“AI同學”想從小學畢業，還需要走多久？_風聞

30秒快讀

1

或許你習慣於刷臉支付、對着智能音箱下達命令，也聽説過機器人了打敗專業圍棋選手的故事，AI正走進我們的生活。

2

尤其是疫情期間智能熱成像儀、消毒機器人等AI產物，在防疫、抗疫、復工、復產方面發揮着重要的作用。

3

只是，儘管AI正在加速落地，出現在越來越多的應用場景，《IT時報》記者發現，目前的AI發展距離大眾的期待仍有落差。

如果説大眾對AI的期望是一名大學生，那麼如今的AI還只是一名“小學生”，會學習，會有歸納，有結果輸出，但還不會舉一反三、隨機應變。

這意味着，如果無人駕駛場景中遇到突發情況時，AI能足夠快給出判斷嗎？我們能信任AI給出的判斷嗎？而應對這些缺陷，目前AI在框架上又有哪些性能提升空間？

帶着這些問題，記者在2020年世界人工智能大會上一路追尋。

01

AI仍是“小學生”：

走不出黑箱

中科院院士何積豐表示，思考是對現有知識的加工和消化，併產生新知識的過程，相比於單純學習，對人工智能而言需要更進一步。

事實上，目前人工智能已經發展到第二代，通過神經網絡深度學習模擬人類的感知。數據、算力和算法是AI深度學習的三大要素。

那麼，只會學習的AI如何打敗了會思考的專業圍棋大師？答案是數據！

據中國科學院院士、清華大學人工智能研究院院長張鈸介紹，Alpha go在參加比賽前有6000萬盤棋局的學習，但一名圍棋大師學習的棋局只有百萬級。

AI以量取勝。這也是目前AI的運用主要集中在聲音識別、圖像識別等方面的原因。由於聲音、圖像數據可以隨時生成，能自我複製，幾乎是無窮盡的。從本質上講，AI是統計學，有了海量數據支撐，能夠提升AI算法準確度。

但如今AI產出的結果並非完全令人滿意。

由於深度學習通過數據層層分割，AI只能從局部識別，而非整體。AI識別一張阿爾卑斯山圖片的準確率達94.39%。但如果給這張圖片加上一層色彩躁點，儘管生成的新圖片人類肉眼幾乎看不出太大異樣，但AI識別的結果卻是一條大黃狗，識別率達99.99%。可見，AI只能識別物體，而不會真正理解含義。

遺憾的是，深度學習是黑箱算法，技術人員無法獲知AI為何會產出上述結果。不可解釋，帶來的是對AI不安全、不可靠等方面的擔憂。

在中科院院士、清華大學人工智能研究院院長張鈸看來，目前的AI主要依靠數據、算力（蠻力）來解決完全信息和結構化環境下確定的問題，解決的問題很有限。面對複雜環境中的突發狀況，比如無人駕駛突發路況，AI仍力不從心。

AI這位小學生距離畢業典禮仍有很長的路要走。

02

AI畢業路上加速度：

可變Batch Size策略下的提升

前路漫漫，畢業無期。但同時，《IT時報》記者也發現，AI小朋友的“學習狀態”正在調整。AI框架的優化，讓我們看到在算力和算法上的提升。

根據中科院計算所高性能計算機研究中心主任譚光明的分享，從2013年起，利用計算機GPU加速深度學習已成為業內趨勢，而多節點並行計算逐漸成為主流。

深度學習發展早期，AI往往採用單節點的訓練模式，只是隨着更大的數據和更深層次的模型（從AlexNet、ResNet、NasNet直至AmoebaNet）被提出，意味着計算機需要更大的內存和計算能力。

當單GPU訓練也無法承受應用的負載時，AI企業不得不採用邊緣計算的形式為其解壓。“分佈式或並行計算將在AI框架中變得尤為重要。”譚光明表示。

據悉，目前無論是國外的TensorFlow、PyTorch還是國內的曠視天元MegEngine、百度飛槳都設計了分佈式深度學習框架。

但是這一框架依然有着遺憾，比如算法的性能和精度。

Batch Size（批量取樣規模）指的是深度學習神經網絡中一次訓練所選取的樣本數，其大小會影響計算模型的優化程度和速度，也會直接影響GPU內存。

如果把計算模型看作是一頭奶牛，那麼批量取樣規模是牧草。大量的牧草能提供奶牛豐富的營養，產出的牛奶質量越高。只是奶牛消化牧草需要時間，產奶也需要過程。因此，目前妥協於GPU內存情況和計算速度，AI企業不得不將批量取樣規模調整到較小的數值，犧牲了準確度。

Facebook曾在1小時內完成了ImageNet的訓練。當時Facebook採用的手段是將GPU的線性擴展到256個規模，並將8K作為批量取樣規模的選擇，能達到76%的準確率。與此類比，Google將批量取樣規模從128上調至1024，但達到的準確率只有57%左右。

根據中科院研究院在2019年IEEE舉辦的一場峯會上發表的成果，計算模型在訓練前後期，AI的學習效果顯著不同，並提出了訓練前期用8K批量取樣規模，後期用64K批量取樣規模的可變Batch Size計算策略。如同先給奶牛少部分牧草，促進消化，再提升牧草量，保證產出的牛奶質量。

效果顯而易見，相比Facebook，這套新計算策略能在ImageNet上將訓練時長從1小時縮短至25分鐘。

值得一提的是，在分佈式計算框架下，中科院還採用了“決策樹”模型，將決策樹作為選擇器，為不同網絡層確定合適的數據佈局。

事實上，如果AI根據經驗判斷提取的數據，往往不一定是最優解。因此，有了“決策樹”，目前能達到95%以上的預測精度，要知道運用傳統方法，達到90%的預測精度並不容易。

或許從理論和技術上，AI正加快速度走向小學畢業的終點。

03

AI小學畢業：

模仿人腦，舉一反三

AI的小學畢業典禮，是多位演講嘉賓願意暢想的未來，屆時AI將真正擁有“智慧”，即隨機應變、舉一反三。

借鑑人腦模型，可能是AI的未來。如果AI能夠理解識別的語義，可以像人類一樣一眼就明，當遇到特殊情況時，能更快識別，做出合理判斷。

知識、數據、算法和算力是張鈸認為的第三代人工智能四個要素。

有了知識的AI有何不同？

事實上，目前AI能做的只有在確定環境和完全信息條件下的推理和決策。從AI玩圍棋、國際象棋上看，本質上是一場決策的概率學。

當現實生活中，人們面對的更多是“博弈”。以玩德州撲克為例，AI還需要了解的是對手的心理，在對抗環境下做出決策。

不確定的環境、不完全的信息、動態變化的場景，對AI而言計算並不容易。

或許從理論上， 我們可以看到第三代AI運用於更大範圍的場景的可能。人工智能正在飛速發展，這一天似乎並不遙遠。

“序幕已經拉開，大戲即將上演！” 張鈸説。 

作者／IT時報記者  孫鵬飛

編輯／挨踢妹

排版／黃建

圖片／採訪對象、DeepMind

來源／《IT時報》公眾號vittimes