9月28日消息，“數(shù)據(jù)是新的石油嗎?”在2012年的時候，《福布斯》雜志在一篇文章中引述了這句一位大數(shù)據(jù)支持者的提問。時間轉瞬飛逝到了2016年，大數(shù)據(jù)潮流涌去，又掀起了名為“深度學習”(deep
learning)的巨浪，我們從《福布斯》那兒再次聽到了更為明確的答案：“數(shù)據(jù)是新的石油!”
對這一觀點，目前就職于亞馬遜的機器學習和計算生物學教授尼爾?勞倫斯(Neil
Lawrence)在這一比喻的喻體對象上，有著些許不同的看法，他認為：數(shù)據(jù)是新的煤炭。
勞倫斯教授日前在倫敦舉辦的Re-Work大會的深度學習研討會上，向我們分享了這個故事：在18世紀的時候，英國工程師托馬斯·紐科門(Thomas
Newcomen)發(fā)明了最初的蒸汽機(這是瓦特所發(fā)明的常壓蒸汽機的前身)。紐科門最初的設想是將蒸汽機用于英國西南部錫富礦的開采上。在那時，紐科門所遇到的情況是，要讓紐科門蒸汽機實現(xiàn)抽水的功能，就必須讓它要靠近煤炭產地，因為這臺蒸汽機的效率雖然很高，但它所創(chuàng)造的價值還是不足以支撐買煤炭來讓它作業(yè)的花費。
或許正是基于這樣的原因，第一臺紐科門蒸汽機是在英國達德利市的煤礦邊兒上運轉起來的，而不在錫礦。
所以，為什么勞倫斯教授會說數(shù)據(jù)就是煤炭?因為它倆的情況很相似：目前，在全世界的深度學習領域里都有出現(xiàn)了許多“紐科門”。像Magic
Pony和SwiftKey這樣位于倫敦的初創(chuàng)公司提出了很多革命性的新方法，這些方法能訓練計算機去實現(xiàn)一些能令人目瞪口呆的認知能力，比如從一堆模糊的照片中重新構建出人物的面部數(shù)據(jù)，通過學習用戶的筆跡來更好地預測他接下來要寫什么東西。
就目前來說，就像紐科門那樣，這些公司的創(chuàng)新出的AI技術的需求量非常的大，它們有充足的“燃料”來一展身手。也正是基于目前AI技術火爆的局面，各家AI初創(chuàng)公司都已成了科技巨頭們爭相搶奪的香餑餑。
目前，Magic
Pony已被Twitter收購了，而SwiftKey也已被微軟所收購。就連勞倫斯教授自己，也已在三周前，被亞馬遜公司以高薪從謝菲爾德大學(University
of Sheffield)挖走了。
然而，勞倫斯教授教授的故事其實還沒有講完：69年后，詹姆斯·瓦特(James
Watt)改良了紐科門蒸汽機，在原先的設計中加入了一個冷凝器。而這一小小的改變，按照勞倫斯教授的說法：“讓蒸汽機的效率更上了一層樓，并由此引發(fā)了工業(yè)革命。”
無論你認為數(shù)據(jù)是石油還是煤炭，我們對于它其實還有另外一種理解：許多AI科學家所做出的努力，就是確保我們能事半功倍。
單純地教一臺計算機在圍棋或是玩游戲上打敗人類，其實還不是什么大不了的事情，但如果深度學習技術正從原先的“胡吃海喝”數(shù)據(jù)，轉變至具備能反饋出最佳匹配可能的能力的話，那么深度學習技術在“數(shù)據(jù)利用率”上，就將獲得質的飛躍。
“如果你能仔細回想一下那些深度學習技術已大放異彩的領域，那么你很容易就能發(fā)現(xiàn)這些領域的共同點，那就是這些領域都能產生出大量的數(shù)據(jù)，”勞倫斯教授這樣說道。
深度學習技術能幫你輕松辨認出貓的照片，但如果你想讓它幫你診斷什么疑難雜癥的話，目前還是比較難能實現(xiàn)的。
“從科學倫理學的角度上去看，我們不可能強迫志愿者去生病，來幫助我們搜集改良深度學習算法所需要的數(shù)據(jù)。”
計算機還是很傻的
對于像谷歌旗下的AI研究組織Deep
Mind這樣的AI成功實踐者來說，他們現(xiàn)在所面臨的問題是：我們目前的計算機的真正學習水平，仍處于相當癡呆的狀態(tài)。
