【AICon 全球人工智能与大模型开发与应用大会】改变 AI 时代下写代码的模式 >>> 了解详情
写点什么

下一个 AI 寒冬很快又会来临?

  • 2022-06-17
  • 本文字数:1979 字

    阅读完需:约 6 分钟

下一个AI寒冬很快又会来临?

本文最初发布于博客 CodeX,经 InfoQ 翻译。


AI 寒冬这个词并不是我为了吸引你阅读这篇文章而编造的,实际上,这是 AI 行业的一个知名词汇。其原因是我们在 20 世纪已经经历了两次人工智能寒冬。

什么是 AI 寒冬?

AI 寒冬与雪无关,也与季节无关。它是关于科研资金、创业资金和对人工智能的普遍兴趣的倒退。造成这种倒退的原因是,人们意识到许多希望和承诺无法实现,或者换句话说:人工智能被过度夸大了。


当然,人工智能很吸引人,而且有很多东西有待发现,但如果你认为可以在短时间内轻易实现巨大的科学飞跃,那就太天真了。有时,甚至是简单问题(如知识表示或逻辑推理)的巨大难度也被严重低估了。


就这个领域来说,人工智能这个名字可能并不那么慷慨,因为它导致了人们对人工智能寄予厚望和产生误解,比如说人工智能将在未来几十年内取代许多工作。尽管目前研究的重点不是 AGI(通用人工智能),而是狭义的人工智能,但许多人在想到人工智能时,脑子里仍然会浮现某种终结者或超级智能机器人的形象。这就导致了炒作。



Gartner 的炒作周期


这与 Gartner 的“炒作周期”有很强的相关性,它旨在说明一项新技术一开始会引发不切实际的期望,进而导致对这项技术的大量研究和调查。在意识到这是幻想之后,研究和大众兴趣急剧下降。至此,该项技术才得以通过缓慢但稳定的改进取得真正的进展。


这与人工智能非常相似,只是我们没有“复苏期(Slope of Enlightenment)”这个状态,还没有真正取得稳定的改进。

过去的 AI 寒冬


AI 寒冬时间线


第一次人工智能热发生在 20 世纪 50 年代,这也被称为推理和原型人工智能的时代。但很快,在 1970 年代,一个长达十年的人工智能寒冬开始了。


20 世纪 80 年代出现了新的人工智能热。当时,严重依赖知识表示的专家系统出现,试图重现人类决策过程。但那些成果并不能满足人们的期望,因为知识表示只适用于少数领域,而且由于缺乏数据和计算能力,其他算法并不可行。


下一个人工智能寒冬来了,并持续了一段时间,直到数据量和计算能力几乎呈指数级增长,提供了实施深度学习的可能性。这就是我们现在的情况,很可能是这种模式的重现。

为什么很快又会来临?


这就好比是泡沫破裂。每当某样东西的价值被人为地高估时,一旦普遍的误解转变为人所共知的常识,泡沫就很有可能破灭。



深度神经网络


现在的高性能人工智能,主要是深度神经网络,被认为是黑盒模型,它执行大量的浮点数计算来预测 X,或 Y,或其他东西。这些模型可以非常准确,因为它们是通用多项式函数近似器,有成百上千的神经元随着时间的推移抽象出函数。每当你问自己这样的模型是如何得出结论的时候,能够得出模型推理过程的方法非常有限,因为人无法解释通过无数神经元的浮点数流。这就是为什么这些模型在推理和知识表示研究领域没有取得进展的原因。长远来看,这非常令人担忧,因为我们需要模型有理解力,而不仅仅是进行“愚蠢的”模式检测。


例如,一个在图像中检测狗的神经网络可能会预测图像中存在一只狗,但它并没有真正理解什么是狗,以及除了视觉模式之外它还能做什么。


你可能会认为,一个能够对图像中的狗和猫进行分类的神经网络也能轻易地对图像中的鸟进行分类。但问题是,如果不重新学习它已经学到的所有知识,并在此基础上加入鸟类,人工智能就根本无法对鸟类或其他动物进行分类。这显然可以得出一个结论,推理和知识表示对于发现某种关联非常重要。举例来说,每当人类想到狗的时候,我们的脑子里可能会浮现这个词的拼写,以及狗的样子,还有一些狗的名字,等等。


联想记忆之所以重要,是因为需要有多任务模型(这是迈向 AGI 的第一步),它能够做不止一件事。人工智能不只是对图像中的动物进行分类,还可以对句子中的动物进行推理。它应该明白,“狗”这个词和狗的实际形象紧密相关,并且是指同一个东西。

