人工智慧時代的降臨

作者：Sandra Upson

原文：The AI Takeover Is Coming. Let’s Embrace It.

　　去年以來關於人工智慧（AI）的討論非常火熱，最近讀到一篇這個主題的文章覺得非常不錯，翻譯過來分享下。這不是一篇燒腦的關於人工智慧技術文，而是一篇開闊的思辨性文章。

　　下面是原文：

　　是的，數百萬低報酬、低技能的工作崗位將面臨風險，但人工智慧革命還是會帶來很多好處的。

　　1

　　週二，白宮釋出了一份關於人工智慧與經濟的令人寒心的報告。報告以如下推斷開頭：“可以預計機器將在越來越多的任務上達到甚至超越人類的表現。”，之後它警告了大量人工崗位的消失。

　　然而，為了應對這種威脅，政府做出了一個可能聽起來很荒謬的建議：我們必須加大對人工智慧的投資。美國生產力和競爭優勢的風險實在太高，以至我們不得不加倍投入。

　　這個方法不僅有意義，而且是唯一有意義的方法。擔憂數百萬的工作職位，像小車或卡車司機，將會被自動駕駛革新，這是有道理的，但我們也有巨大的需求鴻溝需要機器學習來幫助填平。我們的醫療系統是有深度缺陷的，智慧終端可以在更多的地方向更廣的人群傳播更實惠的、支付得起的更高質量醫療服務。我們的基礎教育設施還不足以覆蓋以讓學生準備好面對陰然逼近的經濟動盪。在這方面，人工智慧系統可以切入到教師力量薄弱的地區。我們也可能通過開發更智慧的基礎設施來獲得能源獨立性，就像 Google 子公司 DeepMind 為其母公司的電力使用所做的事一樣（譯註：DeepMind 利用人工智慧技術使得 Google 資料中心製冷消耗的電力賬單降低了 40%）。這裡面的機會實在大到不能忽視。

　　更重要的是，我們必須超越這種狹隘的思考方式 —— 受到人工智慧威脅的工作崗位。因為今天的人工智慧領導者（在 Google 這樣的公司或其他地方）已經為一個更加雄心勃勃的願景（曾經幻想的通用人工智慧）奠定了基礎。

　　要探訪人工智慧降臨的前沿陣地，那就去觀察機器學習系統在狹窄的受限領域是如何完敗人類的。今年，最矚目的人工智慧與人類的對決就來自 Google。三月份，世界級圍棋選手（李世乭九段）對決 DeepMind 的 AlphaGo 遭遇屈辱的慘敗。DeepMind 的研究人員還製作了一個可以針對視訊讀脣的系統，其精確度相對人類而言一騎絕塵。幾周前，Google 的電腦科學家和醫學研究人員合作推出了一個演算法，該演算法可以像眼科醫生一樣通過眼睛影像檢測發現糖尿病性視網膜病變。這是許多公司目前正在追逐的目標 —— 通過自動分析醫療掃描來幫助醫生 —— 的一個早期步驟。

　　也是在今年秋天，微軟公佈了一個可以轉錄人類語音的系統，相比專業的速記員它的準確度高的多。語音識別是 Cortana（微軟）、Alexa（亞馬遜） 和 Siri（蘋果） 這些語音助手系統的基礎，並且在這項任務中達到人類的表現水準已是數十年的目標。對於微軟首席語音科學家黃學東（XD Huang）來說：“這本身就像一個夢，在三十年後變成了現實。”

　　然而，人工智慧在 2016 年碾壓人類的一系列勝利僅僅是個開始。最新研究表明，我們很快將從這些“狹義”（受限於特定領域，應用範圍相對窄）人工智慧轉變到“廣義”（更豐富和複雜的應用領域）的人工智慧。雖然離一個真正的通用人工智慧至少還有幾十年，但因為這些人工智慧系統不斷擴張的應用領域，社會仍將見證鉅變。這就是為什麼白宮（好吧，至少奧巴馬還在位時）沒有縮減投入人工智慧的預算。我們正在發展一種強大的力量來徹底改變曾經我們創造的一切。

　　忽略這種趨勢，而非積極投身其中去理解、塑造和監控它，很可能是一個國家所能犯的最大錯誤。

　　2

　　之前提及的那些成功的人工智慧產品選擇的工具都是深度學習。人工智慧技術的競爭進入白熱化，它的特殊性體現了我們為什麼處在通用人工智慧的邊緣。（譯註：深度學習模擬的是人腦的思維過程，所以作者才特別提及它和過去方法相比的特殊性）

　　雖然我們已經能夠訓練人工智慧來完成任務數十年了，但是專家們不得不煞費苦心的為每一個應用手工打造許多定製元件。例如，在讓人工智慧識別影像中的物體這件事上，人類耗費了數年的工作積累，但在面對解析轉錄聲音的問題時這些積累卻毫無用處。換句話說，我們不得不預先咀嚼餵給人工智慧的食物，一次，又一次，再一次。（譯註：形象的形容過去訓練人工智慧的工作過程）

