深度学习的下一站在哪里(2)

　　国内外专家表示，尽管人工智能的发展水平令人瞩目，但目前的人工智能系统有一定智商没情商、会计算不会“算计”、有专才无通才。就目前既有的解决方法，还不够具有革命性，要让未来的AI更“智慧”，需要加强对人类大脑等方面的研究，探索突破深度学习瓶颈之路。

　　“尤尔等指出的组合模型训练及用组合数据测试，实质上应该认为是个分解过程，但难点就在于分解。就像计算机视觉里最难的问题是图像或物体分割一样，这本身可能需要更多高层次上的语义理解。更具颠覆性的方法是赋予AI引擎一些推理功能，即使没有见过的数据，也能通过推理进行解决。”李世鹏指出。

　　李世鹏进一步说，脑科学和认知科学的发展给我们很多启示，MIT等一些大学院所的科学家正沿着这条路径探索。其实，上世纪90年代盛行的专家系统很多时候就是给机器一些规则（推理法制），让机器按规则去推理从而解决一些问题。但专家系统的问题是规则制定本身是件很麻烦的事，远不及今天数据标注来得简单。将来的思路可能是需要深度学习从大数据中归纳出一些可以解释的规则，然后，将它们应用到新的数据中去解决问题。知识图谱和深度学习的结合也许是这条路线的一个实用分支。

　　在某些方面，我们发现深度学习如同挖掘机一样，能够采集相当多的数据，然而，却不像小孩子那样，不需要千万次的学习即会认出自己的母亲。

　　厄曼说，这是因为实际上孩子认妈妈是将多种信息混合在一起判定，其中包括形象、气味、身体接触、出生记忆以及许多复杂因素。尽管深度学习是受到生物启发，基于我们所说的神经元，但是，当你与神经科学家交谈时，会觉得深度学习仅是一种对人脑的过于简单的再现，人脑可比这复杂得多。所以深度学习只是AI使用的众多技术中的一种，希望其他技术可以对其加以补充。

　　“正如现在的自动驾驶，只能说是试水阶段，其技术本身肯定不是主要依赖深度学习，而是多模态感知，运算也不是简单依赖于视觉，而是与人类认识这个世界一样，通过眼、耳、鼻、舌、身、意多个感知来综合认知，而人脑本身在大多数情况下不依赖于大量数据，而是借助‘触类旁通’等能力。因此，人脑科学、计算机科学、生理学和认知科学等跨界交融应用才是未来AI的发展方向。”谭茗洲指出。

　　他认为，深度学习是一个好的开始，但是不能解决一切问题，需要和更高维度的方式叠加。而跨学科的研究会在语义、知识图谱、机器记忆、想像、逻辑推理等类人脑的领域，弥补深度学习的一些短板。（记者 华 凌）

[ 责编：武玥彤 ]