計算機算力的增強為人工智能發(fā)展鋪平了道路。

通過強大的云計算平臺，人工智能研究人員已經(jīng)能夠在較短的時間訓練更復雜的神經(jīng)網(wǎng)絡，這使得AI能夠在計算機視覺、語音識別和自然語言處理等許多領(lǐng)域取得進展。

與此同時，很少有人提及這一趨勢對AI研究的負面意義。

目前，人工智能的進步主要體現(xiàn)在對深度學習模型和更多層和參數(shù)的神經(jīng)網(wǎng)絡的研究。根據(jù)OpenAI的說法，自2012年以來最大規(guī)模人工智能訓練中使用的計算機數(shù)量一直呈指數(shù)增長，大概每3到4個月就翻一番，這意味著該指標在七年內(nèi)增長了30萬倍。

這種趨勢嚴重限制了AI的研究，也產(chǎn)生了其他不好的影響。

目前來說，“大”即是好

OpenAI研究人員表示，當前許多領(lǐng)域中，更大的算力代表著更好的表現(xiàn)，并且通常也是對算法的補充。

我們可以在很多項目中看到，研究人員將取得的進步歸功于他們投入了更多的計算機去處理問題。

2018年6月，OpenAI推出了能夠玩Dota2專業(yè)水準的AI，Dota2是一款復雜的即時戰(zhàn)略游戲。

該AI叫OpenAIFive，它參加了一場大型的電子競技比賽，但在決賽中輸給了人類玩家。

OpenAI研究室今年推出的改良版本Open Five回歸賽季，最終戰(zhàn)勝了人類選手獲得冠軍。AI相關(guān)研究人員透露說，與周六在Open International 2018的失利相比，Open Five的勝利主要歸功于8倍的訓練計算量。

還有很多類似的例子表明，通過增加計算量可以更好的計算結(jié)果，這種方法對強化學習來說這確實是對的。目前，強化學習也是AI研究領(lǐng)域最熱門的方向之一。

訓練大型AI模型的財務成本

財務成本直接影響了訓練AI模型。OpenAI網(wǎng)站上的圖表顯示，該公司以1，800 petaflop/s-days的速度訓練DeepMind的圍棋AI——AlphaGoZero。

Flop代表浮點運算，petaflop/s-day （pfs-day）表示每天1020次運算。Google的TPU v3處理器是一個專門用于人工智能任務的處理器，它每天可以處理0.42 1020次運算，它每個小時花費2.4至8美元。這意味著大概需要246，800至822，800美元訓練AlphaGo模型，并且這個只是單純的計算操作的成本。

這一領(lǐng)域的其他顯著成就也付出了類似的代價，例如，根據(jù)DeepMind發(fā)布的數(shù)據(jù)，它旗下的玩星際爭霸AI由18部分組成，每一部分都使用16個Google的TPU v3處理器訓練了14天，這意味著按照目前的價格水平，這家公司花費了77.4萬美元訓練玩星球爭霸的人工智能。

AI研究的商業(yè)化

人工智能的計算需求對進入該領(lǐng)域的公司來說是一大門檻。

總部位于英國的著名人工智能實驗室DeepMind的成功主要是因為其母公司谷歌的巨大的資源投入。2014年，谷歌以6.5億美金收購DeepMind后，為其提供了足夠的資金支持和技術(shù)幫助。根據(jù)DeepMind向英國公司注冊處提交的文件顯示，今年早些時候，DeepMind在2018年虧損5.7億美金，高于2017年的3.41億美金。DeepMind今年還欠10.4億英鎊債券，其中8.83億英鎊來自Alphabet。

另一個是“燒錢大戶”是OpenAI。它最初是一個非盈利性人工智能研究實驗室，2016年獲得了薩姆?奧爾特曼和埃隆?馬斯克10億美元的資助。今年早些時候，OpenAI轉(zhuǎn)型為盈利性人工智能研究實驗室，以吸收投資者的資金。該實驗室支持其研究的資金已所剩無幾，今年微軟又宣布將在實驗室投資10億美元。