　　過去四年的教訓是，這類枯燥乏味的“預咀嚼”過程，從目前來看在很大程度上是不相關的。取而代之的是，本質上存在一個演算法（包含很多微變數）可以直接從你餵給它的任意大小資料集開始，通過調整自身的結構來解決問題。結果帶來的不僅是表現更好的系統，而且能更快的進行實驗。“許許多多曾經讓我們竭盡全力但卻困頓不前的問題，如今，六個月內將迎刃而解。” Google 副總裁與工程師 Fernando Pereira 如是說。

　　然而，與人類相仿的語音識別，脣讀和影像標記質量一樣令人印象深刻，深度學習是否是偉大而全能的人工智慧的基石，這在目前並非顯而易見。它稍微有點像你的孩子帶回家的成績單，其中涉及了像英語（母語課）、織襪子（手工課）、閃避球（體育課）和計算三角斜邊（數學）的各類科目。你可能想知道這個聰明的孩子是否能夠在這些領域之間建立聯絡，併成為一個批判性的思想家嗎？那麼，深度學習確定走在能夠挑戰真正人類智慧的道路上嗎？（譯註：作者這段把人工智慧比作小孩，其應用的各種領域就像孩子上學的各個科目）

　　OpenAI 聯合創始人兼研究主管 Ilya Sutskever 說：“我們目前所見的人工智慧系統，之所以應用在非常窄的領域，是因為它們非常有用。良好的翻譯是非常有用的，良好的癌症篩查是非常有用的，這正是人們所追求的。”

　　但他補充說道：“儘管今天的人工智慧系統看起來應用領域狹窄，但我們已經開始看到了通用智慧的種子。原因是底層技術本質上是同一概念在不同應用領域上略有差異的反覆重演。這些想法就像粘土一樣可揉捏組合，你只需去混合和搭配它們就能工作起來。”

　　通過揉捏組合今天這些狹窄領域的系統，我們將會登陸更寬廣的明天 —— 一種更明顯的智慧。

　　3

　　一個早期的誘人例子，更高階的智慧看起來可能最終會出自 Google 的翻譯研究。九月 Google 宣稱，通過使用其神經機器翻譯系統（GNMT：Google Neural Machine Translation，後文將使用這個英文簡寫），翻譯的效果取得了巨大提升。Google 的 Pereira 稱：“翻譯質量獲得了飛躍，我從未想過會在此生的工作中得以見到。”（譯註：Pereira 就是前文提及的 Google 副總裁，另外，至少目前在中文翻譯上貌似也還是不行，要不我也不用這麼辛苦的手打翻譯了，嘿嘿:-)）

　　他補充道：“曾經我們一直在穩步的前進，但現在這不再是穩步前進，而是突飛猛進。”。

　　新的翻譯系統在從一門語言到另一門語言之間逐步鋪開，一些「谷歌人」決定更進一步。他們想知道是否可以構建一個單一的翻譯系統來同時應對許多語言，並潛在的展現出人類智慧的標誌效能力 —— 轉移學習。轉移學習是一種應用一種技能（比如，彈鋼琴）來加速習得另一種技能（比如，指導學習管絃樂或另一種樂器）的能力。

　　通曉音樂基礎可以幫助一個鋼琴家彈起尤克裡裡琴（一種四絃琴），這似乎是顯然的，但對於語言的翻譯而言卻並非如此。在 GNMT（Google 神經機器翻譯系統）中，一種深度學習系統必須吸收數百萬從德語到英語的翻譯，教會自己如何吃進 “der rote Hund”（這句是德語）並吐出「紅狗」。一個孤立的系統獨立學習如何在另一個方向上翻譯，如從英語到德語。同樣，從法語到英語，英語到法語，韓語到日語等等，每對語言都使用自己的獨立系統，這就像翻譯行為每次都被重新發明一樣。為了支援 100 種語言之間的翻譯，你最終可能得訓練近 10,000 個獨立的系統。這很費時。

　　這些研究人員想知道是否他們可以針對多語言構建一個單一的模型，相對那些孤立的一次性系統保留自己的模型。首先，這樣可能更有效率。而且把所有這些語言和詞彙放在一個單一架構的內部相互碰撞，也許一些更有趣的事便會發生。

　　他們從小處著手，用一個神經網路訓練葡萄牙語和英語，以及英語和西班牙語。到目前為止還不錯，這個單一的多語言系統做得很好，幾乎和最先進的基於 GNMT 特定語言模型（從英語到西班牙或葡萄牙語）的翻譯系統一樣好。然後他們想知道，這個演算法是否也可以用在西班牙和葡萄牙語之間的翻譯？—— 即使它從未學習過任何一例從葡萄牙到西班牙語的翻譯。

