ifanr 積木
作為科技愛好者們，我們經常聽到人工智慧、Big Data、電腦視覺等東西。據說，這些領域正在取得突破性的進展。似乎我們很快就要看到，作業系統像電影《Her》一樣智慧，機器人開始擁有自己的思維，天網也指日可待了。不可否認，電腦是越來越進步了，但是，在交互更友好、運算速度更快之外，它的智慧有多大的進步呢？
在接受 IEEE 採訪時候，加州大學教授、機器學習專家 Michael I. Jorden 認為，如今的一些報導包含了許多錯誤資訊，過度渲染了我們在電腦領域取得的進步。
很大程度上，深度學習是神經網路的重新包裝
神經網路的想法可以追溯到 80 年代，甚至是 60 年代。正如以前的風潮，談論深度學習時，人們總要提到技術背後的神經科學，認為深度學習是基於我們對大腦工作原理的理解。其實，這種想法是錯誤的。
在神經科學方面，對深層原理的理解，需要幾十年甚至是幾百年的時間。目前，我們在神經科學非常底層的部分取得了一些進步，但在更高的認知層面上，我們幾乎一無所知。神經元是如此儲存資訊的，如何運算的，有什麼規則存在，有什麼演算法等等，我們都不瞭解。在現在這個階段，我們還無法通過對大腦的理解，引導一個智力系統的構建。
機器視覺方面沒有革命性的進步
人類能夠辨識複雜的場景，並做出相應的舉動，而機器還遠做不到這一點。在某些方面，深度學習能夠很好地辨識出物品，但是，電腦視覺方面的難題還有很多。從蘋果跌落中，我們對力量和加速度有了更多瞭解。這並不意味著我們理解了全部物理學。電腦視覺方面的研究也是一樣。如何理解一個場景中的不同物品，以及它們之間的關係，還有，機器人如何與這個場景進行交互？許多的問題都遠未得到解決。
大資料中推導的結論，很可能是錯誤的
在經典的資料庫中，或許會儲存幾千人的資訊。我們把名字放在行上，然後在列上標出特性，包括年齡、身高、重量、收入等等。隨著列數增加，這些列的組合會呈現指數級的增長。在現代的資料庫中，我們擁有的列太多了。每個人的特性都是數以百萬計的。在這種情況下，我們得到的許多推論可能是錯誤的。可以說，從任何一個資料庫中，我們可以隨意找出一些列的組合，然後預測出任何結果。這就像是數以億計的猴子打字，其中一個人會寫出莎士比亞的作品。
奇點不是一個學術問題
奇點理論就像是科幻一樣，很有趣，但是沒有什麼學術上的意義。它是一種哲學，探討的是社會和個人的改變，同時，它又是一種文學，思考的是科技進步的後果。但是它本身不會催生技術上的想法，也不能告訴我們如何推進技術進步。
圖片來自 ieee
0 comments:
張貼留言