小结


因为现如今几乎所有的人工智能研究都发生在深度学习领域,设法不断提升神经网络的性能或鲁棒性,所以大的问题并没有得到解决。如果不向基于推理的人工智能范式转变,那么下一个人工智能寒冬将很快到来。

一个乐观的观点


尽管目前人工智能面临着许多困难,但希望仍在。一个可能将深度学习和推理相结合的研究领域是逻辑神经网络,它试图将神经元映射到由 AND、OR 等运算符组成的逻辑谓词上......其前景是,神经网络将不再是黑盒子,知识表示可以更容易地转移到其他模型。



公平地说,到今天为止,这种方法还不是很有效,因为在映射神经元状态以获得逻辑谓词时,许多信息会丢失。人们希望能够找到解决此类问题的方法,使人工智能的梦想成为现实。


查看英文原文:


https://medium.com/codex/ai-winter-is-coming-2527e333df38?accessToken=eyJhbGciOiJIUzI1NiIsImtpZCI6ImRlZmF1bHQiLCJ0eXAiOiJKV1QifQ.eyJhdWQiOiJhY2Nlc3NfcmVzb3VyY2UiLCJleHAiOjE2NTU0NTc4MTksImZpbGVHVUlEIjoiV3IzRFZ5YVlQbGZZSjFrSiIsImlhdCI6MTY1NTQ1NzUxOSwidXNlcklkIjoyMDQxOTA5MH0.qdAPgdgTEXxuN0EPTjE_1sLAFNTVlzEwkmeYDoSis3I

2022-06-17 18:072290
用户头像
刘燕 InfoQ高级技术编辑

发布了 1112 篇内容, 共 485.1 次阅读, 收获喜欢 1962 次。

关注

评论

发布
暂无评论
发现更多内容

多线程为了同个资源打起架来了,该如何让他们安定?

小林coding

并发编程 多线程 操作系统 计算机基础

第七周总结

andy

极客大学

思维模型盲区:所知障和从众效应

石云升

思维模型 倾听 从众效应

公开课 | 吉祥人寿从0到1的 Jira 落地实践

Atlassian

敏捷开发 研发管理 Jira

寻找感动的养分

一直AC一直爽

感恩 随笔杂谈 感动

BIGO | Likee深度推荐模型的特征工程优化

DT极客

【源码系列】Spring Cloud Gateway

Alex🐒

源码 SpringCloud Gateway

redis系列之——缓存穿透、缓存击穿、缓存雪崩

诸葛小猿

redis 缓存穿透 缓存击穿 缓存雪崩

性能测试

陈皮

数据分析师 ”痛“ 谁能了解

松子(李博源)

数据分析 产品经理 数据产品 数据模型

你的个人博客网站该上线了!

北漂码农有话说

布隆过滤器是个啥!

诸葛小猿

布隆过滤器 bloomfilter bloom filter

Elasticsearch源码解析:环境搭建

Jackey

elasticsearch

[POJ 1001] Exponentiation JAVA解题报告

一直AC一直爽

算法 刷题 POJ ACM

一个简单的物联网设备接入网关高可用方案

凸出

Java nginx Netty

三分钟热度的干劲

落曦

最短路径问题(无负边值)——Dijkstra算法

烫烫烫个喵啊

算法 prim 最短路径

程序员开启社交和打造影响力的最佳方式

非著名程序员

程序员 提升认知 写作 社交

LeetCode 题解:122. 买卖股票的最佳时机 II,JavaScript,一遍循环,详细注释

Lee Chen

大前端

架构师是怎样炼成的 7-1 性能测试与优化

闷骚程序员

百度CTO王海峰对话王辰院士:全球“最强大脑”助力大数据抗疫时代来临

脑极体

Redis(二)单机版安装

奈何花开

Java redis

第七周作业

andy

极客大学

密码学的随机性与区块链随机数

CECBC

提速数字化!区块链加速应用落地,新制造与服务不断推出

CECBC

week7 学习总结

Geek_2e7dd7

week7 作业

Geek_2e7dd7

可读代码编写炸鸡九 - 抽取子问题

多选参数

编程 代码 代码优化 代码规范 可读代码

轻松应对并发问题,简易的火车票售票系统,Newbe.Claptrap 框架用例,第一步 —— 业务分析

newbe36524

容器 微服务 架构设计 .net core ASP.NET Core

排序笔记

烫烫烫个喵啊

算法 排序

架构师训练营 -- 第七周作业

stardust20

下一个AI寒冬很快又会来临?_AI&大模型_Stefan Haas_InfoQ精选文章