人工智能仍然只是一个梦 浅谈深度学习目前存在着的若干瓶颈

本文将带你深入了解目前人工智能领域的火爆现象背后的技术瓶颈。尽管人工智能已经受到了广泛的关注，但我们距离真正的人工智能还有很长的路要走。

如今，人工智能的热度已经达到了顶峰。各种新闻机构纷纷报道，声称某些人工智能已经取得了重大进展，甚至能够彻底改变某些行业。每天都有新的人工智能初创公司涌现，宣称自己正在利用机器学习技术彻底颠覆人们的生活和商业活动。

在日常生活中，一些普通的产品，如榨汁机和无线路由器，也开始声称自己受到了人工智能技术的支持。智能桌子可以自动调整高度，甚至帮你点午餐。在这些热闹的宣传背后，真正的人工智能技术瓶颈问题逐渐浮出水面。

许多报道的记者并没有真正深入了解神经网络训练的过程，而一些初创公司和营销团队则可能夸大其词，以吸引资本和人才的关注。这也导致在人工智能领域存在许多误解和混淆。

尽管深度学习技术令人心驰神往，但大家对其实际能力和局限性并不清楚。神经网络这一概念自上世纪60年代就已存在，只是最近大数据和计算机性能的飞跃发展才使其变得真正有用。现在的技术开发成果确实令人印象深刻，计算机可以识别图像和视频中的内容，将语音转化为文字，其效率已经超越了人力。

深度学习也存在一些棘手的问题。它需要大量的数据进行支撑，并且在提前计划方面表现较差，只能做一些简单直接的模式识别工作。相比之下，人类能够从极少数的例子中学习到有价值的信息，并善于制定时间跨度很长的计划，针对特定情境建立抽象模型。

事实上，对于深度学习算法来说，甚至连一个普通路人在街上走路时所做的最简单的事情都是难以完成的。例如，如果要让机器学会如何避免在走路时被车撞到，需要提取海量的数据并进行分类挑选。强化学习路径也需要给算法一个目标，让它能够独立地判断当下最优解是什么。现在的技术还无法实现真正意义上的智能。

人工智能领域还存在许多技术瓶颈需要克服。虽然目前的技术已经取得了一些令人印象深刻的成果，但我们仍然需要保持清醒的头脑，认识到人工智能技术的局限性和挑战。只有不断深入研究，才能逐步推动人工智能技术的发展，让我们离真正的人工智能越来越近。人与机器之间的差别在于，我们能够从有限的经历中学习并汲取教训。只需一次告诫，我们就会明白需要避开行驶的车辆。我们的大脑具有从少数例子中提炼经验的能力，并能够构建（在计算机术语中称为“建模”）出被车辆碾压的可怕场景，从而避免受伤或死亡。大多数人能够迅速学习如何避免与车辆相撞。

尽管当前已有一些神经网络能够在大量数据的基础上取得惊人的成果，但它们仍存在一些重大缺陷。单独一个神经网络的表现是不可靠的，可能会犯一些基本的错误，如误将牙刷当作篮筐。这种不稳定的数据输入导致结果不可靠、不准确且不公平。

数据质量对于神经网络的输出至关重要。如果输入的数据不准确或不完整，结果将大受影响，甚至可能导致严重损失和尴尬情况。例如，Google图片可能错误地将非裔美国人识别为猩猩。更糟糕的是，微软曾尝试在推特上部署人工智能进行学习，然而仅仅几个小时后，它就充满了恶意、脏话和种族歧视。

推特上的例子可能有些极端，但我们不能否认的是，我们输入的数据本身就带有某种程度的偏见和歧视。这些潜藏的、潜移默化的观念和暗示，甚至可能连我们自己都没有意识到。例如，Google推出的开源工具word2vec用于词嵌入处理时，从Google News中提取的300万个词汇传递出的信息中，“爸爸是医生，妈妈是护士”，这种信息显然带有性别歧视。这种歧视不仅被原封不动地转移到了数字世界，而且还会被放大。如果算法在处理公开的医生职位筛选时，由于数据传递出的性别偏见信息而优先男性候选人，就会加剧性别不平等的问题。因此带来的后果更加严重。此外还存在不准确、不公平以及更大的风险——不安全。IanGoodfellow提醒我们：“生成对抗式网络”（GAN）可能被不法之徒操纵来篡改图片并欺骗机器学习系统。例如，通过添加一层看似微小的变化图片就能够欺骗机器学习系统误认其类别：如在一张熊猫的照片上增加一些微妙的细节使之成为另一种完全不同的动物长臂猿的图像机器识别确认度上升到了几乎百分之百（99.3%）。这样的恶意攻击可能对自动驾驶汽车等应用构成严重威胁因为它们可能会受到欺骗而无法正确识别道路上的障碍物和行人等物体给交通带来巨大危险和风险造成生命和财产的损失为了真正实现理想的人工智能未来我们仍需对这些瓶颈进行突破和挑战以确保人工智能系统的准确性和安全性。