朱迪亚·珀尔:AI现在的重点是曲线拟合,而不是智能

原创 数据小兵  2018-06-18 22:55  阅读 1,045 次
视频课程《SPSS统计分析:从入门到实践提高》

人工智能研究人员正在讨论的一个新问题是,当前的机器和深度学习技术究竟是一种全新的算法推理形式,还是仅仅是描述性统计和曲线拟合等长期数学技术的延伸。

在后者阵营中,颇有影响力的计算机科学教授、图灵奖得主朱迪亚·珀尔(Judea Pearl)的新书《因果科学》(the science of cause and effect)引发了一场关于人工智能未来以及深度学习是否会导致接近一般人类智能的讨论。

珀尔在最近的一次采访中提出了一些犀利的见解。他在采访中阐述了自己书中的观点和对人工智能软件现状的看法,包括当前人工智能无法执行因果推理是一个严重的缺陷。他对深度学习的评价是毫不留情的,也是有启发性的(强调补充)。

“在我深入研究深度学习的过程中,我发现他们都停留在联想层面。曲线拟合。这听起来像是一种亵渎,说深度学习的所有令人印象深刻的成就仅仅是拟合数据的曲线。从数学层次结构的角度来看,无论你多么熟练地操作数据,以及在操作数据时你读进了什么内容,它仍然是一个曲线拟合的练习,尽管非常复杂和重要。

“从本质上讲,尽管深度学习算法具有大脑的灵感,但它们也可以算作另一种强大的数据分析工具,尤其是擅长处理大量非结构化数据。

“然而,深度学习是一种非常通用和强大的曲线拟合技术,它可以识别以前隐藏的模式,推断出趋势,并预测出各种问题的结果。曲线拟合方法在表示给定数据集方面的一个风险是过度拟合,即算法不能识别出数据中的正常波动,最终会被干扰所迷惑。”

珀尔承认,深度学习的成功甚至让该领域的专家都感到惊讶,但他担心,这可能会让研究人员陷入一种概念上的窠臼,并危及一般形式的人工智能的进展。

“人工智能目前在分裂。首先,有些人陶醉于机器学习、深度学习和神经网络的成功。他们不明白我在说什么。他们想继续保持那种曲线。但当你和那些在人工智能领域做过统计学习以外工作的人交谈时,他们马上就会明白。在过去的两个月里,我读过几篇关于机器学习的局限性的论文。”

珀尔认为,除非算法和由它们控制的机器能够推理因果关系,或者至少概念化差异,否则它们的效用和通用性永远不会接近人类。

类似的情况包括,麻省理工学院(MIT)研究人员发表的一篇论文指出,创建类人的学习和思考的机器需要他们能够构建出世界的因果模型,能够理解和解释他们的环境,而不仅仅是使用模式识别来解决问题。

最坏的情况不太可能很快实现,也可能永远不会实现,如果像珀尔所担心的那样,研究人员不断改进现有的技术,而不去扩展他们的概念视野,结果就会如此。

申明:以上文字由数据小兵摘录于智能观微信公号,非原创内容。

本文地址:http://www.datasoldier.net/archives/119
版权声明:本文为原创文章,版权归 数据小兵 所有,欢迎分享本文,转载请保留出处!
PREVIOUS:已经是最后一篇了
SPSS在线视频学习
欢迎订阅SPSS训练营微信公众号

评论已关闭!