像圖象識別、語音識別這類認知性的任務，AI之所以做得好，是因為這些任務是靜態的，所謂靜態就是給定輸入，預測結果不會隨著時間改變。

　　但是決策性問題，往往和環境有很復雜的交互，在某些場景里面，如何做最優決策，這些最優決策往往是動態的，會隨著時間改變。

　　現在有人嘗試把AI用到金融市場，例如如何用AI技術來分析股票，預測股票漲跌，對股票交易給出建議，甚至是代替人來進行股票交易，這類問題就是動態決策性問題。

　　決策性問題的第二個難點在于各種因素相互影響，牽一發而動全身。

　　一支股票的漲跌會對其他股票產生影響，一個人的投資決策，特別是大的機構的投資決策，可能會對整個市場產生影響，這就和靜態的認知性任務不一樣的。

　　在靜態認知性任務我們的預測結果不會對問題（例如其他的圖像或者語音）產生任何影響。

　　但是在股票市場，任何一個決定，特別是大的機構的投資策略會對整個市場產生影響，對別的投資者產生影響，對將來會產生影響。

　　當前深度學習已經在靜態任務里面取得了很大的成功，如何把這種成功延續和擴展到這種復雜的動態決策問題中，也是當前一個深度學習的挑戰之一。

　　章杉認為，一個可能的思路是博弈機器學習。

　　在博弈機器學習里，通過觀察環境和其他個體的行為，對每個個體構建不同的個性化行為模型，AI就可以三思而后行。

　　選擇一個最優策略，該策略會自適應環境的變化和其他個體的行為的改變。

　　……

　　章杉在這篇論文繼提出了一種幾乎是完全反深度學習思路的機器學習——淺度學習。

　　強調增強博弈機器學習的重要性，強調AI的邏輯性和思辨性，大幅度降低“機器學習”任務量。

　　毫無疑問，這是一種全新的機器學習方式！

　　最起碼，這種全新的模型在處理動態信息上取得的成績將是革命性的。

　　淺度學習名字聽起來有點怪異！

　　之所以不叫聽起來更直白明了的淺層學習。

　　是因為事實上淺層學習曾經出現在歷史的舞臺上！

　　由于人工神經網絡的反向傳播算法（也叫Back　　Propagation算法或者BP算法）的發明，給機器學習帶來了希望，掀起了“基于統計模型“的機器學習熱潮。這個熱潮一直持續到今天。人們發現，利用BP算法可以讓一個人工神經網絡模型從大量訓練樣本中學習出統計規律，從而對未知事件做預測。這種基于統計的機器學習方法比起過去基于人工規則的系統，在很多方面顯示出優越性。這個時候的人工神經網絡，雖然也被稱作多層感知機（Multi-layer　　Perceptron），但實際上是一種只含有一層隱層節點的淺層模型。

　　到了90年代，各種各樣的淺層機器學習模型相繼被提出，例如支撐向量機（ort　　Vector　　ting、最大熵方法（如stic　　Regression）等。這些模型的結構基本上可以看成帶有一層隱層節點（如ting），或沒有隱層節點（如LR）。這些模型無論是在理論分析還是應用中都獲得了巨大的成功。相比之下，由于理論分析的難度大，訓練方法又需要很多經驗和技巧，這個時期淺層人工神經網絡反而相對沉寂。

　　不過叫淺度學習似乎也不太妥當，之前的淺度學習通常指的是淺度監督式學習~

　　淺度的監督式的具有　　1　　個隱藏層的神經網絡具有一些受人喜愛的性質，使得它們比深度網絡更容易被解釋、分析和優化；但它們的表征能力卻不及深度網絡。

　　一般使用了具有　　1　　個隱藏層的學習問題來序列式地逐層構建深度網絡，其能夠繼承淺度網絡的屬性。

　　章杉在論文中也提及了這些~

　　淺度監督學習通過反向傳播算法在大規模有監督數據上訓練的深度卷積神經網絡已經成為了大多數計算機視覺任務中的主導方法。

　　這也推動了深度學習在其它領域的成功應用，比如語音識別、自然語言處理和強化學習。但是，我們仍然還難以理解深度網絡的行為以及它們表現出色的原因。這種困難的一大原因是網絡的層中采用了端到端的學習方式。

　　監督式的端到端學習是神經網絡優化的標準方法。

　　但是其也存在一些值得考慮的潛在問題。

　　首先，使用全局目標就意味著一個深度網絡的單個中間層的最終函數行為只能以間接的方式確定：這些層是如何協同工作以得到高準確度的預測結果的，這一點卻完全不明晰。

　　有一些研究者認為并且通過實驗表明　　CNN　　能夠學習實現這樣的機制：將不變性逐漸誘導成復雜但不相關的可變性，同時增加數據的線性可分性。

　　通過求解淺度監督學習問題而實現的　　CNN　　層的序列學習是一種可替代端到端反向傳播的方法。

　　這一策略可以直接指定每一層的目標，例如通過激勵對表征的特定屬性的精細化，比如漸進的線性可分性。然后，就可以根據對淺度子問題的理論理解來開發用于深度貪婪式方法的理論工具。

　　人工智能的前景是廣闊的，但章杉覺得一味追求利用人的優勢去改造機器，完全是倒行逆施。

　　真正合理的做法反而應該是利用人工智能去輔助人類更好的二次進化！

　　這才是真正的革命方向！

　　未來十年，人工智能將會出現哪些值得關注的新進展？

　　章杉記得一家全球性信息分析公司——愛思唯爾（Elsevier）詢問過一些人工智能研究領域的研究者，他們認為該領域最重要的進展是什么？

　　南漢普頓大學的溫迪·霍爾教授:“人工智能進展的一個有趣之處是，試圖解決‘通用人工智能’問題——這是一個更大的問題，即我們能否創造出像人類一樣思考和行動的機器，創造了一些非常智能的工具。我們已經看到了很多進步，比如面部識別、語音翻譯、服務自動化。機器比我們更擅長處理數據和從中學習。在過去的30年里，像人臉識別這樣的事情已經有了很大的發展。這種深度學習應用程序的開發是一個驚人的發展。”

　　代爾夫特理工大學的弗吉尼亞·迪格納穆教授說:“最大的進步可能是我們尚未取得的。目前，我們過于依賴人工智能的隨機/概率方法……“

　　紐約大學心理學和神經科學教授加里·馬庫斯：“許多最好的進展都是在早期取得的，當時人們發現了一些基本的東西。例如，人們找到了進行符號操作的基本邏輯，這是進行搜索的基礎。神經網絡的東西在80年代就被發現了，但是它有著更長的歷史，顯然對分類這樣的一大堆問題非常有用。”“但我們還沒有取得大量進展。客觀地說，這就像在1600年問我化學最大的進步是什么。我不知道——在人工智能的許多方面，我們仍在嘗試煉金術。”

　　加州大學伯克利分校電氣工程和計算機科學教授斯圖爾特·拉塞爾教授說:“人工智能所做的最大貢獻是這種基于知識的系統的概念，它具有內部表示的知識和基于這些知識進行推理的程序。”“我們需要一種更有機的感知和推理相結合的形式。人們在眼睛和大腦之間有一個反饋回路——大腦不僅僅對眼睛看到的東西做出反應，它還控制著我們所感知的東西，我們所認識到的剛剛發生和將要發生的事情，我們可以忽略的事情，我們特別關注的事情。在人工智能系統中，我們現在還沒有這樣的系統。“

　　愛思唯爾網絡分析公司的伊麗莎白·林指出:“人工智能已經在社會的許多系統中使用。……它們只是看起來不像人們期望的那樣。”

　　章杉也覺得雖然深度學習和AI的相關性是無限的，但這不是我們創造智力的方式。

　　人們需要使用因果抽象和其他我們還沒有的機制，以一種可擴展和可大規模使用的方式。這才是下一件大事。

　　眾所周知，深度學習是一個熱門話題。

　　過去10年令人興奮的是模式研究的進展方式，以及這如何影響計算機視覺。

　　這可能是深度學習產生最大影響的領域。你可以在無人駕駛汽車上看到它，

　　但是在醫學成像中，同樣的過程可以更準確地識別你是否患有某種癌癥。

　　將這種圖像提取與自然語言處理聯系起來，然后應用于健康問題非常有趣。

　　除了深度學習、計算機視覺和自然語言處理將會繼續成為下一個10年人工智能研究的熱點以外，上述幾位專家提到的通用人工智能、因果抽象、感知和推理相結合等，很可能是下一個10年值得關注的新熱點。

　　但是，正如迪格納穆教授所言，“最大的進步可能是我們尚未取得的”。例如，量子計算是當前前沿科技研究領域，已經在很多國家得到了政府的大力支持。人工智能框架，如搜索和產生式系統理論，是否能夠利用量子計算機快速執行？是否能夠利用量子現象（如疊加、糾纏）實現量子計算對量子態表示的數據進行操作，大規模提升機器學習能力，并有助于發展超級人工智能？人工智能和機器學習追求的目標是雄心勃勃的，量子計算是否有助于這些雄心壯志進一步發展？這些都還沒有公認的答案。

　　在人們興高采烈談論人工智能革命將如何變革我們的世界的同時，章杉對未來的人工智能革命可能產生的負面效應憂心忡忡——擔心人工智能被用來愚弄人類和對人類造成傷害。

　　的確，人工智能肯定會帶來很多好處，改善我們的生活，例如，娛樂，危險場所的工作，老年護理，遠程購物、旅游等。但是，人們常說，科技革命是把“雙刃劍”，也就是說，存在負面效應。如何應對人工智能存在的負面效應，減少或避免受到不良影響，是值得關注的問題。

　　人工智能給人類和社會帶來挑戰，其中最明顯的問題是失業。有人預測，機器將會首先接管電話營銷、自動化運輸服務、下水道管理、稅務籌劃者、照片處理、數據錄入工作、圖書館員和圖書館技術員等工作。例如，數以百萬計的卡車司機的工作中的大部分，都將會因自動駕駛實現自動化。盡管這似乎令人擔憂，但實際上從18世紀工業革命開始，人類勞動自動化就是一個大趨勢——當然，人工智能帶來的自動化的廣度和深度，將是前所未有的。另一個問題是隱私。例如，人工智能可以從我們的社交媒體反饋中準確預測我們的習性、喜好和隱私。還有人對人工智能自主武器深感不安——自主武器有權決定是否奪走人的生命（雖然也有人認為自主武器可以被設計得比人類更可靠）。

　　更嚴重的問題是算法偏見——雖然人工智能決策軟件原則上可以被設計成沒有偏見的，但糟糕的算法設計會導致做出糟糕的決策。如果一個機器學習程序是由具有偏見的人或具有偏見的數據訓練的，那么這個程序也會有偏見。最后，從長遠看令人擔憂的的問題是，如果我們到達“奇點”——通用人工智能系統變得比人類聰明的假設時間點——會發生什么。也許人工智能將超出人類的控制，甚至可能對人類生存構成威脅——當然，關于奇點是否會發生，科學界至今意見不一。

　　無論如何，人工智能的長遠未來有很大的不確定性。應該針對這種可能的負面影響，研究防御措施，防范機器欺騙、威脅和人工智能黑客的攻擊，教人工智能辨別是非。

　　這也是為什么之前章杉在講人工智能的時候提到了淺度思考。

　　淺度思考就在于賦予機器一些思辨性，使得機器能夠最起碼的辨明是非。

　　盡管聽起來有些理想主義，但章杉可不想有著一日因為自己研究的AI機器不小心惹出的麻煩而引火上身。

　　：。：


　　(https://www.dzxsw.cc/book/170215/8869480.html)


1秒記住大眾小說網：www.dzxsw.cc。手機版閱讀網址：m.dzxsw.cc