對于人類，我可以給你看一張你從未見過的動物照片——比如一只短尾矮袋鼠——在這張照片的認知教導下，你足以在一堆照片中正確地辨認出一只完全不同的短尾矮袋鼠。但如果我們首次將一張短尾矮袋鼠的照片，發(fā)給一個已被預先訓練過的優(yōu)秀神經網絡系統(tǒng)，它能調一調自己的認知模型，都已經算是謝天謝地的了。
當然，反過來說，如果你給一個深度學習系統(tǒng)展示數(shù)百萬張短尾矮袋鼠的照片，然后再輸入數(shù)百萬張其它哺乳動物的照片，你或許就能得到一個無敵的哺乳動物辨認系統(tǒng)，僅憑一點細枝末節(jié)的東西，它就能打敗所有的頂級人類選手。
“一個好的深度學習系統(tǒng)需要海量數(shù)據(jù)的支持，來幫助它構建自己的分析模型，” 英國倫敦帝國理工學院認知機器人學教授默里·沙納漢(Murray
Shanahan)這樣說道。
“這實際上是一個非常非常緩慢的學習過程，但即便是一個非常年幼的人類兒童，他都能迅速地學會新的知識。”
專注于深度學習領域的專家們，目前都已經提出了許多能提高“數(shù)據(jù)利用率”問題的方法，他們中的大多數(shù)人都覺得，能模仿人類大腦的運作方式的人工智能系統(tǒng)是最強的。
其中一個方法提到了一項名為“progressive neural
networks”(漸進式神經網絡)的新技術，它的目標是攻克許多深度學習模型在進入到一個全新領域時，都會遇到的難題：究竟是應該忽略掉它們此前已掌握的信息來重頭開始呢?還是應該冒著“遺忘”所學知識的風險，用新信息來改寫自己的認知模型。
為了更好地幫助讀者理解這一點，我們可以一起嘗試想象這樣的場景：當你要學習辨認短尾矮袋鼠的時候，你是打算獨立地從頭、身體、四肢、皮毛等等來重新學習它的整個特征呢?還是試圖結合你已有的認知，冒著可能會忘記“貓長什么樣”的風險來學習它呢?
谷歌Deep Mind工程師Raia
Hadsell主要負責將更好的系統(tǒng)嵌入到團隊的深度學習模型當中，這對于公司想要搭建一個“通用型人工智能系統(tǒng)”的這一長期目標，是非常至關重要的。通用型人工智能系統(tǒng)指的是能像你我那樣做各種各樣復雜的事情的AI系統(tǒng)。
“它是沒有模型的，也沒有所謂的神經網絡，在通用型人工智能的世界里，它既可以被訓練成辨認物品的大師，又能玩電子游戲，還懂得聽音樂，”Hadsell在Re-work大會上這樣說道。
“我們希望它能做到的是學習一個任務，然后在這個工作上達到專家級的水平，然后轉而投向第二個任務，緊接著做第三、第四、第五個任務。”
“我們希望這個通用型AI系統(tǒng)在學習新東西的時候，不會拋棄已有的認知，并具備從一個任務跳轉到另一個任務的能力：如果我掌握了處理一項任務的技能，我希望它能幫助我來學習下一個任務。”而這也正是Hadsell在Deep
Mind帶領團隊成員正在探索的事兒。
他們的方法能讓深度學習系統(tǒng)“凍結”對一個任務的理解——比如打乒乓球——然后轉到處理下一個任務上，而它在處理第二個任務的時候，能回過頭去，再參考它在處理第一個任務時所學習到的那些知識。
“這將演變成為一個有趣的初級視覺功能”——舉個例子，學會如何從一堆抽象的數(shù)據(jù)中，分析出這個物體的屬性——“或是一個高級的政策理解功能，”比如理解“小白點必須待在船槳正確一邊”的這一指令。
很顯然，現(xiàn)在的Deep Mind離真正開發(fā)出一個通用型人工智能系統(tǒng)還有幾步之遙，但反過來說，Deep
Mind離“意外”釋放出一個超級AI系統(tǒng)就剩幾步的距離了。好消息是，據(jù)Hadsell本人透露，現(xiàn)在的漸進式神經網絡技術已經可以被用于改進“數(shù)據(jù)利用率”了。
我們可以拿機器人舉個例子。“數(shù)據(jù)問題是機器人的一大難題，因為它們很脆弱、它們需要看護者，還很貴。”Hadsell這樣說道。
一個解決方式是用“蠻力”來搞定：比如，Alphabet的無人駕駛汽車是通過“野蠻”地行駛了很長一段距離，才學會了駕駛。
在開始的時候，Alphabet無人汽車就算是在無人的公路上開，駕駛員的手也要時刻準備著要落到方向盤上。但如今的Alphabet無人汽車雖然受法律限制，還無法駛上馬路，但它已經可以完全不裝方向盤了。
