人工智能之机器学习九问

当前，人工智能的第三次复兴主要是依靠数据驱动的机器学习技术，尤其是深度学习技术。虽然机器学习技术取得了巨大成功，深度学习三剑客也因此获得了图灵奖。但是，我发现机器学习，尤其是深度学习也存在着明显的不足，把人工智能搞得非常复杂、难以理解和难以解释，与真正的人类智能似乎渐行渐远。

伟大的楚国诗人屈原在2000多年前，曾经写了一篇启文《天问》，对天地形成、日月星辰等提出了170多个问题。受此启发，我在此对机器学习提出以下九问，以期把人工智能带回模拟人类智能的初心。

1.    专一容易，通用很难？机器学习面向某一任务的数据，功能专一，离通用的人类智能越来越远。

2.    内插容易，外推却难？机器学习本质是内插，而不是外推，遇到学习过的情况或者类似的情况，效果很好。但是，如果遇到不熟悉的情况和数据，就不知所措，低级错误频频。距离触类旁通的人类智能还有不少差距。

3.    任务越多，成本越高？为了完成多种任务，需要采集越来越多的不同场景的大量数据，系统成本和复杂性将越来越高。不像我们人类，一个人可以做很多事情，多才多艺。

4.    精度虽高，难以理解？只是追求性能的提升，尤其是精度的提升，对算法可解释性要求不高，导致“知其然不知其所以然”。自动驾驶汽车的突然失控，却难以找到具体原因。

5.    拟合强大，鲁棒性弱？以深度神经网络为代表的AI算法，参数太多，存在过拟合现象。最近几年，对抗样本出现，导致计算机视觉系统“张冠李戴”，令人啼笑皆非，这表明系统的鲁棒性弱。

6.    算法创新，资本运作？数据多，设备运算能力强，团队协作能力强，AI能力就强，AI研发从以理论与算法创新为主到资本运作与团队管理为主。

7．数据依赖，常识不通？太依赖于数据，忽略常识知识和逻辑推理能力，导致出现低级失误，比如对话系统的答非所问。

8. 关注细节，忽略本质？ 数据驱动为主，忽略了模型驱动和机理驱动，导致算法太复杂，太关注细节，不放过一个特征，动辄成千上万维度输入，而忽略关键特征与输入输出的本质关系。其实，影响人类深远都是一些简单的公式，没几个输入输出变量，比如牛顿-莱布尼茨提出的微积分公式、牛顿提出的万有引力公式、爱因斯坦提出的质能方程，而不是高度复杂的机器学习模型与算法。

9. 举万反一，举一反三？ 大量数据的统计、归纳和学习是一种学习方式，是举千举万反一，但是距离可以举一反三的人类智能还有很大差距。 

总之，我们既要重视现有机器学习技术的研究和应用，也要深刻认识到其不足与弊端，不能迷信图灵奖获得者和国际权威。如果能克服以上问题，回到模拟人类智能的初心和增强人类智能的使命，就有可能发现提出新的机器学习理论与算法，实现人工智能理论和技术的原始创新。