英特尔中国研究院院长:人工智能陷入瓶颈,需进一步突破理论和算法

2020-7-14 10:50| 发布者: 暖36D| 查看: 144| 评论: 0

摘要: 毫无疑问,人工智能(主要是其子项的深度学习)已经取得显著进展,所有公司都在宣传自身在产品中集成了这样那样的AI能力,无论是搜索引擎、语音识别还是在线购物。但疑问挥之不去。在屡屡被夸耀的AI技术背后,其实大 ...


毫无疑问,人工智能(主要是其子项的深度学习)已经取得显著进展,所有公司都在宣传自身在产品中集成了这样那样的AI能力,无论是搜索引擎、语音识别还是在线购物。

但疑问挥之不去。在屡屡被夸耀的AI技术背后,其实大部分AI工程师的时间是用来处理数据。“虽说数据是新的‘石油’,但冶炼技术还很原始。”《经济学人》给出结论称。

“现在AI的能力叫弱AI,也就是说,我们需要靠大量的数据,且要有人工标注,才能让它训练出比较靠谱的模型。”英特尔中国研究院院长宋继强告诉界面新闻。

在学界看来,AI也有强弱之别。简单来说,当下实用化AI大都是程度很低的弱AI,仅是加强自动化、让业务计算机化。强AI则是面对不确定状况,可能代替人类下判断。

英特尔中国区物联网事业部首席技术官兼首席工程师张宇对此进一步指出,做数据处理也分初级阶段和高级阶段。初级阶段就是把表面的特征提炼出来,到高级阶段就要把这些特征与相应的一些行业需求,一些“Knowhow”结合起来,真正让数据在行业应用里发挥作用。

宋继强认为,如果要改变AI的现状,就一定要有新的范式转移:“不是只靠大量数据训练,而且要端到端有标注的数据训练,才可以给出一个可以工作的AI算法或者是模型,必须要有新的能力是可以通过少量的数据就能够逐渐去学会这些能力。”

他以英特尔刚推出的神经拟态芯片Loihi为例,“我们用Loihi做了一个嗅觉系统,上面用的是脉冲神经网络模型。它和深度学习的模型不一样,例如10种气味,每种气味只用一个样本,就可以训练出92%的识别率,而如果你要用深度学习的话,要3000个样本才可以达到这样的识别率。”

神经拟态芯片Loihi则是英特尔今年3月公布的最新研究成果,潜力初步得到显示,在神经科学与人工智能交叉研究中取得不少进展。

高性能计算、神经拟态计算、量子计算,这三者通常被称为通往未来AI的三条“赛道”。但在对于三条赛道的选择上英特尔选择全线押注,其中高性能计算的进展进度最快,以芯片制造商为代表的技术公司都在研发深度学习芯片。

Loihi的推出符合英特尔对AI路径的未来构想:下一代AI即将进入3.0时代,五六年前的2.0时代是靠统计式学习、数据库命令的机器学习,在视觉、语音和金融数据处理中已经发挥重要作用,3.0时代需要AI能从更少量的数据中学习,并且能够适应环境变化进而自我演进,甚至能够推理。

弱AI不弱,强AI不强,这是深度学习碰到瓶颈了吗?

“深度学习如果说从它发展的曲线来看,现在确实进入了平台期,”对于该问题,宋继强以自身职业经历举例称,“当时我还在贝尔实验室,同事设计了一个叫Learn net的网络来做字母识别,那个网络很浅,但是它的基础就是卷积神经网络。所以应该说我们在理论和使用的底层算法方面,这一轮人工智能和上一轮人工智能没有本质的区别。”

要解决上述问题,宋继强的建议是开放思路,例如雷达中信号处理就与当前人工智能所用的卷积神经算法类似,但后者有大量可优化的空间,更缺乏可参照雷达信号处理的理论基础。

他进一步解释,用大量的数据去得到一个我们可以接受的结果,但是我们所用的方法不见得是最优的,“比如我们用一些网络压缩技术来降低运算量,但是对最后的处理准确度并没有太大影响。这都是因为目前的理论不够完善造成的。”

“如果说我们在人工智能的理论和算法上有进一步突破的话,它将能够解决我们目前遇到的强AI不强等问题,这是我比较期待的。”他说道。


鲜花

握手

雷人

路过

鸡蛋