本文讓你了解當下火爆的人工智能領(lǐng)域還存在著多少技術(shù)瓶頸。其實，我們離真正的人工智能之間的距離還很遠。

人工智能現(xiàn)在已經(jīng)火的不能再火了。各種新聞機構(gòu)都在不斷地放出猛料，有的說現(xiàn)在IBM的Waston人工智能已經(jīng)能夠徹底取代勞動者了;還有的說現(xiàn)在的算法在醫(yī)療領(lǐng)域已經(jīng)能夠打敗醫(yī)生了。每一天，都有新的人工智能初創(chuàng)公司出現(xiàn)，每一家都聲稱自己在利用機器學習，徹底顛覆你個人的生活，商業(yè)性質(zhì)的活動。

還有一些大家平日里司空見慣的產(chǎn)品，比如榨汁機，無線路由器，一夜之間也都換上了全新的廣告語：“我們都是由人工智能技術(shù)所支持的!”智能桌子不僅能知道你平日里工作時所需要的合適高度，甚至還能幫你點午餐!

但事實是什么呢?那些報道新聞的記者，其實從來沒有親自去介入到一個神經(jīng)網(wǎng)絡(luò)的訓練過程當中，而新聞源頭的初創(chuàng)公司以及營銷團隊也有自己的盤算：都是想擴大自己的名聲，獲取到資本和人才的關(guān)注，哪怕它們壓根沒有解決一個現(xiàn)實中存在著的問題。

也正是在這樣的喧囂氣氛中，難怪在人工智能領(lǐng)域會出現(xiàn)那么多一知半解，其實大家都搞不清楚什么是AI能做的，什么是AI無法辦到的。

深度學習確實是一個讓人心馳神往的技術(shù)，這無可辯駁。

其實，神經(jīng)網(wǎng)絡(luò)這個概念自上個世紀60年代就已經(jīng)出現(xiàn)了，只是因為最近在大數(shù)據(jù)、計算機性能上面出現(xiàn)的飛躍，使得它真正變得有用起來，由此也衍生出來一門叫做“深度學習”的專業(yè)，旨在將復雜的神經(jīng)網(wǎng)絡(luò)架構(gòu)應用在數(shù)據(jù)建模上，最終帶來前所未有的準確性。

現(xiàn)在的技術(shù)開發(fā)成果也確實讓人印象深刻。計算機現(xiàn)在可以辨識圖片和視頻里的東西都是什么，可以將語音轉(zhuǎn)化成為文字，其效率已經(jīng)超過了人力范疇。Google也將GoogleTranslate服務(wù)中添加了神經(jīng)網(wǎng)絡(luò)，現(xiàn)在的機器學習在翻譯水平上已經(jīng)逐步逼近人工翻譯。

現(xiàn)實中的一些應用也讓人大開眼界，就比如說計算機可以預測農(nóng)田作物產(chǎn)量，其準確性比美國農(nóng)業(yè)部還高;機器還能更加精準的診斷癌癥，其準確度也比從醫(yī)多年的老醫(yī)師還要高。

DARPA(美國國防部高級研究計劃局)的一名負責人JohnLauchbury形容如今人工智能領(lǐng)域內(nèi)存在著三股浪潮：

1、知識庫，或者是類似于IBM所開發(fā)的“深藍”和Waston專家系統(tǒng)。

2、數(shù)據(jù)學習，其中包括了機器學習和深度學習。

3、情境適應，其中涉及通過利用少量數(shù)據(jù)，在現(xiàn)實生活中中構(gòu)建出一個可靠的，解釋型的模型，正如人類能完成的程度一樣

就第二波浪潮而言，目前深度學習算法的研究工作進展的不錯，用Launchbury的話來說就是因為“流形假設(shè)”的出現(xiàn)。(見下圖)

但是深度學習也是存在著一些棘手問題的

在最近在灣區(qū)召開的一次人工智能大會上，Google的人工智能研究人員FrancoisChollet強調(diào)了深度學習的重要性，它比一般的數(shù)據(jù)統(tǒng)計和機器學習方法都要更高級，是一款非常強大的模式辨別工具。但是，不可否認它是存在著嚴重局限性的，至少目前來說是這樣。

深度學習的成果是建立在極其苛刻的前提條件之上

不管是“監(jiān)督學習”(supervisedpercepTIon)，亦或者是“強化學習”(reinforcementlearning)，它們都需要大量的數(shù)據(jù)進行支撐，而且在提前計劃上面表現(xiàn)的非常差，只能做某些最簡單直接的模式辨認工作。

相比之下，人就能夠從極少數(shù)的例子上學到有價值的信息，并且善于在時間跨度很長的計劃，在針對某個情境上有能力自己建造一個抽象模型，并利用這樣的模型來做站在最高處的歸納總結(jié)。