正如當前趨勢所示，由于AI研究（特別是強化學習）的成本，使得這些實驗室變得越來越依賴于有錢的公司，例如谷歌和微軟。

這種趨勢迫使人工智能研究商業(yè)化。隨著商業(yè)組織在為AI研究實驗室提供資金方面變得越來越重要，它們甚至可以影響研究方向。目前，像谷歌和微軟這樣的公司可以承受運行DeepMind和OpenAI等AI研究實驗室的財務費用，但是他們也希望在不久的將來獲得利潤。

問題是，OpenAI和DeepMind都在追求諸如通用人工智能（AGI）之類的科學項目。這是人類尚未完全理解的領(lǐng)域，更不用說實現(xiàn)了。大多數(shù)科學家都認為目前人類距實現(xiàn)通用人工智能至少還要一個世紀的時間，這樣的時間表使得最富有公司的耐心也得到了考驗。

對于AI研究實驗室來說，一種可能的情況是逐漸將目標從長期的學術(shù)和科學研究轉(zhuǎn)向能短期收益的面向商業(yè)的項目，這將使他們的投資者高興，但總體上卻不利于AI研究。

OpenAI研究人員表示：“我們對未來AI系統(tǒng)中計算機的使用非常不確定，但是也很難斷言算力快速增長的趨勢會停止，而且我們也看到了很多因素導致這種趨勢將繼續(xù)下去。根據(jù)這一分析，我們認為決策者應該考慮增加AI學術(shù)研究經(jīng)費，顯而易見的是某些類型的AI研究所需的算力正在變得更高，因此費用會越來越高?！?/p>

AI研究的碳排放

訓練大型人工智能模型所需的計算資源消耗了大量的能源，這也造成了碳排放問題。

根據(jù)馬薩諸塞大學阿默斯特分校的研究人員發(fā)表的一篇論文，訓練一個帶有2.13億個參數(shù)的Transformer模型（常用于與語言相關(guān)的任務）所造成的污染相當于5輛汽車開到報廢的排放總量。Google著名的BERT語言模型和OpenAI的GPT-2分別有3.4億和15億個參數(shù)。

鑒于目前的AI研究被“越大越好”的口號所主導，人們對環(huán)境的擔憂只會日益加重。不幸的是，人工智能研究者很少報道或關(guān)注他們工作的這些方面。麻省理工大學的研究人員建議人工智能論文要公開他們的模型的環(huán)境成本，并讓公眾更好地了解他們的研究對環(huán)境的影響。

人工智能領(lǐng)域的慘痛教訓

對更大更復雜的神經(jīng)網(wǎng)絡的最后一個擔憂，是它可能對AI研究的方向產(chǎn)生負面影響。目前，AI中一些障礙主要是通過使用更多數(shù)據(jù)并進行訓練來解決。與此同時，就人類大腦和AI處理一些相同的最簡單的任務來說，大腦所消耗的能量相比AI這小得多。

過于依賴不斷增加的算力，可能會使我們無法找到更有效的新的人工智能解決方案。

將神經(jīng)網(wǎng)絡和符號派人工智能相結(jié)合的混合人工智能模型的開發(fā)是這一領(lǐng)域的一項有趣的領(lǐng)域。符號人工智能是經(jīng)典的、基于規(guī)則的人工智能，與神經(jīng)網(wǎng)絡不同，符號派人工智能不是通過增加計算資源和數(shù)據(jù)來擴展的。它也很難處理現(xiàn)實世界中混亂的、非結(jié)構(gòu)化的數(shù)據(jù)，但它在知識表示和推理方面非常出色，而這兩個優(yōu)勢是神經(jīng)網(wǎng)絡嚴重缺乏的。探索混合人工智能的想法可能會為發(fā)明資源效率更高的人工智能開辟新的途徑。

在此，我們不加贅述。感興趣的讀者可以閱讀加里馬庫斯和歐內(nèi)斯特戴維斯的新書《重啟人工智能》（RebooTIng AI），以及計算機科學家朱迪亞·珀爾撰寫的《為什么》（The book of Why）。

“越大越好”的思想已經(jīng)開始將AI研究帶向深淵。科學界不應該等到下一個人工智能寒冬才開始認真思考這些問題。