參加艾倫圖靈獎50周年紀念大會的專家小組認為神經網(wǎng)絡正處于風口浪尖。這種技術看似具有廣泛的用途，前景無限，但實際上仍處于發(fā)展早期階段，存在許多局限性。

許多專家表示，人工智能是神經網(wǎng)絡的誤稱。神經網(wǎng)絡還不能實現(xiàn)基本的人類推理和理解。相反，它們只是構建人工智能的漫漫長途中用到的工具。

鑒于圖靈認為將來總有一天機器的智力會超過人類，因此討論深度學習是非常有意義的?！皥D靈預測人工智能將超過人類智能，屆時將是人類末日。當然，如果足夠幸運的話，我們可以把機器關掉?！奔又荽髮W伯克利分校計算機科學專業(yè)教授、人工智能研究員Stuart Russell指出。他目前正在撰寫有關這一領域的新版教科書。

他表示，“在我們實現(xiàn)人工智能之前至少有6個重要問題需要突破，但我很肯定人工智能時代一定會到來，因此，我一生都將致力于從事這一領域?！?/p>

Russell還指出，神經網(wǎng)絡只是打敗世界圍棋冠軍的谷歌AlphaGo系統(tǒng)的一部分。

“AlphaGo……是一個經典的系統(tǒng)……而深度學習成就了該系統(tǒng)的兩個主要部分……但他們發(fā)現(xiàn)使用表達性程序可以更好地學習游戲規(guī)則。端到端的深度學習系統(tǒng)需要……來自過去數(shù)百萬個‘Go’游戲的數(shù)據(jù)，進而算出下一步落子點。盡管人們做了很多努力，但這種系統(tǒng)不適合西洋雙陸棋和國際象棋。” Russell表示，而且有些問題要求大得難以置信的數(shù)據(jù)集。

Russell把今天的神經網(wǎng)絡視為“某種突破……能夠滿足20世紀80年代人們提出的愿望……但它們缺少編程語言的表達力，以及支持數(shù)據(jù)庫系統(tǒng)、邏輯編程和知識系統(tǒng)的陳述性語義。”

神經網(wǎng)絡還缺少人類解決問題的強大的預先理解能力?！吧疃葘W習系統(tǒng)永遠無法從強子對撞機的原始數(shù)據(jù)中發(fā)現(xiàn)希格斯玻色子，”他補充道，“我擔心人們把重點太多地放在大數(shù)據(jù)上，并用深度學習來解決我們面臨的所有問題。”

圖1：神經網(wǎng)絡是向人工智能邁進的重要步驟之一，伯克利分校的Stuart Russell表示。（照片來源：ACM）

在自動駕駛汽車和圖像識別等領域中，神經網(wǎng)絡具有很好的前途，但也有局限性，其他高級研究人員指出。

“我一直在研究自動駕駛汽車……系統(tǒng)的魯棒性必須好?！痹诙鄠惗啻髮W教機器學習課、并負責學校里的優(yōu)步高級研究中心的Raquel Urtasun表示，“這對神經網(wǎng)絡來說極具挑戰(zhàn)性，因為它們不擅長對不確定性進行建模?！?/p>

神經網(wǎng)絡“會認為那里存在汽車的可能性有99%……但你無法容忍誤報……當你出錯時，你需要知道為什么會出錯?！?/p>

她同意伯克利分校的Russell認為“深度學習不會解決我們面臨的所有問題”的意見。將神經網(wǎng)絡和圖形模型組合在一起“是一種有趣的研究領域”，有助于系統(tǒng)獲得人類擁有的某些先驗知識。

鑒于它們的局限性，用戶需要“理解機器學習系統(tǒng)可能會有偏見……有時會作出不公平的決策?！彼赋?。 圖2：Raquel Urtasun

Urtasun將當今神經網(wǎng)絡的成功歸因于“使訓練效果更好的一些技巧，但在過去25年中核心算法并沒有根本性的改變。突破部分來自大數(shù)據(jù)集的實現(xiàn)，以及使得訓練更大模塊模型成為可能的更好硬件?！彼硎?。

