Andrej Karpathy 知道和人工智能比賽時的感受。

　　他第一次和人工智能正面對抗是在 2011 年。當(dāng)時斯坦福大學(xué)的一群研究人員剛剛制造出全世界效果最好的圖像識別軟件，而他想看看自己的大腦與他們的數(shù)字造物在進(jìn)行標(biāo)準(zhǔn)圖像識別測試時有多大優(yōu)勢。

　　斯坦福大學(xué)的軟件分析了一個由近 5 萬張圖片組成的圖片庫，將每一張圖片歸為十類中的一類，如“狗”,“馬”和“卡車”等。軟件當(dāng)時的識別準(zhǔn)確度大約為 80%。Karpathy 進(jìn)行了同樣的測試，以 94% 的準(zhǔn)確度完敗人工智能。Karpathy是斯坦福大學(xué)的研究生，他以為在很長一段時間內(nèi)，人類都能這類測試中勝過機(jī)器。Karpathy 在一篇提及人工智能算法的博文中說道：

　　“人工智能算法的準(zhǔn)確度很難超過 80%，不過我猜還是可以將準(zhǔn)確度提高到 85% 至 90%。”

　　但他錯了。

　　去年，Google研究人員搭建了一個系統(tǒng)，在更復(fù)雜的ImageNet圖像識別測試中達(dá)到93.4% 的準(zhǔn)確度。Karpathy 與斯坦福大學(xué)的一些同事一道，又與這一系統(tǒng)進(jìn)行了正面對抗。不過這次，他們的準(zhǔn)確度在一開始只達(dá)到了 85%。

　　2011 年的測試并不能與 ImageNet 相提并論，但重要的是：人類在 2011 年能輕易地打敗人工智能軟件；現(xiàn)在卻不行了。絕對沒有希望獲勝。

　　這個故事可以延伸很遠(yuǎn)，從Google到 Facebook，從 IBM 到百度，到處洋溢著對目前人工智能的興奮之情。這些巨頭都在一個名為深度學(xué)習(xí)的新興領(lǐng)域投入巨資，深度學(xué)習(xí)是按照大腦積累知識的方式進(jìn)行建模。自 2013 年以來，ImageNet 競賽的冠軍都是深度學(xué)習(xí)算法，而且其在語音識別、視頻識別乃至金融分析中都有驚人表現(xiàn)。

　　加州大學(xué)伯克利分校教授、人工智能專家 Stuart Russell 表示，這讓人工智能領(lǐng)域為之震動，因為以前人們長期認(rèn)為不可能被計算機(jī)解決的問題突然被計算機(jī)解決了。

　　換言之，計算機(jī)還有很多東西要學(xué)。

　　人工智能訓(xùn)練營

　　Karpathy 及其同事被Google的系統(tǒng)完虐的原因之一是，ImageNet 處理狗等事物的方式。在 Karpathy 參加 2011 年的測試時，只有一個狗的類別。但在 2014 年，ImageNet需要你分辨出 200 種狗。

　　也就是說，Karpathy 必須知道羅得西亞脊背犬和匈牙利獵犬（這都什么狗...）之間的區(qū)別。

　　“當(dāng)我看到所有這些狗的照片時，我的感覺是‘噢，不！在機(jī)器認(rèn)出這張圖片時，我還在忙著確認(rèn)這只狗的品種’。”

　　因此，Karpathy 參加了自己制作的人工智能訓(xùn)練營，在這一過程中成了鑒定狗品種的小權(quán)威。兩周后，在經(jīng)過 50 個小時隨機(jī)點擊圖片的培訓(xùn)和測試后，他贏了機(jī)器。Karpathy 在測試中的準(zhǔn)確度達(dá)到了 94.9%，比Google的軟件高 1.7%。

　　人類又勝利了一次，不過勝得并不輕松。Karpathy 表示道：

　　“比賽讓我有點精疲力竭，但我覺得知道人類的準(zhǔn)確度很重要。”

　　抽象思維

　　與此同時，Karpathy 及其同事希望人工智能可以提高。他們正在研究如何消除人工智能系統(tǒng)中的缺陷，在試圖了解計算機(jī)的性能能否達(dá)到人類水平的同時，也在嘗試分析它們的錯誤。

　　在測試時，如果出現(xiàn)抽象圖片，Karpathy 基本上都能打敗機(jī)器。比如，人類能立刻判斷出一張圖片上是不是描繪了弓。Karpathy 還能認(rèn)出鹽罐上的“salt shaker”字樣，明白看到的東西，而計算機(jī)不是很擅長處理抽象事物。

　　計算機(jī)也不擅長識別 3D 圖像。計算機(jī)也許能識別杰克羅素梗犬，但要測算其大小，或者弄清楚它與同一房間中其他物體的相對位置，就是另一碼事了。這也是Google所夢寐以求解決的問題之一，他們希望計算機(jī)能像人類一樣識別圖片中的深度和微妙之處。

　　下一次，人類還能戰(zhàn)勝人工智能嗎？

　　via wired