過去一年來，業(yè)界已經(jīng)完成許多任務(wù)，大幅提高了人工智能(AI)的理解力、準確性和可擴展性，預(yù)計在2019年我們將會看到更多致力于為AI消除偏見并使決策更加透明的工作進展。

IBM Research副總裁Jeff Welser表示，過去一年來，業(yè)界已經(jīng)在AI方面達到幾項發(fā)展里程碑了，預(yù)計在2019年將持續(xù)關(guān)注于三大關(guān)鍵領(lǐng)域。他說，對于企業(yè)而言，將以AI驅(qū)動的認知解決方案帶入可使其輕松導入的平臺，不只是一項策略性業(yè)務(wù)需求，同時也增加了AI的理解，以及解決偏見和信任等問題。

在推動AI的進展方面，Welser表示業(yè)界已在幾個方面取得進展，包括理解語音和分析影像。例如，IBM的Project Debater計劃已能將目前的AI語音理解能力擴展到回答簡單問題的任務(wù)之外，讓機器更能理解人們可能何時提出爭論，并使其超越僅限于“搜尋類固醇”(search on steroids)這一類的簡單任務(wù)。例如，提出一個沒有固定答案的問題——政府是否應(yīng)該提高對于遠距醫(yī)療的投資。

Welser說，如同讓AI更能理解所說的內(nèi)容一樣至關(guān)重要的是，它在更快、更準確地辨識所看到的內(nèi)容方面也取得了長足進展。IBM的作法并非要求提供數(shù)千或甚至數(shù)百萬幅標記影像來訓練視覺辨識模型，而是證實AI現(xiàn)在甚至可以只用一個例子作為辨識新對象的指導原則，這讓AI得以擴展。

IBM Research的AI導入來自Project Debater計劃為辨論內(nèi)容打造的機器學習聽力理解功能;圖右是專業(yè)人類辯論家Dan Zafrir(來源：IBM Research)

Welser說，讓AI學習變得可擴展的另一種方式是讓AI代理之間相互學習。IBM研究人員開發(fā)了一種架構(gòu)和算法，讓AI代理之間得以交換知識，從而比以前的方法學得更快。此外，他說，他們還可以學會調(diào)整現(xiàn)有方法失敗之處。

“如果你面對更復(fù)雜的任務(wù)，其實并不必一定要訓練一個大型系統(tǒng)，”Welser說，“但你可以采用個別系統(tǒng)并將它們結(jié)合起來共同完成任務(wù)。”

降低深度學習模型的復(fù)雜度

在降低深度學習模型所需的運算資源方面也正取得進展。2015年，IBM介紹如何使用16位精度訓練深度學習模型，而今，該公司強調(diào) 8位精度也不至于折衷各種主要AI數(shù)據(jù)集類別(包括影像、語音和文本)的模型準確度。AI的調(diào)整也可以透過新的神經(jīng)網(wǎng)絡(luò)架構(gòu)搜尋技術(shù)來實現(xiàn)，從而減少設(shè)計網(wǎng)絡(luò)所需的繁重工作。

這些進展都建立在AI必須值得信賴的事實基礎(chǔ)上，Welser表示，明年將會有很多工作都關(guān)注在這一點。就像其他技術(shù)一樣，AI可能會受到惡意控制，因此它必須能夠預(yù)測對抗性攻擊。

現(xiàn)在，AI可能很容易受到所謂“對抗示例”(adversarial examples)的影響，黑客可能會在你不知不覺時改變影像，欺騙深度學習模型，而將其分類為攻擊者所需的各種類別。IBM Research的解決辦法是采用一種不依賴于特定攻擊(attack-agnostic)的措施，以評估神經(jīng)網(wǎng)絡(luò)的穩(wěn)健性，并指導系統(tǒng)如何檢測和防御攻擊。

另一個難題是神經(jīng)網(wǎng)絡(luò)往往是黑盒子——關(guān)于他們?nèi)绾巫龀鰶Q定并非顯而易見的，Welser說。缺乏透明度是對于AI信任的一項障礙。同時，消除偏見也很重要，因為AI越來越依賴于決策，他說，但這相當具有挑戰(zhàn)性。

Wesler說：“截至目前為止，我們已經(jīng)看到大多數(shù)人都非常興奮地展開AI系統(tǒng)設(shè)計，使其能夠?qū)崿F(xiàn)某些任務(wù)。然后他們會試著搞清楚所設(shè)計的AI系統(tǒng)是否存有偏見或者是否安全穩(wěn)健，或者他們所做的決定是否有問題。”