深度学习的极限和挑战

6.最小读数

神经元

本文是其中的一部分贬低艾..,一系列帖子(尝试)消除术语术语和神话的神话。

作为人工智能的先锋,深度学习可能是这十年来最令人兴奋的技术之一。www.yabovip4它已经在语音识别或癌症检测等领域取得了进展,而这些领域以前是传统软件模型无法涉足的。

深度学习通常与人类思想的机制相比,有些专家认为,它将继续进入加速步伐并征服更多域名。在某些情况下,担心深度学习可能会威胁到持有我们社会的社会和经济面料,通过驾驶人类失业奴隶制

毫无疑问,机器学习和深度学习对于很多任务都非常高效。然而,它们并不是解决所有问题、超越所有之前技术的灵丹妙药。除了围绕深度学习的炒作,在许多情况下,它明显的限制和挑战阻止了它与人类儿童的思维竞争。

有关的:亚博ios彩票什么是狭义的、通用的、超级的人工智能?www.yabovip4

这是一个例子。我六岁的时候,我第一次在传说中的nes控制台上玩了马里奥兄弟。第一次经验,没有持续超过几个小时,介绍了我对平台游戏的概念。之后,我可以快速向波斯王子,Sonic The Hedgehog,Crash Bandicoot和Donkey Kong国家等其他游戏应用相同的规则。当他们在90年代中期开始时,我也没有问题导入到这些游戏的3D版本的3D版本。

与此同时,我拥有将现实世界的体验移植到游戏世界的内在力量。我立刻意识到我必须跳过坑,如果马里奥撞到那些有尖牙的植物,它们就会伤害马里奥。

从所有的标准来看,我是一个智力一般的人,甚至不是一个很好的玩家。这是我们这一代几乎每个孩子都经历过的过程。然而,即使是最简单的壮举也证明是对深度学习算法的“深层次”挑战。最聪明的游戏算法必须从头开始学习每一个新游戏。

我们人类可以学习不同概念之间抽象而广泛的关系,并在很少信息的情况下做出决定。相比之下,深度学习算法的能力有限,需要精确的信息——大量的精确信息——才能完成它们的工作。

在最近的一篇论文中深度学习:批判性评估前优步人工智能主管、纽约大学(New York University)教授加里·马库斯(Gary Marcus)详细阐述了深度学习面临的限制和挑战。虽然我建议你阅读整篇文章,但下面是他提出的要点的简要总结。

深度学习的原理

深度学习是一种通过分层神经网络,粗略模仿人脑如何运作。神经网络具有一组输入单元,其中馈送原始数据。这可以是图片,或声音样本或书面文本。然后将输入映射到输出节点,该输出节点确定输入信息所属的类别。例如,它可以确定美联储图片包含一只猫,或者小声音样本是“hello。”这个词。

电源深度学习算法的深度神经网络在输入和输出节点之间具有几个隐藏层,使得它们能够制作更复杂的数据分类。

深层神经网络
信贷:盖瑞·马库斯

深度学习算法需要用大量带标签的数据集进行训练。这意味着,例如,你必须给它数千张猫的图片,然后它才能开始相对准确地对新的猫图片进行分类。训练数据集越大,算法的性能越好。大型科技公司努力积累越来越多的数据并愿意免费提供他们的服务,以换取对用户数据的访问。他们拥有的机密信息越多,他们就能更好地训练他们的深度学习算法。这将反过来使他们的服务比竞争对手的服务更高效,并为他们带来更多的客户(其中一些客户将为他们的优质服务付费)。

有关的:亚博ios彩票什么是机器学习和深度学习?

深度学习需要数据

“在一个拥有无限数据和无限计算资源的世界里,可能不需要任何其他技术,”Marcus在他的论文中说。

问题就在这里,因为我们并不是生活在这样一个世界里。

你不可能把问题空间的每一个可能的标记样本都给深度学习算法。因此,它将不得不推广或插入之前的样本,以分类数据之前从未见过,如一个新的图像或声音,不包含在其数据集。

“深度学习目前缺乏通过明确,口头定义学习抽象的机制,并且当有数千个,数百万甚至数十亿次训练的例子时,最好的,”马库斯说。

大数据

那么在深度学习算法没有足够的质量训练数据时会发生什么?它可以壮观地失败,例如错过a一架直升机的步枪,或大猩猩的人类

深度学习算法对数据精确性和丰度的严重依赖也使其容易受到欺骗。马库斯说:“深度学习系统在某个特定领域的大部分领域都很擅长,但很容易被愚弄。”

