前幾年 AI 最受矚目的技術,可能是在「深度學習」上。這類算法通過使用統計數據,查找期間的模式,並在模仿人類技能上已證明其強大,在某些程度上,它甚至可以模仿人們推理的能力。具體來看,Google 的搜索、Facebook 的動態消息,以及 Netflix 的推薦引擎,都使用了相關的技術,並且正在改變醫療保健和教育等行業的發展。

 

DeepMind 的 AlphaGo 在圍棋上輾壓人類對手,充分顯現了 AI 的強大潛力,同時正在改變 AI 趨勢。但這就是未來的 AI 嗎?麻省理工技術評論研究了過去長時間的 AI 論文,認為過去以來 AI 的發展,其實沒有用到什麼「最新的技術」,只是不同技術輪流主宰研究界。

AI 研究趨勢快速轉移

華盛頓大學資訊科學教授 Pedro Domingos 在《MIT Technology Review》上刊文表示,以長期的 AI 發展來看,每隔十年,不同想法之間就會出現激烈的競爭,偶然機會下,會產生一個主流,並帶領研究界。但相對來說,沒落得也快。

AI論文快速上升(圖表取自MIT Technology Review)
AI 論文快速上升 (圖表取自 MIT Technology Review)

針對 arXiv 科學論文的資料庫的統計,顯示了這一點。根據 16625 篇論文的摘要,可以看出 AI 研究趨勢的演變。

麻省理工技術評論分析認為,AI 過去的發展有 3 個主要趨勢的改變。在 1990 年代到 2000 年代初期,AI 研究朝「機器學習」轉向;到 2010 年代初,研究者看重神經網路;而過去幾年,「深度學習」成為主宰。但無論是何種,這些技術都不是最新的,而是在 1950 年代人工智慧概念萌芽時,就已經在討論的技術。

機器學習為初期主流

在 AI 開始成長的第一個時期,以「機器學習」為典範有其理由。在 1980 年代,人們讓電腦協助工作的做法,就是設定好基本規則,寫定一套程式,讓機器依此運作。然而,在電腦要做的事愈來愈多之後,必須一直編寫規則及程式,不僅增加成本也拖慢發展的速度。

因而,「機器學習」成為主流,讓電腦由一堆數據中,自行提取規則,而不需程式人員一再手動寫程式碼。所以,發展的重點不是奠基於相關知識本身的體系,而是如何讓電腦找出規則。

典範由深度學習轉向強化學習

發展到第 2 個時期,不同的研究人員開始嘗試以不同的技術方法,以得到最好的結果,各種模型都開始被採用。經過 10 多年的穩定競爭之後,在 2012 年年度 ImageNet 競賽期間,Geoffrey Hinton 和他在多倫多大學的同事,以超過 10 個百分點的驚人幅度,達成圖像識別的最佳準確度。在此他所使用的深度學習技術,開始引起了一波新的研究。

這些研究最早集中於視覺領域,後來深度學習開始在各個領域被採用,成為最受歡迎的技術。他們使用的 AlexNet,採用的是神經網路技術,讓此一技術成為 AI 界的顯學。

談及強化學習的論文比例上升(圖表取自MIT Technology Review)
談及強化學習的論文比例上升 (圖表取自 MIT Technology Review)

到第 3 個時期,即現在的主流發展,專注在強化學習。在這之前,有 3 種類型激烈競爭,包括監督、無監督與強化學習的方式,原本監督學習是最常見的方式,但強化學習模仿了懲罰和獎勵訓練動物的過程,獲得快速的進展。

Domingos 表示,這個想法並不新鮮,但幾十年來它並沒有真正發揮作用。 他指出,採用「監督」類型的人,可能還會嘲笑強化學習的方法太舊,但當它繳出成績後,便突然受到重視。造成這個趨勢的一大推力,就是 2015 年 10 月 DeepMind 的 AlphaGo 在圍棋上的表現,也立刻造成學界立竿見影的影響力。

未來,誰知道呢?

由此來看未來 10 年 AI 可能的發展,Domingos 認為,技術的變遷很快,其實是難以預測的。

例如,神經網路稱不上什麼新的技術,它在 1960 年代統治 AI,1980 年代也曾被提及,但很快不受矚目。直到 2012 年捲土重來前,這個想法很長期間不被採用。但強化學習出現後,它又可能再次沒落。

Domingos 表示,每個 10 年中,可能有不同的技術成為主流,以現在來看,恐怕深度學習的時代也會很快終結。

轉貼自: 鉅亨網

 


留下你的回應

以訪客張貼回應

0
  • 找不到回應