神經(jīng)網(wǎng)絡(luò)儲存直覺和模式識別的能力正被用于其他場景。在 2015 年， Leon Gatys， Alexander Ecker 和 Matthias Bethge 在 arxiv.org 上貼出了一篇論文，描述了一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)藝術(shù)風(fēng)格并隨后將這些風(fēng)格應(yīng)用于其它圖像的方式。這個(gè)觀點(diǎn)很簡單：讓網(wǎng)絡(luò)瀏覽大量圖像，獲得識別具有相似風(fēng)格圖像的能力。然后，系統(tǒng)能將這些風(fēng)格信息運(yùn)用到新圖片上。例如，下面的右手邊的圖像展示了將梵高風(fēng)格（中間）應(yīng)用于埃菲爾鐵塔（左邊）的過程。
這不是偉大的藝術(shù)，但仍然是非凡的例子，它使用了神經(jīng)網(wǎng)絡(luò)去捕獲直覺并將此應(yīng)用于別處。
過去幾年，神經(jīng)網(wǎng)絡(luò)已經(jīng)被用來在很多領(lǐng)域里，捕獲直覺，識別模式。許多使用這些網(wǎng)絡(luò)的項(xiàng)目，本質(zhì)上都是可視化的，包括諸如識別藝術(shù)風(fēng)格或開發(fā)良好的視頻游戲策略等任務(wù)。但是，還有一些驚人的例子，在非常不同的領(lǐng)域里（包括音頻和自然語言）模擬直覺的網(wǎng)絡(luò)。
由于這種多才多藝，我并不認(rèn)為AlphaGo 本身是一次革命性突破，毋寧說，在這一極其重要的研發(fā)中處于領(lǐng)先地位：打造捕獲直覺，學(xué)會識別模式系統(tǒng)的能力。計(jì)算機(jī)科學(xué)家已經(jīng)努力了幾十年，卻沒有取得重大進(jìn)展。但是如今，神經(jīng)網(wǎng)絡(luò)的成功有望極好地?cái)U(kuò)大我們使用計(jì)算機(jī)解決問題的范圍。
此時(shí)此刻去歡呼并宣稱通用人工智能幾年后就會出現(xiàn)，是誘人的。畢竟，假設(shè)你將思維方式分解為計(jì)算機(jī)擅長的某類邏輯思維（我們已經(jīng)知道這一點(diǎn)）和直覺。如果我們將 AlphaGo 和類似系統(tǒng)看作是計(jì)算機(jī)如今能模擬直覺的證據(jù)，那么，看起來所有基礎(chǔ)條件都具備了：計(jì)算機(jī)如今既能表現(xiàn)出邏輯又能表現(xiàn)出直覺。通用人工智能當(dāng)然就在不遠(yuǎn)處！
但是，這里其實(shí)有個(gè)措辭錯(cuò)誤：我們將很多精神活動都?xì)w為‘直覺’。但僅僅因?yàn)樯窠?jīng)網(wǎng)絡(luò)可以刻畫某些特定類型的直覺就認(rèn)為它能夠在所有類型的直覺上可行，那就不合適了。在某些我們認(rèn)為需要直覺的任務(wù)上，神經(jīng)網(wǎng)絡(luò)可能一點(diǎn)用都沒有。
事實(shí)上，在一些重要方面，我們對神經(jīng)網(wǎng)絡(luò)現(xiàn)有的理解還很欠缺。例如，2014年的一篇論文描述了某些可以欺騙神經(jīng)網(wǎng)絡(luò)的‘對手樣本’。作者從一個(gè)表現(xiàn)很好的神經(jīng)網(wǎng)絡(luò)模型開始?？雌饋磉@樣的神經(jīng)網(wǎng)絡(luò)已經(jīng)具備刻畫出模式識別的能力了。但是，他們研究表明，通過對圖片進(jìn)行微小的改變，可以欺騙神經(jīng)網(wǎng)絡(luò)。例如，下面的圖片中神經(jīng)網(wǎng)絡(luò)可以正確識別左邊的小狗，但是，如果加上中間圖片中微小擾動，得到的右邊的那副圖片網(wǎng)絡(luò)就不能正確的識別了。
另一個(gè)現(xiàn)有系統(tǒng)的極限是，他們通常需要對很多的人類樣本進(jìn)行學(xué)習(xí)。例如， AlphaGo 從150，000 場人類比賽中學(xué)習(xí)。這是相當(dāng)大的一個(gè)數(shù)目了！但是，人類是可以從很少的比賽中學(xué)習(xí)非常多的。類似地，識別和操作圖像的網(wǎng)絡(luò)一般都需要數(shù)百萬的樣本圖像，每個(gè)圖像有著對應(yīng)的標(biāo)注信息。所以，重要挑戰(zhàn)是讓系統(tǒng)從更少的人類提供的數(shù)據(jù)組中更好地進(jìn)行學(xué)習(xí)，并使用更少的輔助信息。
諸如 AlphaGo 這樣的系統(tǒng)真的讓人興奮。我們已經(jīng)學(xué)會使用計(jì)算機(jī)系統(tǒng)重現(xiàn)人類直覺的某些形式。現(xiàn)在，我們也面臨許多巨大挑戰(zhàn)：拓展計(jì)算機(jī)能夠表示的直覺范圍，讓系統(tǒng)更加穩(wěn)定，理解他們工作原理和機(jī)制，學(xué)習(xí)以更好的方式將這些模型和已有的計(jì)算機(jī)系統(tǒng)組合起來。我們可能很快就可以學(xué)會捕捉給出數(shù)學(xué)證明、寫出故事或者的解釋的直覺判斷了嗎？現(xiàn)在正是人工智能最有前途的時(shí)刻。
登陸|注冊歡迎登陸本站，認(rèn)識更多朋友，獲得更多精彩內(nèi)容推薦！