很多疯狂的故事都证明了这一点,比如深度学习算法的错误限速标志停车标志有点污损,或者英国警察软件无法区分沙丘和裸体

有关的:2017年人工智能最大的发展

深奥的学问是肤浅的

深度学习算法的另一个问题是,它们非常擅长将输入映射到输出,但不太擅长理解它们处理的数据的上下文。事实上,深度学习中的“深”字更多的是指技术的架构和它所包含的隐藏层的数量,而不是暗示它对它所做的事情有着深刻的理解。”马库斯说:“举例来说,这种网络所获得的表现形式自然不适用于‘正义’、‘民主’或‘干涉’等抽象概念。

返回我们在文章开始时访问的游戏示例,深入学习算法可能会非常擅长玩游戏,最终可以在视频和棋盘游戏中击败最好的人类球员。看看这是疯狂的方式,这是艾丽的马里奥:

然而,这并不意味着AI算法在游戏的不同元素中具有与人类相同的理解。它通过试验和错误学习,使那些具体的动作将阻止它失败。例如,如果你看26当一个棒球被扔向马里奥时,大多数新手玩家都知道他们必须跳起来。但AI会继续奔跑,直到后背被击中。

此外,如果你给同样的算法一个新的游戏,如超级马里奥64或巨型人,它将不得不重新学习一切。

马库斯的论文指的是谷歌DeepMind的精通雅达利游戏《Breakout举个例子。根据算法设计者的说法,游戏在240分钟后意识到,打败游戏的最佳方法是在墙上挖一条隧道。但它不知道什么是隧道或墙。它刚刚通过数百万次的尝试和错误得知,这种特定的游戏方式将在尽可能短的时间内获得最多的分数。

深度学习是不透明的

虽然基于规则的软件制作的决定可以追溯到最后一个,如果机器学习和深度学习算法也无法说同样的话。这种深入学习缺乏透明度是我们所说的“黑匣子”问题. 深度学习算法对数百万个数据点进行筛选,以找到人类专家通常不注意的模式和相关性。他们根据这些发现所做的决定,往往连创造它们的工程师也感到困惑。

当深度学习正在进行一个琐碎的任务时,这可能不是一个问题,其中错误的决定会导致很少或没有损坏。但是,当它决定被告的法庭中的命运或患者的医疗时,错误可能会产生更严重的影响。

“透明度问题,尚未解决的问题是在使用金融交易或医学诊断等问题域使用深度学习时的潜在责任,其中人类用户可能想了解给定的系统如何制定了一个特定的决定,”马库斯在他的论文中说。

雾路

马库斯还指出算法偏见是其中一个问题是源于深度学习算法的不透明性。机器学习算法通常会继承所摄取的训练数据的偏差,比如倾向于显示高薪招聘广告适合男性而不是女性,或者更喜欢白皮肤而不是黑皮肤判决选美比赛. 这些问题在开发阶段很难调试,而且在深度学习驱动的软件投入生产时,常常会导致有争议的新闻标题。

有关的:什么是防止ai采取下一个大的飞跃?

深入学习注定要失败吗?

当然不是。但它注定要接受现实的检验。”总的来说,深度学习是一种非常好的方法,可以优化一个复杂的系统,在给定足够大的数据集的情况下,表示输入和输出之间的映射关系。

深度学习是解决分类问题的一种高效技术,当它有足够的训练数据和一个与训练数据集非常相似的测试集时,它的表现会很好。

但它不是一根魔杖。如果你没有足够的训练数据,或者当你的测试数据大大不同于你的训练数据,或者当你不解决分类问题,然后“深度学习成为一个方形木条撞到一个圆孔,一个粗略的近似时必须有一个解决方案,”马库斯的单词。

马库斯在他的论文中还提出,深度学习必须与其他技术相结合,比如普通的基于规则的编程和其他人工智能技术,比如强化学习。其他专家,如Starmind的帕斯卡考夫曼(Pascal Kaufmann)提出,神经科学是创造真正的人工智能的关键,人工智能将能够实现人类的问题解决

“深度学习不可能消失,也不应该消失,”马库斯说但在这一领域重新崛起的五年里,似乎是一个进行批判性反思的好时机,反思深度学习已经取得和尚未取得的成就。”

留下一个回复

这个网站使用Akismet来减少垃圾邮件。了解如何处理您的评论数据