人工智能的最后一公里

鄭磊/文

     “機(jī)器會(huì)思考嗎？”人工智能之父艾倫·圖靈的這個(gè)問(wèn)題已經(jīng)部分得到解決，機(jī)器學(xué)習(xí)已經(jīng)能夠在部分領(lǐng)域表現(xiàn)得像人類一樣會(huì)思考和行動(dòng)，比如下棋。

      目前，機(jī)器學(xué)習(xí)已經(jīng)成為推動(dòng)工業(yè)和社會(huì)發(fā)展的重要力量，可以實(shí)現(xiàn)從電子商務(wù)和廣告投放到教育和醫(yī)療等領(lǐng)域的自動(dòng)化決策。基于計(jì)算機(jī)的圖像分析領(lǐng)域中的人臉識(shí)別是一個(gè)很好的例子。如果我們手里有大量醫(yī)療影像照片，就可以用這些照片訓(xùn)練機(jī)器，讓它學(xué)會(huì)看新照片，推測(cè)是否存在某種疾病。機(jī)器學(xué)習(xí)還可以用于公司安保系統(tǒng)，判斷訪客是否是公司員工。但是機(jī)器學(xué)習(xí)也受到很多詬病，主要是這種學(xué)習(xí)方式必須基于大量數(shù)據(jù)，甚至可以說(shuō)這種人工智能必須是建立在大數(shù)據(jù)基礎(chǔ)之上。而現(xiàn)實(shí)中，很多時(shí)候我們要解決的問(wèn)題，只有少量樣本可供使用。這就是智能機(jī)器和人類的一個(gè)本質(zhì)差別，人類學(xué)習(xí)不僅基于已有信息和知識(shí)，更會(huì)舉一反三，把一個(gè)模型適當(dāng)修改之后用在另一個(gè)場(chǎng)合。這就是遷移學(xué)習(xí)，是傳統(tǒng)機(jī)器學(xué)習(xí)下一步需要掌握的能力。

      在過(guò)去的十幾年里，不管是在算法、理論研究還是實(shí)際場(chǎng)景應(yīng)用方面，遷移學(xué)習(xí)都得到了越來(lái)越廣泛的關(guān)注和研究。《遷移學(xué)習(xí)》這本書(shū)由該領(lǐng)域資深專家撰寫(xiě)，系統(tǒng)全面，包括了遷移學(xué)習(xí)理論、自動(dòng)遷移學(xué)習(xí)、小樣本學(xué)習(xí)、終身機(jī)器學(xué)習(xí)等，以及在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、推薦系統(tǒng)、生物信息學(xué)、行為識(shí)別等方面的成果。

      嬰兒首先學(xué)習(xí)如何分辨自己的父母，然后利用這種分辨能力去學(xué)習(xí)如何分辨其他人。兒童可以僅從一些例子中學(xué)習(xí)，就能快速歸納出規(guī)律。這種從小數(shù)據(jù)中學(xué)習(xí)的能力，使得我們能夠利用和調(diào)整以前的經(jīng)驗(yàn)，來(lái)幫助解決新問(wèn)題。在這種學(xué)習(xí)的適應(yīng)能力上，人類目前遙遙領(lǐng)先于智能機(jī)器。我們經(jīng)常遇到的是相互孤立、碎片化的少量數(shù)據(jù)，有時(shí)候由于很多限制，無(wú)法收集到大量數(shù)據(jù)，比如隱私保護(hù)。此時(shí)，機(jī)器學(xué)習(xí)就遭遇了難以克服的瓶頸問(wèn)題。而遷移學(xué)習(xí)正是針對(duì)這一挑戰(zhàn)的一種解決方案，這種學(xué)習(xí)機(jī)制可以使人工智能系統(tǒng)更加可靠和穩(wěn)定，也使它可以采用更復(fù)雜的模型來(lái)應(yīng)對(duì)將會(huì)出現(xiàn)的變化。

