2017-03-29 | 권용민 기자

[Science & Market] 从AI历史看原创研究的可能性

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

因惊人成果而备受关注的人工智能(AI)及其基础技术——人工神经网络的研究史上,也曾几度起伏。每逢遭遇瓶颈,都会有作为突破口的重要论文发表,但形成如今这种形态仅有5年。

尽管发展令人瞩目,目前正在开发或应用的大多数AI仍属于针对特定问题提供解决方案的“专用AI(narrow或weak AI)”。例如为自然语言识别开发的AI,本身无法用于图像识别。相关研究相对较多,但遗留课题仍不少。更不用说像人一样能够认知、学习并通用地解决问题的“通用AI(general或strong AI)”了。

人的大脑约有1000亿个细胞,每个细胞与约1000个其他细胞相连。细胞由接收其他细胞输入的树突、根据所接收信号决定是否激活的神经元、将细胞信号传递给其他细胞的轴突组成。细胞间的连接部位存在对学习起重要作用的突触区域。1949年,唐纳德·赫布发表了著名的“赫布法则”:当学习使两个神经元同时激活时,连接细胞的突触强度会增强。归根结底,学习可以说就是调整突触的连接强度。

人工神经网络模仿真实细胞制造人工细胞,并通过学习确定它们之间的连接强度。1940年代确立了重要的数学概念,1957年首次提出了感知机(perceptron)这一术语和算法。与只执行预先定义动作的逻辑电路不同,可以学习的概念令许多人兴奋。但随着神经元数量增加,需要确定的连接强度数量也随之增加,而当时没有数学方法求解,人工神经网络逐渐淡出人们的视野。

后来在1986年,将输出值与期望值之差逆向传播以调节各个连接强度的“反向传播方式”问世,人工神经网络迎来重大转折。原本无法用代数方法求解的问题,通过数值解析方式朝误差减小的方向一点点调整数值并反复该过程,最终实现了学习。但神经网络越深,解决问题的能力越强,而深层网络仅靠简单的反向传播无法完成学习,神经网络研究再次趋于冷清。

约20年后,随着可对深层神经网络逐层单独训练的自编码器方式问世,虽然缓慢艰难,但学习成为可能,深度学习之路终于铺就。此外,人工神经网络通过反复运算学习,需要庞大算力,而利用适合并行运算的GPU的方法被开发出来,为其奠定了基础。

通过2012年发表的AlexNet,当前的深度学习结构才得以成形,即使没有上述复杂的学习方法,也能训练拥有数千万变量的深层网络。它公开了源代码,帮助了其他研究者,也使公开源代码成为一种传统。此后,使网络更深的众多技术相继发表,它们公开的源代码进一步加速了深度学习研究,性能也取得了巨大进步。

如此,人工神经网络每逢停滞期,都会依靠作为突破口的核心论文实现跳跃式发展。迄今的研究成果虽令人惊叹,但若几年后有新理论问世,也可能变得毫无用处。无论通用AI还是专用AI领域,仍有太多待研究的课题,而迄今开发出的方法究竟是最优解,还是仅为一种解决方案,尚无定论。尽管我们在人工智能和深度学习的原创技术研究上落后,但只要大家合力研究这一仍在进行中的技术,完全有可能成功逆转。

阅读韩文原文