主页 > E元生活 >人工智慧的过去与未来 >

人工智慧的过去与未来

2020-06-16


人工智慧的過去與未來

《麻省理工科技评论》(MIT Technology Review)从开放论文资料库「arXiv」(音同archive)下载了共16,625篇与AI相关的研究论文,由这些论文的摘要以及关键字,分析AI领域的发展趋势与变化。儘管仅能追溯到1993年(人工智慧的研究则于1940、50年代便已开始),但综观其中100个最热门关键字的变化,却发现当下炙手可热的「深度学习」竟已逐渐退烧。

人工智慧的过去与未来

图一、arXiv自1993年以来所收录历年与AI相关的论文数量。(来源:K. Hao, 2019.)

由图一可得知,人工智慧的兴盛不过近二十年间的事,儘管没有什幺划时代的新概念,不过要达成实质意义上的「智慧」,却需要许多学科与技术的结合。就关键字分析的结果看来,人工智慧一路走来,共历经三波主要转折。

千禧年:机器学习兴起

21世纪前后, AI发展出现了重大变革。与专家系统(expert systems)有关的热门关键字,如「逻辑」(logic)、「限制」(constraint)与「规则」(rule)等,出现频率降低,逐渐由「数据」(data)、「网络」(network)或「性能」(performance)等取代,显示AI的设计理念,由过往以建立规则与系统知识(knowledge-based systems)为主,过渡到机器学习。

人工智慧的过去与未来

图二、从关键字热度变化,可看出机器学习逐渐取代知识库系统的趋势。(来源:K. Hao, 2019.)

人工智慧的过去与未来

图三、关键字热度变化。(来源:K. Hao, 2019.)

1980年代的AI开发理念,是将所知的知识彙整并储存于电脑、重现我们普遍拥有的感官能力,并协助人类解决问题。然而,很快地,怀抱着远大梦想的研究人员意识到一个很大的问题:一台这样的AI系统,若要能正常运作,需要人工编写的规则之多,开发成本远高于成果效益。直到21世纪后,电脑的储存与运算能力获得突破性的发展,「机器学习」不再是不切实际的空想,人们也不再需要手动将成千上万的规则编码,转而让机器自己由大量数据中寻找规则,奠定了今后AI的发展方向。

2010:神经网络的普及

在「机器学习」奠定了主导地位后,各大流派与方法平行发展、百家争鸣,除了神经网络(深度学习的核心机制)外,贝氏网络(Bayesian networks)、支持向量机(support vector machines)和演化演算法(evolutionary algorithms),彼此各有消长,也都有各自的拥护者。

人工智慧的过去与未来

图四、论文提到不同机器学习方法的比例变化。(来源:K. Hao, 2019.)

直到2012年, Geoffrey Hinton所率领的多伦多大学研究团队基于过往研究所建立的模型,结合包含反向传播算法与多层神经网络技术,发展出「卷积神经网路」(Convolutional Neural Network,CNN);并以此在一年一度的电脑视觉竞赛ImageNet中,以高于其他团队10个百分点的图像识别準确率,大获全胜。该次胜利的外溢效果,引爆了「深度学习」持续至今扩及其他AI领域的研究热潮。

2015:强化学习渐领风骚

机器学习大致可以区分为三种:监督式学习(supervised learning)、无监督式学习(unsupervised learning)与强化学习(reinforcement learning)。监督学习由人类提供正确答案辅导机器学习,也是目前最常使用的方法。然而,依据关键字分析的结果,人工智慧或许正经历第三次转变,尤其AlphaGo击败人类世界围棋冠军后,结合奖惩机制的「强化学习」开始成为众人的焦点。

人工智慧的过去与未来

图五、「机器学习」以及「强化学习」在论文中被提及的比例。(来源:K. Hao, 2019.)

下一个十年

随着包含「黑盒子问题」(Black Box Problem)、难以应付现实世界的瞬息万变、无法分辨因果关係、易受资料品质与数量影响等常为人诟病的问题逐渐浮现,学者开始对「机器学习」,尤其「深度学习」表达质疑,即使有「深度学习之父」之称的Hinton,也不讳言深度学习已然遭遇开发瓶颈。

由关键字变化综观过去25年的AI研究,多项技术其实都可追溯自1950年代,奈何十年河东,十年河西:神经网络曾在1960年代极盛一时,可是在深度学习重新赢得众人的瞩目前,只能作垂死挣扎。

换句话说,不同的AI设计理念与方法以每十年为一週期,随时势消长演替:60年代是神经网络、70年代为各种象徵性方法、80年代是知识库系统、90年代是贝氏网络、2000年是机器学习的支持向量机、2010年则又回归神经网络。2020,似乎是深度学习时代的尾声了。

下个十年又会是哪一流派独领风骚?儘管关键字分析指出「强化学习」这匹黑马,但现实是否真如预期?似乎也只能拭目以待了。

编译来源

K. Hao, “We analyzed 16,625 papers to figure out where AI is headed next “, MIT Technology Review, 2019.

参考资料




上一篇: 下一篇: