若是你期待看到咱们所指的真正意义上的「智能」，它毫不仅仅解决一个问题，而是解决大量的问题。可是对于一个通用终端，到底什么才算是好且智能的？这些还不是那么彻底明确的问题。”

因此他和他的团队设计了「宇宙」这个系统来帮助其余人，将其做为度量通用人工智能终端解决问题能力的一种方式。系统里包含了上千的雅达利，Flash 游戏和浏览器任务。若是你正在构建的人工智能想要在「宇宙」的训练场中输入任何东西，它会配备和人类操纵计算机一样的工具：一个观察动做的屏幕，以及一组虚拟键盘和鼠标。

它的目的是让人工智能在一个「宇宙」环境 —— 例如，游戏《银河飞将3》（Wing Commander III）—— 中漫游学习，而后快速应用习得的经验加速在另外一个环境 —— 例如，另外一个游戏《粘粘世界》（World of Goo）或者一些不一样类型的东西，如 Wolfram Mathematica（Wolfram 公司的一个现代技术计算系统） —— 的学习。一个成功的人工智能终端将会展现一些转移学习能力，并具备必定程度的敏捷性和推理能力。

这个方法并不是没有先例。在 2013 年，DeepMind 公司透露了一个他们本身发现的单一深度学习算法，从七个雅达利游戏中挑了六个来进行“如何玩”的测试。在其中三个游戏里 —— Breakout（小时候玩过的打砖块游戏），Enduro（一个赛车游戏）和 Pong（乒乓游戏）—— 该算法的表现超越了人类专家级玩家。而「宇宙」系统正是 DeepMind 成功案例的一个升级版本。

随着「宇宙」的成长，人工智能受训者们能够开始学习无数有用的计算机相关技能。毕竟，它本质上是进入现代桌面电子处理工做世界的门户。「宇宙」环境的多样性甚至给了人工智能终端见识一些更广阔知识天地的可能，而在其余地方是很难收获这些知识的。

从 Flash 和雅达利游戏的冠军到提高医疗服务质量的智能终端，这是一个鸿沟，但这是由于咱们的人工智能系统还在幼儿园阶段。过去许多年，人工智能从未取得像今天这样的进步。如今它正走在通往一年级、中学以及最终的高级学位的道路上。

是的，结果依然不肯定。是的，这让咱们惧怕。可是现在咱们有一个选择。咱们能够尝试关闭这个咱们既不能彻底控制也不能预测的阴暗将来，而且冒着技术自发渗透和觉醒的风险，并引起大规模的替代潮。或者咱们能够尝试积极的引导它走向社会效益的最大化，并鼓励促成咱们想要看见的将来。

在这一点上我站在白宫这边。一个深度学习推进的世界即未来临，咱们也许能够赶忙跳进去。

...

人工智能接管的世界即未来临，让咱们拥抱它吧。

---

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

---

写点文字，画点画儿，记录成长瞬间。
微信公众号「瞬息之间」，既然碰见，不如一块儿成长。