　　正如他們在十一月份報導的，他們得到的結果是“符合預期且不錯的質量” —— 還未到驚人的完美，但是對一個新手來說已不錯了。然而當他們給機器餵了一小組從葡萄牙到西班牙語的句子對 —— 一些資料開胃菜，系統突然就表現的和基於葡萄牙到西班牙特定語言模型的 GNMT 一樣好了。而且它也適用於其他語言包。正如 Google 的作者們在論文中所寫道的：“這是我們第一次認識到，真正的轉移學習的一種形式體現在了機器翻譯的工作中。”

　　我們很容易忽略這裡面的不同尋常之處。這個神經網路教會了自己使用間接資訊這種非常原始的（相對人類）新技能。它幾乎沒有學習過從葡萄牙到西班牙語的翻譯，然而現在它處理起這項工作時卻非常得心應手。在系統深處的某些地方，系統作者似乎看到了一些詞彙共同本質的跡象，這可是意義的要領所在。

　　Google 的 Pereira 這樣解釋道：“這個模型有一個共同層，用於從任意一門語言翻譯到任意另一門語言。這個共同層代表了許多文字的含義，獨立於語言，這可是我們從來沒有見過的東西。”。

　　當然，目前這個演算法的推理能力還非常有限。它不知道企鵝是一種鳥，或者巴黎是在法國。但是它體現了一個即將到來的跡象：基於一套不完整的例子可以使認知產生飛躍的新興智慧。如果今天深度學習在你所在乎的某項技能上還沒能擊敗你，別慌，等等，它終究會的。

　　4

　　訓練一個系統來做許多事正是開發一個通用智慧所需的，並且積極促進這個過程正是如今人工智慧的熱心擁躉們的核心關注點。本月早些時候 OpenAI，Elon Musk（都認識吧，矽谷鋼鐵俠，特斯拉 CEO） 和 Sam Altman（Y Combinator 新任總裁）創造的研究聯盟，釋出了「宇宙」（Universe）—— 這是一個訓練系統環境，它不僅僅完成單一任務，而是在不同活動之間跳躍轉變，以讓系統變得適應多樣化的任務活動。

　　正如 OpenAI 的另一位聯合創始人 Sustkever 所說：“如果你期待看到我們所指的真正意義上的「智慧」，它絕不僅僅解決一個問題，而是解決大量的問題。但是對於一個通用終端，到底什麼才算是好且智慧的？這些還不是那麼完全明確的問題。”

　　所以他和他的團隊設計了「宇宙」這個系統來幫助其他人，將其作為度量通用人工智慧終端解決問題能力的一種方式。系統裡包含了上千的雅達利，Flash 遊戲和瀏覽器任務。如果你正在構建的人工智慧想要在「宇宙」的訓練場中輸入任何東西，它會配備和人類操縱計算機同樣的工具：一個觀察動作的螢幕，以及一組虛擬鍵盤和滑鼠。

　　它的目的是讓人工智慧在一個「宇宙」環境 —— 例如，遊戲《銀河飛將3》（Wing Commander III）—— 中漫遊學習，然後快速應用習得的經驗加速在另一個環境 —— 例如，另一個遊戲《粘粘世界》（World of Goo）或者一些不同型別的東西，如 Wolfram Mathematica（Wolfram 公司的一個現代技術計算系統） —— 的學習。一個成功的人工智慧終端將會展示一些轉移學習能力，並具有一定程度的敏捷性和推理能力。

　　這個方法並非沒有先例。在 2013 年，DeepMind 公司透露了一個他們自己發現的單一深度學習演算法，從七個雅達利遊戲中挑了六個來進行“如何玩”的測試。在其中三個遊戲裡 —— Breakout（小時候玩過的打磚塊遊戲），Enduro（一個賽車遊戲）和 Pong（乒乓遊戲）—— 該演算法的表現超越了人類專家級玩家。而「宇宙」系統正是 DeepMind 成功案例的一個升級版本。

　　隨著「宇宙」的成長，人工智慧受訓者們可以開始學習無數有用的計算機相關技能。畢竟，它本質上是進入現代桌面電子處理工作世界的門戶。「宇宙」環境的多樣性甚至給了人工智慧終端見識一些更廣闊知識天地的可能，而在其他地方是很難收穫這些知識的。

　　從 Flash 和雅達利遊戲的冠軍到提升醫療服務質量的智慧終端，這是一個鴻溝，但這是因為我們的人工智慧系統還在幼兒園階段。過去許多年，人工智慧從未取得像今天這樣的進步。現在它正走在通往一年級、中學以及最終的高階學位的道路上。

　　是的，結果依然不確定。是的，這讓我們害怕。但是如今我們有一個選擇。我們可以嘗試關閉這個我們既不能完全控制也不能預測的陰暗未來，並且冒著技術自發滲透和覺醒的風險，並引發大規模的替代潮。或者我們可以嘗試積極的引導它走向社會效益的最大化，並鼓勵促成我們想要看見的未來。

　　在這一點上我站在白宮這邊。一個深度學習推動的世界即將來臨，我們也許可以趕緊跳進去。

　　...

　　人工智慧接管的世界即將來臨，讓我們擁抱它吧。

　　

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/69920888/viewspace-2718425/，如需轉載，請註明出處，否則將追究法律責任。