而另外一個方法就是通過模擬仿真來教導機器人，通過給機器人裝上各種傳感器來無限逼近真實的世界，這種方法的學習正確率也很高。這樣調教一番后，你就可以用實戰(zhàn)訓練來提高教育的層次。
“要實現(xiàn)這點最好的方法就是采用漸進式神經網絡學習技術。”Hadsell這樣說道。
我們可以舉個簡單的任務例子：比如用一只機械臂來實現(xiàn)空中接球。
“某天，我們就是在仿真中這么簡單粗暴地來訓練它去學習這個項目…如果我們拿真正的機械臂去訓練它的話，大概要耗去我們55天的訓練時間。”但這個AI系統(tǒng)在經歷仿真訓練后，再將它接入到真正的機械臂上，只用再訓練上兩個小時，就能達到55天真實訓練的效果。
教AI學會思考
除了深度學習，其實還有另外一種方法。
英國帝國理工學院的沙納漢教授(Shanahan)從事AI研究領域多年，在他的印象里，剛開始的時候，AI領域里最流行的手段還不是深度學習。事實上，深度學習這個技術需要高計算機處理性能、大儲存空間和海量數(shù)據(jù)支持才能實現(xiàn)，而在當時這些條件都并不成熟，所以起初最流行的方法是“符號學習”技術。
AI符號學習流派專注于構建通用的邏輯范例，然后“喂以”它們真實世界的信息來傳授它們更多知識。
沙納漢教授表示，符號流派里的“符號”有點像英語里的句子，它們陳述了世界或某些東西的樣貌。
然而不幸的是，這一流派的技術并未被推廣開來，以致于AI的發(fā)展在隨后低迷了好幾年。
但沙納漢教授仍堅信，將現(xiàn)在的深度學習和傳統(tǒng)的符號學習技術結合到一起，將產生1+1>2的效果，這能有助于提高“數(shù)據(jù)利用率”，還能幫助我們解決機器思維不透明的難題：“當機器在做決策的時候，我們很難從中提取出可被人類閱讀的解釋，”
沙納漢教授這樣說道。
我們無法問計算機為什么它認為短尾矮袋鼠是一只“短尾矮袋鼠”，它只是就這么判斷罷了。
沙納漢教授的想法是建立一個通過另一種名為“深度強化學習”(deep reinforcement
learning)的方法，而不是傳統(tǒng)手動碼代碼的方法，來建立一個符號類型數(shù)據(jù)庫。這樣的話，AI就可以通過反復試錯來而不是檢索海量數(shù)據(jù)來學習了。舉個例子，DeepMind所開發(fā)出的AlphaGo的核心學習技術就是基于深度強化學習的。
為了向我們更好地展示這一概念，沙納漢教授的團隊開發(fā)出了一個能玩簡單版圍棋游戲的AI系統(tǒng)。從大體來講，這個訓練這個AI系統(tǒng)的過程不是讓它直接玩圍棋游戲，而是通過讓它教第二個系統(tǒng)有關圍棋規(guī)則的知識和玩法，這樣的話，這個AI系統(tǒng)就能以更為抽象的方式，理解圍棋究竟是怎么玩兒的了。
就像Hadsell的那套方法一樣，沙納漢教授的這套方法雖然為麻煩一些，但從效果上來看，對它所有的付出都還是值得的。當傳統(tǒng)的深度學習系統(tǒng)遇到瓶頸的時候，沙納漢教授的這套更為抽象的系統(tǒng)能更為一般化地思考它所面對的難題，它在某些方面同上一種方法的類似，但卻是它的延續(xù)。
更為機智地思考
在某種程度上，“數(shù)據(jù)利用率”的問題其實也被夸大了。比如，相比那些基于深度學習技術的AI系統(tǒng)，你確實在學一些東西的時候要比它快得多。但你也必須承認，作為人類一員的你已經學習各種知識很多年了，這可不是什么小規(guī)模的數(shù)據(jù)量。
除此之外，你身上還有一個很明顯的缺點，這是任何優(yōu)秀的深度學習系統(tǒng)都不會出現(xiàn)的情況，那就是：你很健忘。
而這或許也是人腦這個思考系統(tǒng)為高效率所付出的代價。你要么就是會忘了怎么做事兒，要么就是每次都會花越來越多的資源，來從大量物品中尋找到你想要找的那個東西。但如果能從那些大公司那兒孵化出最高級別的深受學習技術的話，那即便出現(xiàn)這點小問題，它也還是值得的。
