优力垫资讯|AI正在进化得越来越像人类，你害怕被替代吗？
神经网络在硅谷风靡一时，涌现出许多形式的人工智能的互联网服务。但就像他们将你的在线照片识别成猫一样，人工智能研究人员知道，神经网络依然有着相当大的缺陷，所以有些人就想知道这些模式识别系统是否是通往更先进、更可靠的人工智能形式的可行道路。
能够通过分析大量的数据来学习任务，神经网络使得从Facebook的面部识别到微软的翻译再到谷歌的互联网搜索，每一条数据都有其作用。它们开始帮助聊天机器人学习交谈的艺术。同时它们是面向无人驾驶汽车和其它自主化机器运动的一部分。但因为它们不能在没有大量精心标注的数据的帮助下认识世界，所以它们不适用于所有情况。人工智能研究人员对为什么神经网络做出特殊的决定这一点了解有限。它们在很多方面是黑盒子。这种不透明性可能导致严重的问题：要是一辆自动驾驶汽车撞伤了人，人们想知道为什么，怎么办？
“深度学习理所当然地获得了很多关注，”卡耐基梅隆大学计算机科学教授，帮助建立Libratus这一在没有神经网络的帮助下在扑克上超越人类最高水平的人工智能系统的TuomasSandholm说，“但深度学习并不能给你作担保。”
这是事实。但因为神经网络这些明显的缺点，一些世界上最大的科技公司正在拓宽他们对于人工智能的思考方式，从最近的招聘、收购和研究来看，许多创业公司在朝着同一个方向发展。你可以认为这是贝叶斯算法的崛起，研究人员通过科学的方法向人工智能迈进——从假说开始，然后通过数据完善假说——而不是像神经网络那样，仅仅依靠数据驱动结论。贝叶斯算法寻找方法去处理不确定性，将新的证据喂给现有模型，做神经网络并不都能做好的东西。
像神经网络一样，贝叶斯方法可以从数据中学习，但这种类型的机器学习以一种不同的方式开展。“我们感兴趣的是自动化的科学方法，”人工智能创业公司Gamalon创始人Ben Vigoda说。Gamalon通过一种名为概率规划的技术推动这一方向。
另一个告诉我们的是，神经网络的快速崛起为许多其他可以帮助机器变得更聪明的技术注入了生命力，这些技术包含了从增强学习到进化计算。有如此多的方法可以供机器来学习。
神秘的技术
当Gary Marcus在刚过去的十二月将15人的创业公司卖给Uber时，他到达了人工智能一种新的领域。或者说他自己是这么说的。
他的公司的名字叫Geometric Intelligence，小运营但有大前途。47岁的纽约大学心理学教授说他和他的同事正在开发一个可以从很少的数据中学习的系统，而这种学习更像是人类——它可能拥有超越深度神经网络的力量。
Marcus认为，小数据系统是构建可以人机对话的机器和自己在公路上行驶的汽车所必不可少的。“在语言领域和无人驾驶汽车上，你永远没有足够的数据像深度学习一样使用蛮力推动是问题的所在，”去年十二月，Uber收购Geometric Intelligence时他说到。毕竟，你不能在繁忙的道路上制造撞车事故来收集数据用于未来如何避免事故的发生。“要么你买不到，要么不存在。”
Marcus和他的合伙人，剑桥大学信息工程教授ZoubinGhahramani，还是不详述他们构建的技术的细节。像技术世界里常见的情况一样——特别是人工智能方面——这种保密性创造了一种神奇的氛围。但Ghahramani是这些贝叶斯算法的支持者之一。他专攻统计模型中被称为高斯过程的其中特定的一种——短高斯过程——这可能在他和Marcus构建的技术中起到作用。
高斯过程（The Gaussian Process）
在一个层面上，高斯过程是找到某些问题最优解的一种方法。支持的另一种数学方法被称为贝叶斯优化——贝叶斯！高斯！去了解这些数学家吧！高斯过程已经帮助网站决定它们应该展示哪条广告或者它们的主页应该看起来像什么样子了。Uber已经聘请了专攻高斯过程的学者来改善乘车服务。在谷歌，高斯过程帮助控制公司的高空互联网气球。
从根本上讲，高斯过程是识别不确定性的好方法。“了解你自己在哪方面不明白是一件非常好的事，”爱丁堡大学人工智能研究员，曾与他人共同撰写过高斯过程和机器学习方面权威书籍的Chris Williams说，“产生错误自信是最糟糕的事。”
在2015年被Twitter收购创业公司Whetlab，这项技术为设计神经网络提供了更好的方法——等着看吧！设计神经网络是一项经历极端尝试与错误的任务。你很大程度上并不会编写一个为了从海量数据中骗取结果的软件。这是一项困难且费时的任务，但高斯过程和贝叶斯优化可以帮助自动化完成这项任务。正如Whetlab创始人兼哈佛大学计算机科学家Ryan Adams所说，这家创业公司使用“用机器学习来改善机器学习”的方法。神经网络可能在确定不确定性上遭受“错误自信”的问题，这种优化方式可以帮助处理这个问题。Adams已经离开了Twitter，来到了搜索巨人谷歌的核心人工智能团队——谷歌大脑。
一些研究人员还认为，用小数据快速推进高斯过程在推动自主化人工智能一事上可以起到至关重要的作用。“建立一个真正自主化的工具，那它必须可以快速适应环境，”曾与Ghahramani一起工作的人工智能创业公司Prowler的CEO Vishal Chatrath说，“这意味着能够以数据高效的方式学习。”更重要的是，Chatrath说，高斯过程容易理解。不像神经网络，它们不会出现黑盒问题。如果出现意外，你可以追查原因。
“别慌”
在Prowler，Chatrath聘请了三位专攻这项技术的学者。总部位于Ghahramani和其他高斯过程与相关技术的专家的家的剑桥，这家公司构建的人工智能系统可以学习在大型多人在线游戏和其他数字世界里行驶。这是一项复杂的工作，但他们希望这是朝着系统可以学习在真实世界里行驶这一目标前进的一步。
同时，亚马逊最近又聘请了一位专攻贝叶斯技术的专业人工智能研究者——谢菲尔德大学计算机科学家Neil Lawrence。“不要慌，”Lawrence最近写了一篇博文，引用了《银河系漫游指南》中的一点，“通过使用我们的数学工具支撑新一波的深度学习方法，我们可以确保它们基本上是无害的。”