這個問題似乎遭遇瓶頸。目前深度學習對人類大腦的模擬仍然處于初級階段，是否應該沿這條路繼續(xù)走下去？吳恩達認為，通過深度學習模擬大腦，未來的AI能夠比人類更快地完成精神層面的任務(wù)。也有研究人員認為，應從大自然中尋找靈感，讓AI建立關(guān)于世界的“心理模型”。

現(xiàn)在，我們已經(jīng)將AI技術(shù)應用在自動駕駛和醫(yī)療上，甚至10多億中國公民的社會信用評分都可以依靠AI技術(shù)，現(xiàn)在我們已經(jīng)在討論如何讓AI學會自己不會做的事情。AI技術(shù)曾經(jīng)僅僅是一個學術(shù)問題，而現(xiàn)在已經(jīng)成為高達數(shù)十億美元的人才和基礎(chǔ)設(shè)施的產(chǎn)業(yè)，而且關(guān)系到人類的未來。

關(guān)于這個問題的討論焦點是，目前構(gòu)建AI的是否足夠。我們能夠通過對現(xiàn)有技術(shù)的調(diào)整，利用足夠強大的計算力，來實現(xiàn)被認為僅存在于人和動物身上的真正的“智能”？

關(guān)于這個問題，辯論的一方是“深度學習”的支持者 - 自2012年多倫多大學三位研究人員的一篇具有里程碑意義的論文以來，深度學習已經(jīng)大受歡迎。雖然它遠非人工智能的唯一方法，但已經(jīng)證明了我們能夠?qū)崿F(xiàn)以前的技術(shù)無法實現(xiàn)的成就。

“深度學習”中的“深度”是指其網(wǎng)絡(luò)中人工神經(jīng)元的層數(shù)。生物學上的“神經(jīng)元”一樣，具有更多層神經(jīng)元的人工神經(jīng)系統(tǒng)能夠進行更復雜的學習。

吳恩達：模擬人腦，未來AI完成精神層面任務(wù)只需幾秒

要理解人工神經(jīng)網(wǎng)絡(luò)，可以想象一下空間中的一堆點，就像我們大腦中的神經(jīng)元一樣。調(diào)整這些點之間連接的強度，就是在大致模擬大腦學習時發(fā)生的事情。模擬結(jié)果產(chǎn)生一幅神經(jīng)連接圖，圖中包括達到期望結(jié)果（比如正確識別出圖像）的最佳途徑。

今天的深度學習系統(tǒng)還達不到我們的大腦的復雜度。它們充其量看起來就像視網(wǎng)膜的外表面，只有少數(shù)幾層神經(jīng)元對圖像進行初始處理。

這種網(wǎng)絡(luò)不太可能勝任我們大腦能完成的所有任務(wù)。因為它們并不能像真正的“智能”生物那樣了解世界，所以網(wǎng)絡(luò)顯得很脆弱，容易造成混淆。比如，研究人員能夠只改變圖像中的單個像素，就可以成功欺騙流行的圖像識別算法。

盡管存在局限性，深度學習還是為研發(fā)圖像和語音識別、機器翻譯和棋類游戲中擊敗人類的黃金標準軟件提供了強大動力。深度學習是谷歌研發(fā)定制化AI芯片和這些利用這些芯片運行的AI云服務(wù)的動力，Nvidia的自動駕駛汽車技術(shù)也是如此。

吳恩達

人工智能領(lǐng)域中最具影響力的人之一、曾在谷歌大腦工作并擔任百度前人工智能首席科學家的吳恩達表示，通過深度學習，計算機應該能夠完成普通人在一秒或幾秒內(nèi)就能完成的任何精神層面的任務(wù)。而且計算機的完成速度甚至可以比人類更快。

推進AI需要從大自然中尋找靈感

而這場討論中同樣有研究人員持相反觀點，比如Uber公司人工智能部門的前負責人、現(xiàn)紐約大學教授Gary Marcus認為深度學習遠不足以完成我們能夠完成的各種事情。他認為，深度學習永遠無法取代全部的白領(lǐng)工作，無法引領(lǐng)我們走向全自動化的、“奢侈化共產(chǎn)主義”的輝煌未來。

Marcus博士表示，要獲得“通用智能”需要具備推理能力，能夠自己學習，建立關(guān)于世界的心理模型，這些都超出了現(xiàn)在AI的能力。

“目前我們利用深度學習取得了很多里程碑式的成就，但這并不意味著深度學習是建立思維理論或抽象推理的正確工具。”馬庫斯博士說。

為了進一步推進人工智能，“我們需要從大自然中獲取靈感。”Marcus博士說。也就是說要建立其他類型的人工神經(jīng)網(wǎng)絡(luò)，并在某些情況下為其提供與生俱來的預編程的知識，就像所有生物都具備的天生本能一樣。

紐約大學教授Gary Marcus

研究人員還在努力讓AI建立關(guān)于世界的心理模型，一般嬰兒在一歲時就能建立這種模型了。因此，就算一個AI系統(tǒng)已經(jīng)見過一百萬張校車的圖片，但當它第一次見到一輛翻車的校車時，可能還是認不出來。如果AI能夠構(gòu)建一個心理模型，其中包括校車的車輪、黃色底盤等，認出翻車的校車可能就沒那么難了。

人工智能促進協(xié)會（AAAI）前主席Thomas Dietterich表示，努力尋找其他類型人工智能的深度學習是很好的做法，但重要的是，不能在總體上忽視深度學習和機器學習的神奇之處。

“對于機器學習研究來說，我們的目標是看看能在多大程度上讓計算機系統(tǒng)從數(shù)據(jù)和經(jīng)驗中學習，而不是手工構(gòu)建這些系統(tǒng)。”Dietterich博士說，問題不在于人工智能中的先天知識不好，人類一開始就根本不知道自己掌握了哪些先天知識。

Duvenaud博士說：“原則上，我們在研究如何構(gòu)建未來的AI時不需要參考生物學。” 但他也表示，那些能夠成功實現(xiàn)以深度學習為重點的、更復雜的系統(tǒng)目前還沒有取得成功。

Marcus博士說，在弄清楚如何讓AI變得更智能、更強大之前，我們?nèi)员仨毾駻I系統(tǒng)中輸入大量現(xiàn)有的人類知識。也就是說，像自動駕駛軟件這樣的AI系統(tǒng)中的許多“智能”根本就不是“人工”的。雖然很多企業(yè)需要在盡量多的真實道路上訓練自動駕駛車，但現(xiàn)在，使這些AI系統(tǒng)真正獲得自駕能力，仍然需要人工輸入大量的邏輯，這些邏輯反映了構(gòu)建和測試自動駕駛車輛的工程師們做出的決策。