     通過(guò)遷移學(xué)習(xí)可以讓知識(shí)得到重復(fù)利用，從而使獲得的經(jīng)驗(yàn)可以被重復(fù)地應(yīng)用到現(xiàn)實(shí)世界中。如果人工智能能夠有效運(yùn)用遷移學(xué)習(xí)，我們就可以獲得會(huì)終身學(xué)習(xí)的智能機(jī)器。這和人類進(jìn)化的軌跡有類似之處，人工智能科學(xué)家一直在向這個(gè)方向努力。研究人員一開(kāi)始就將遷移知識(shí)的能力當(dāng)作人工智能的主要基石。類比學(xué)習(xí)、基于案例的推理、知識(shí)重用和重建、 終身機(jī)器學(xué)習(xí)等，都屬于這個(gè)范疇。在教育和學(xué)習(xí)心理學(xué)領(lǐng)域，學(xué)習(xí)遷移一直是研究有效學(xué)習(xí)的一個(gè)重要課題，人們堅(jiān)信，最好的教學(xué)能使學(xué)生學(xué)會(huì)“如何學(xué)習(xí)”，并使所學(xué)知識(shí)適應(yīng)未來(lái)的情況。

      我們舉一個(gè)簡(jiǎn)單易懂的遷移學(xué)習(xí)的例子。世界上有兩種道路系統(tǒng)，分別是靠左和靠右行車。比如，美國(guó)和中國(guó)內(nèi)地的駕駛員位置在汽車的左側(cè)，并且汽車要靠右行駛。而在英國(guó)、中國(guó)香港地區(qū)，駕駛位置是在汽車右側(cè)，并且汽車靠左行駛。我住在深圳，習(xí)慣靠右行駛，但是到了香港，就不敢開(kāi)車了，駕駛習(xí)慣很難轉(zhuǎn)換過(guò)來(lái)。但是以后可以乘坐自動(dòng)駕駛的汽車，而遷移學(xué)習(xí)就能夠用在這里，可以通過(guò)找出兩種駕駛中的共同特征，讓自動(dòng)駕駛系統(tǒng)自如切換。我們可以看到，無(wú)論駕駛員坐在哪一邊，離道路中心線始終是最近的。這一事實(shí)能夠使駕駛員將駕駛習(xí)慣順利地從一個(gè)方向“遷移”到另一個(gè)方向。遷移學(xué)習(xí)的關(guān)鍵要素是尋找不同領(lǐng)域和任務(wù)之間的這類“不變性”。當(dāng)然，實(shí)際的遷移學(xué)習(xí)要比這個(gè)任務(wù)復(fù)雜得多。

      在遷移學(xué)習(xí)中，算法仍是最核心的技術(shù)，包括基于樣本、特征、模型和關(guān)系的算法。每一種遷移算法分別對(duì)應(yīng)不同的知識(shí)遷移載體。文本挖掘是遷移學(xué)習(xí)算法的一個(gè)很好的應(yīng)用場(chǎng)景，可以從文本中發(fā)現(xiàn)有用的結(jié)構(gòu)性知識(shí)并將其應(yīng)用于其他領(lǐng)域中。例如情感分類，在線論壇、博客、社交網(wǎng)絡(luò)等有大量用戶生成的內(nèi)容，能夠從中總結(jié)消費(fèi)者對(duì)產(chǎn)品和服務(wù)的看法非常重要，對(duì)于不同類型的產(chǎn)品、不同類型的在線網(wǎng)站、不同的行業(yè)，用戶可能使用不同的詞語(yǔ)表達(dá)他們具有相同情感的觀點(diǎn)。在這種情境下，就可以用遷移學(xué)習(xí)訓(xùn)練出具有人類情感分類能力的機(jī)器。而當(dāng)人工智能走完這最后一公里，可能就會(huì)讓很多人意識(shí)到它所帶來(lái)的嚴(yán)重威脅了。