AI未來何去何從？MIT：深度學習正走向盡頭

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。

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。

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