今年的圖靈獎選擇了“深度學習三巨頭”——Yoshua Bengio、Yann LeCun、Geoffrey Hinton，但這一事件并未減弱人們對深度學習“寒冬已至”的擔憂。

隨著越來越多的深度學習應用走向日常生活，該技術的局限性也開始受到大量關注，例如對大數(shù)據(jù)的強依賴、缺少泛化能力、不可解釋性等，這些因素都阻礙著基于深度學習實現(xiàn)真正的人工智能。

此前人工智能領域經(jīng)歷過的“寒冬”現(xiàn)象，最主要的特質(zhì)在于，大量的人力物力投入到 AI 的研究中卻幾乎一無所獲，機構和政府面臨“人工智能”研究失敗和沉沒成本，已經(jīng)看不到任何發(fā)展前景，也由此導致人工智能研究停滯了數(shù)十年。

那么，在 2019 年即將翻頁的這一節(jié)點，深度學習的發(fā)展顯現(xiàn)出“寒冬”征兆了嗎？

在今日上午 CNCC2019 中的一場討論中，包括中國工程院院士高文、中科院計算所研究員陳云霽、北大教授黃鐵軍、依圖 CTO 顏水成、北交大教授于劍、騰訊 AI Lab 主任張正友、清華大學教授朱軍在內(nèi)的諸位 AI 學者，深度討論了這項技術的現(xiàn)狀乃至整個 AI 發(fā)展未來的可能走向。

現(xiàn)場互動中，中國科學院梅宏院士認為，深度學習作為機器學習的一個分支，獲得圖靈獎已經(jīng)足夠證明其價值所在。正如計算機從最初的軍用走向民用，人類將其變成一個通用化的工具，計算機同樣能夠繼續(xù)得到發(fā)展，深度學習也將是類似的情況。

根據(jù)討論，正如其他的科學技術一樣，深度學習有實用部分，也有不實用的部分。曾經(jīng)，云計算、大數(shù)據(jù)亦是熱度不亞于今天的 AI 的技術，但今日它們同樣在持續(xù)發(fā)展，只不過已經(jīng)從“明星技術”的狀態(tài)走向“潤物細無聲”的階段。

長遠來看，深度學習也將有相似的未來：它不會迎來徹底喪失價值、宣告“死亡”的終點，而是仍在某些特定的方向上發(fā)揮作用，特別是需要從大量的數(shù)據(jù)中尋求規(guī)律以執(zhí)行特定任務的場景。

“深度學習會不會有冬天，要看是不是有更多更實用的深度學習應用出現(xiàn)，能夠很好地服務于我們的生活，這樣的應用越多，寒冬到來的可能性越小?！敝锌圃河嬎闼芯繂T、寒武紀創(chuàng)始人陳云霽如此表示。

中國工程院院士高文也提到，深度學習低谷到來的可能性，將在于需要深度學習、強調(diào)大數(shù)據(jù)的任務被完成得差不多了，“低谷”之后誰接棒，將取決于目前各種各樣的可能性當中，誰能率先解決最重要的問題、取得最顯著的突破。正如 AI 發(fā)展過程中，深度學習率先在 2012 年實現(xiàn)了機器圖像分類超越人眼的里程碑，由此走出“冬天”，帶來應用的大爆發(fā)。

誠然，深度學習中亟待解決的問題還有很多，為深度學習添磚加瓦有其必要，但現(xiàn)場討論中更關鍵的一個共識在于，學術界不應持有僅靠深度學習“一招鮮吃遍天下”，有用的錘子發(fā)明后只著力于一點的心態(tài)。即從學術研究能夠繼續(xù)往前發(fā)展的角度來看，應該推動 AI 領域多元化的研究方向。

由此，幾位 AI 學者也給出了非常具體的潛力研究方向，這些研究方向?qū)⒂锌赡苣孟律疃葘W習的接力棒，孕育出新的“春日之芽”。

清華大學教授朱軍認為，貝葉斯推理將會是其中的一個選項。他和他的團隊正關注于此。貝葉斯網(wǎng)絡由 Judea Pearl 提出，憑借這項工作，Pearl 在 2011 年獲得圖靈獎，這一工作可幫助機器將潛在原因與一系列人們所觀察到的現(xiàn)象聯(lián)系起來。Pearl 也曾經(jīng)批判過 AI 現(xiàn)狀，他認為今天的人工智能只不過是上一代機器已有功能的增強版，即在大量數(shù)據(jù)中發(fā)現(xiàn)規(guī)律性：“幾乎所有的深度學習突破性成果本質(zhì)上來說都只是些曲線擬合罷了”。

作為 AI 領域堅定的類腦計算支持者黃鐵軍表示，要解答人工智能未來的路是怎么走的，需要回頭看人的智能是如何演化而來。他認為，下一代人工智能的方向?qū)⒃谟陬惸X智能，但發(fā)展類腦智能需要我們拋棄原有的計算思維，轉向以下三個層次的研究：硬件（如脈沖神經(jīng)網(wǎng)絡）、模型（即信息在神經(jīng)中流轉的動力學模型）、類腦智能機理。其中，脈沖神經(jīng)網(wǎng)絡硬件在國外已經(jīng)得到了一定的發(fā)展，但目前還未有一個模型能夠像 2012 年的視覺識別突破一樣，彰顯出巨大的潛力。

騰訊 AI Lab 主任張正友提到，如何將先驗知識引入到現(xiàn)有的數(shù)據(jù)驅(qū)動型的 AI 中將值得關注。以人類的嬰兒為例，他們不需要太多的舉例，只需小量訓練樣本（即先驗知識），就能通過與真實世界交互從而進行學習，但現(xiàn)在的深度學習還遠未與先驗知識緊密結合。

除此之外，符號智能、多模態(tài)、軟硬一體化等也在其他幾位學者的名單中。期待在不久的將來，我們能夠聽到來自這些方向的重大突破。

來源：DeepTech深科技