盡管如此，深度學習“成就了以往我們在健康、交通領域中無法想像的應用——現(xiàn)在我們幾乎在任何地方都能見到它們的身影?！?/p>

目前正在度假的谷歌云服務公司首席科學家、斯坦福大學的Fei-Fei Li對此表示同意，認為神經網(wǎng)絡正處在風口，有真實的前途，也有真實的局限性。至今為止她剛剛在斯坦福大學最大的課堂上完成了教授770名學生神經網(wǎng)絡知識的教學工作。

Li認為現(xiàn)在是起始階段的結束點，機器學習已經從實驗室的實驗過渡到商業(yè)部署。廣泛的工業(yè)與科學領域“正在受到大數(shù)據(jù)和數(shù)據(jù)分析功能的深遠影響?！彼赋?。

盡管如此，“我們解決大多數(shù)問題帶來的愉悅感是不真實的。雖然我們祝賀ImageNet在圖像識別領域中取得了成功，但我們很少談到它的失敗……在推理等方面仍然面臨諸多的挑戰(zhàn)。”

“在房間起火時，人工智能算法仍然能夠下出完美的象棋招數(shù)?！彼貜土硪晃谎芯咳藛T杜撰的有關深度學習缺少情景理解能力的笑話時表示。

更廣泛的說，“我們對人類認知的理解程度還非常有限。正因為此，這兩個領域都處于非常早期的階段?！?/p>

現(xiàn)在要說神經網(wǎng)絡會把我們帶多遠還為時尚早，專家小組中最牛的成員、OpenAI共同創(chuàng)始人兼研究總監(jiān)、谷歌大腦公司前科學家Ilya Sutskever表示。

“這些模型很難理解。比如機器視覺作為一個程序真的是不可思議，但現(xiàn)在我們對不可思議的問題提出了不可思議的解決方案。”他指出。

雖然位于神經網(wǎng)絡核心的反向傳播算法已經推出好幾年了，但運行這些算法的硬件最近才實現(xiàn)。用于神經網(wǎng)絡的新架構承諾“在今后幾年中，人們將見證取得很大進步的計算機，其功能會令人吃驚?！盨utskever補充道。

研究微軟Azure云服務使用的FPGA加速器的著名工程師、專家小組成員Doug Burger表示同意?！氨M管神經網(wǎng)絡有些宣傳過火，但神經網(wǎng)絡是真實的……仍有一些深度的和基礎的東西我們沒有完全理解?！?/p>

許多新創(chuàng)企業(yè)、學術研究機構和成熟公司都在研究用于加速神經網(wǎng)絡的處理器，其中許多人使用精度降低了的矢量乘法矩陣，他指出，“在今后三四年這種方法會逐漸退出歷史舞臺，而之后會出現(xiàn)什么我真的很感興趣?！?/p>

專家小組成員Norm Joupi表示同意。經驗老到的微處理器設計師和谷歌TPU加速器背后的小組負責人把神經網(wǎng)絡稱為今天的計算機科學領域中“最大的金塊之一”。

伯克利分校的機器學習專家Michael I.Jordan是人工智能小組中的牛人。計算機科學仍然是首要學科，人工智能還無法取而代之，神經網(wǎng)絡只是該領域中仍在發(fā)展的一個部分，他認為。 圖3：伯克利分校的機器學習專家Michael I.Jordan

“這只是一個很大的工具箱?！彼硎?，“我們需要構建圍繞神經網(wǎng)絡的基礎設施和工程，我們離這個愿景還比較遠。我們需要讓系統(tǒng)用數(shù)學和機器學習的方式去思考?！?/p>

與其它演講者一樣，他指出人類推理能力游離于神經網(wǎng)絡范圍之外?！白匀徽Z言處理是很難的。今天我們做的是句到句的匹配，而這跟翻譯不是一回事?！?/p>

舉例來說，他提到了中國對聊天機器人的熱情。這種自動化的對話裝置可以與人類進行應答互動，但不支持抽象和語義，它們無法說出有關世界的任何真實內容。

“我們正處于廣泛學習的年代，但我們還沒有進入人工智能時代?！彼偨Y道。雖然如此，他同意神經網(wǎng)絡足夠重要，需要成為新版計算機科學課程中的一部分。