據(jù)《連線》雜志報(bào)道，神經(jīng)網(wǎng)絡(luò)正風(fēng)靡整個(gè)硅谷，無數(shù)的互聯(lián)網(wǎng)服務(wù)中嵌入各種各樣的人工智能（AI）。令人感到激動的是，最好的AI已經(jīng)可以識別網(wǎng)絡(luò)照片中的貓咪。但AI研究人員知道，神經(jīng)網(wǎng)絡(luò)依然存在許多缺陷。實(shí)際上，它們的缺陷非常多，以至于有些人懷疑這些模式識別系統(tǒng)是否是實(shí)現(xiàn)AI的可行、可靠方式。
神經(jīng)網(wǎng)絡(luò)可以通過分析大量數(shù)據(jù)來學(xué)習(xí)和了解任務(wù)，比如幫助Facebook進(jìn)行面部識別、幫助微軟進(jìn)行翻譯、幫助谷歌進(jìn)行互聯(lián)網(wǎng)搜索等。它們甚至已經(jīng)開始幫助聊天機(jī)器人學(xué)習(xí)對話藝術(shù)。它們正成為無人駕駛汽車和其他自動化機(jī)器的重要組成部分。但是在沒有大量經(jīng)過仔細(xì)標(biāo)注的數(shù)據(jù)的幫助下，它們就無法理解世界的意義，它們不適合執(zhí)行任何任務(wù)。AI研究人員很想知道，為何神經(jīng)網(wǎng)絡(luò)在做出具體決定時(shí)受到如此多的限制？在很多情況下，它們實(shí)際上就是“黑盒子”。這種不透明會引發(fā)嚴(yán)重問題：如果無人駕駛汽車向著某人撞去，結(jié)果會如何？
卡內(nèi)基梅隆大學(xué)計(jì)算機(jī)學(xué)教授、幫助開發(fā)頂級撲克人工智能系統(tǒng)Lipatus的托馬斯桑德霍爾姆（Tuomas Sandholm）說：“深度學(xué)習(xí)已經(jīng)受到許多關(guān)注，它當(dāng)之無愧。但是深度學(xué)習(xí)并不能給你提供任何保證。”這是真的，但也正是因?yàn)樯窠?jīng)網(wǎng)絡(luò)存在這些明顯弱點(diǎn)，許多世界上最大的科技公司正在擴(kuò)展它們的AI思維，從最近的招聘、收購、研究動向中作出判斷，許多初創(chuàng)企業(yè)也正涌往相同的方向。
你可能認(rèn)為這是貝葉斯算法(bayesian)的崛起，這類研究人員通常以科學(xué)方法研究AI，他們最初從假設(shè)開始，然后基于數(shù)據(jù)更新這個(gè)假設(shè)，而非像人經(jīng)網(wǎng)絡(luò)那樣依賴數(shù)據(jù)去驅(qū)動結(jié)論。貝葉斯算法的研究人員尋找處理不確定性的方法，將新的證據(jù)輸入到現(xiàn)有模型中，可以執(zhí)行神經(jīng)網(wǎng)絡(luò)不擅長的工作。
與神經(jīng)網(wǎng)絡(luò)相似的是，貝葉斯算法也可以通過數(shù)據(jù)進(jìn)行學(xué)習(xí)，但是這種機(jī)器學(xué)習(xí)可通過不同的方式進(jìn)行。AI初創(chuàng)企業(yè)Gamalon創(chuàng)始人本魏格達(dá)（Ben Vigoda）說：“令我們感興趣的是自動化科學(xué)方法。”他的公司正通過所謂的“概率規(guī)劃”計(jì)劃推動這種趨勢。
這再次提醒我們，神經(jīng)網(wǎng)絡(luò)的快速崛起也將生命注入到許多其他技術(shù)中，這些技術(shù)可幫助機(jī)器變得更加聰明，從強(qiáng)化學(xué)習(xí)到進(jìn)化計(jì)算等。有許多方法，可以幫助機(jī)器進(jìn)行學(xué)習(xí)。
神秘技術(shù)
2016年12月份，當(dāng)加里馬庫斯（Gary Marcus）將15人的初創(chuàng)企業(yè)賣給Uber時(shí)，他帶著全新的AI到來。至少他是那樣說的。他的公司叫做幾何智能（Geometric Intelligence），一個(gè)小小的操作就能做出巨大改變。這位現(xiàn)年47歲的紐約大學(xué)心理學(xué)教授說，他與同事們正在開發(fā)能夠從很少數(shù)據(jù)中學(xué)習(xí)任務(wù)的系統(tǒng)，這與人類十分相似，同時(shí)超越了深度神經(jīng)網(wǎng)絡(luò)的力量。
馬庫斯認(rèn)為，小數(shù)據(jù)系統(tǒng)是建造機(jī)器必不可少的部分。這些機(jī)器可自主進(jìn)行交談，汽車也可以自己在公路上行駛。當(dāng)Uber宣布收購Geometric Intelligence時(shí)，馬庫斯說：“在語言領(lǐng)域和無人駕駛汽車領(lǐng)域，你永遠(yuǎn)不會有足夠數(shù)據(jù)像深度學(xué)習(xí)那樣產(chǎn)生野蠻之力，這會產(chǎn)生許多問題。畢竟，你不能在繁忙的公路上撞車以便數(shù)據(jù)，用以預(yù)防將來發(fā)生車禍。你也不能購買它，它根本不存在。”
馬庫斯和他的聯(lián)合創(chuàng)始人、劍橋大學(xué)信息工程學(xué)教授左斌加拉瑪尼(Zoubin Ghahramani)依然沒有探討他們正在開發(fā)的技術(shù)的具體細(xì)節(jié)。就像技術(shù)界常見的情況，特別是AI領(lǐng)域，這種保密性通常會催生“神秘感”。但是加拉瑪尼是貝葉斯算法的支持者之一。他專門從事名為“高斯過程（Gaussian process）”的特殊統(tǒng)計(jì)模型，而這種模型在馬庫斯開發(fā)的技術(shù)中發(fā)揮了重要作用。
高斯過程
在某種層次上，高斯過程是尋找特定問題最優(yōu)解決方案的方式。同時(shí)，它也是另一種名為貝葉斯優(yōu)化的數(shù)學(xué)技術(shù)的基矗到目前為止，高斯過程已經(jīng)幫助網(wǎng)站確定應(yīng)該顯示哪些廣告，以及它們的網(wǎng)頁應(yīng)該如何排版。Uber已經(jīng)招募擅長高斯過程的專家，改善其拼車服務(wù)。在谷歌，高斯過程幫助控制該公司的高空聯(lián)網(wǎng)氣球。