对于一般大众来说，今天的“AI”技术简直就是魔术。通过高级算法，AI可以理解视频图像、语音与文本；以惊人的精确度在进行语言翻译；驾驶车辆，在复杂的策略游戏中战胜人类甚至是诊断找癌症甚至。几乎每天都有突破性的新里程碑，各大院校的计算机课程中充斥着急于成为AI专家的学生，而公司也总是渴求着更多的AI人才。似乎真正AI的时代已经到来，但事实上,今天的人AI算法依然还是传统的机器学习算法。即使是最强大现在的AI系统也远不及人类科学系统，这些AI需要大量精心加工过的数据，从而带有了很大的偏差，所以他们无法超越他们的训练领域，甚至是他们的创作者都不完全理解算法背后的“黑箱”。

自从深度学习以其突破性的表现进入公众视野，五十年来AI似乎成为了一种“宗教”。学术界不断举办各类的“智能大会”，营销宣传手册上总是不厌其烦地表明AI方案会解决一切问题，而媒体报道总是涉及到人类优势的终结和大众对于AI革命的担忧。 我们经常看到，不到一个星期内，学术论文或企业研究博客总会记录另一个算法或应用程序的突破，而那些大型公司也会使用新的深度学习系统对其现有的算法基础设施进行批量替换。

但它们仍然只是模式提取器。 计算机视觉系统可以拍摄大量猫的照片并“学习”如何识别猫，而进一步的转移学习可用于教它通过更少的图片来识别狗。 然而，这些基础算法并不是在推理它所看到的内容，它只是将图像分解为不同的颜色，图案和形状，并将特定的视觉线索与文本标签相关联。 它无法将认知自动扩展到其他的哺乳动物或理解“毛皮”或“爪子”的概念，即使这些形象与它之前看到的图像相关联。

缺乏高阶推理是AI算法很容易被愚弄的原因。对图像进行一些细微的更改，人们可以轻松地让AI将狗的图像当做是公共汽车或其他事物。这就是为什么算法很容易被有偏见的输入数据所扭曲，盲目地“学习”所有人类的偏见和错误，我们需要让AI来摆脱它们，尽管在AI中如果我们有足够的创造力来看它们，确实可以定量地记录和纠正这些偏见。

更大的问题是，创造今天的深度学习模型难度很大。 与流行的看法相反，构建神经网络并不像点击“构建模型”按钮并将系统指向一堆带注释的图像那么简单。 有无数的决定和参数需要调整，从数据输入的准备，平衡和排序，到模型化结构和组件，它依赖于对该模型的调整，建立一个现代的深度学习模型是介乎于体力试验和适度猜想之间的精细工程，人们需要确保过程能够朝向预期的结果。

同时，基础工具包和算法的发展速度如此之快，以至于本月产生有用结果的工作流程可能会在下个月推出新版本失效。各类公司和机构推荐的方法和算法以令人眼花缭乱地速度发生着改变。一个由十位经验丰富的专家组成的小组，就可能会给公司提出十种截然不同的方案。当专家们在最佳方法上发生冲突时，即便是求助于AI思维中的领导者也会得到出令人困惑和矛盾的建议。与此同时，AI孵化器推出的论文还依赖于孵化器母公司已经过时并开始从其软件框架中删除的旧方法。

简而言之，该领域的发展速度如此之快，参与其中的公司根本无法跟上。以研究为主的成长阶段状态也意味着该领域中大量落地的产品仍处于培育中。不难发现，AI算法已经开始为我们做出重大的决定，但即使是他们的创作者不知道AI如何做出这些决定或者AI可能出错的地方。虽然，AI的民主化使得创建模型变得容易，但创建好的模型仍然很难。

在像TensorFlow这样的框架中构建基本的深度学习模型的确非常简单。丰富的示例代码和教程使相对熟练的程序员能够相当快速地构建基本模型。问题是这个基本的“hello world”模型与生产系统所需的准确性之间仍然存在指数级的距离。从最关键的一点来说，技能没有经验知道为每个数据集和应用程序问题选择哪些组件和参数更为重要。

云计算公司正在解决这一问题，他们提供了预先构建的先进模型库，这些模型均可“开箱即用”，并提供当今可用的最佳通用域精度，并定期更新。而像AutoML这样的工具利用转移学习，使非技术用户能够快速构建自己的客户专用模型，而无需理解任何底层的深度学习原则。对于那些拥有自己深度学习团队的客户，预制模型和组件库可以用来构建最先进的定制系统。

不过说到底，今天的深度学习系统与其说是“人工智能”，不如说是花哨的模式提取器。与任何机器学习系统一样，他们能够盲目地识别训练数据中的潜在模式，并将这些模式应用到未来的数据中。但他们无法对自己的输入数据进行推理，也无法将其归纳为更高阶的抽象，从而使他们能够更完整、更健壮地理解自己的数据。简而言之，虽然他们能表现出令人印象深刻的壮举，但是深度学习系统仍然是非常有限的，它的脆性可能会以非常意想不到的方式表现出来。

毕竟，当今深度学习革命的“AI”仍只是传统的机器学习，而非魔法。

来源:  Forbes

作者：Kalev Leetaru

翻译：张飞逸

版权声明：

凡本网内容请注明来源：T媒体（http://www.cniteyes.com）”的所有原创作品，版权均属于易信视界（北京）信息科技有限公司所有，未经本网书面授权，不得转载、摘编或以其它方式使用上述作品。

本网书面授权使用作品的，应在授权范围内使用，并按双方协议注明作品来源。违反上述声明者，易信视界（北京）信息科技有限公司将追究其相关法律责任。