事實上，隨便在街邊上走著的一個路人所能做到的最為稀松平常的事，對于深度學習算法來說都是難如登天。還是舉個例子好了：現(xiàn)在比如說我們要讓機器來學會如何在路上走的時候避免被車撞到。

如果你是采用的“監(jiān)督學習路徑”，那么你需要從汽車駕駛的情境中提取海量的數(shù)據(jù)，而且還要以明確標示出來的“動作標簽”進行分類挑揀，比如“停止”、“站住”等等。再接下來，你還需要訓練一個神經(jīng)網(wǎng)絡(luò)，使得它能夠從眼下的情景和所與之相對應的行動之間構(gòu)建因果聯(lián)系;

如果你是采用的“強化學習路徑”，那么你應該給算法一個目標，讓它能夠獨立地判斷當下最優(yōu)解(也就是最理想的行動)是什么，電腦在不同的情境之下，為了實現(xiàn)避免撞車的這個動作，它估計要宕機上幾千次;

Choliet總結(jié)道：“你不可能就以今時今日的技術(shù)研發(fā)成果作為基礎(chǔ)，就能實現(xiàn)某種一般意義上的智能。”

而人則不一樣，你需要告訴他一次：你需要躲避車子走。然后我們的大腦就有能力從少數(shù)的例子中提取經(jīng)驗，有能力在大腦中想象出來被車碾壓后的凄慘場景(在計算機那里被稱之為“建模”)，為了避免喪生或者缺胳膊少腿，絕大多數(shù)人都能快速地學習到不被車撞到的要領(lǐng)。

雖然現(xiàn)在已經(jīng)有了比較大的進展，一些神經(jīng)網(wǎng)絡(luò)可以從數(shù)據(jù)層面，在相當大的樣本數(shù)量上給出一個驚人的成果，但是它們?nèi)绻麊为毮贸鲆粋€出來，都是不可靠的，所犯的錯誤是人一輩子都不可能犯的，比如說錯把牙刷當作籃筐。

數(shù)據(jù)質(zhì)量的不穩(wěn)定性帶來的是：不可靠、不準確，以及不公平。

而且，你的結(jié)果，還得取決于輸入的數(shù)據(jù)質(zhì)量如何。神經(jīng)網(wǎng)絡(luò)中如果輸入的數(shù)據(jù)是不準確的，不完整的，那么結(jié)果也會錯的離譜，有些時候不僅造成損失，而且還會很尷尬。就比如說Google圖片錯把非裔美國人當作了猩猩;而微軟曾經(jīng)試著把一個人工智能放在Twitter上進行學習，幾個小時之后，它就變得充滿惡意，滿口臟話，帶有嚴重種族歧視。

也許推特上的這個例子有些極端，但不可否認，我們輸入的數(shù)據(jù)本身就存在著某種程度的偏見和歧視，這種帶有主觀性的，潛移默化的觀念或者暗示，有時我們甚至自己都無法察覺。就比如說：word2vec是google推出的做詞嵌入(wordembedding)的開源工具，從GoogleNews里提取了300萬個詞。這組數(shù)據(jù)傳遞出來的信息包括了“爸爸是醫(yī)生，媽媽是護士。”這明顯就帶有性別上的歧視。

這種歧視不僅僅是被原封不動地搬運到了數(shù)字世界，而且還會得到放大。如果“醫(yī)生”這個詞更多的指向“男人”而非“女人”，那么算法在面對一份公開的醫(yī)生職位篩選的時候，它會將男性放在女性前面優(yōu)先考慮。

除了不準確、不公平，還存在著最大的風險：不安全。

“生成對抗式網(wǎng)絡(luò)”(GAN)的發(fā)明人IanGoodfellow提醒我們：現(xiàn)在的神經(jīng)網(wǎng)絡(luò)可以很容易被不軌之徒操縱。他們可以以一種人的肉眼無法識別的方式，篡改圖片，讓機器錯誤地辨識這個圖片。

左邊的是熊貓(機器的確認度是57.7%)，加上中間的這層圖片之后，機器的確認度上升到了99.3%，認為圖片上出現(xiàn)的是長臂猿。

不要小看這樣的風險，這種惡意篡改人工智能系統(tǒng)的做法，會帶來極大的危害，尤其是被篡改的圖片和最初的圖片在我們看來完全是一回事。比如說無人自駕駛汽車就會受到威脅。、

以上就是深度學習所存在著的種種瓶頸，目前它要發(fā)揮作用所需要的前置條件太過苛刻，輸入的數(shù)據(jù)對其最終的結(jié)果有著決定性的影響，另外，它存在著很多漏洞，安全性也無法得到保證。如果我們要駛向理想中的人工智能未來，這些瓶頸還有待于人們的進一步的突破與挑戰(zhàn)。