現(xiàn)在大概沒有哪一場技術研討會或展覽完全不提到人工智能(AI)了吧？本周在美國舊金山舉行的全球電子設計自動化大會(Design Automation Conference；DAC)自然也不例外。

IBM研究院(IBM Research)AI與IBM Q量子計算機副總裁Dario Gil在DAC發(fā)表“AI成為新IT技術”(AI is the new IT)的專題演說。Gil介紹了AI技術的最新發(fā)展情勢，并強調業(yè)界積極拓展AI版圖的幾個重要領域。

回頭看看在關鍵的2012年，那是在ImageNet挑戰(zhàn)賽(ImageNet Challenge)中開發(fā)的深度卷積神經(jīng)網(wǎng)絡(CCN)首度被證實對于視覺對象辨識算法帶來突破之時。人工標記(labeled)的數(shù)據(jù)與運算能力急劇增加，加上算法的長足進展，進一步加速了深度學習革命。

許多產(chǎn)業(yè)領域開始對AI深感興趣。Gil指出，衡量這一趨勢的方法之一是學生選讀機器學習入門課程的人數(shù)。他說，以住這些課程通常約有30到40名學生注冊，而今，美國史丹佛大學(Stanford University)已有逾千人報名，麻省理工學院(MIT)也有700多名學生選讀。

狹義AI

就像我們目前看到的，AI被應用在語言翻譯、語音轉錄、對象檢測和人臉識別。Gil將現(xiàn)階段的AI應用稱之為“狹義形式的AI”(a narrow form of AI)，即AI只在單一領域執(zhí)行單項任務。

盡管如此，AI已經(jīng)像野火般迅速在許多產(chǎn)業(yè)領域蔓延開來了。Gil說：“目前已經(jīng)累積幾百種應用了，這一應用清單還相當長?！盜BM開始在這一廣泛應用中追蹤AI可能帶來的各種挑戰(zhàn)，其范圍從設計自動化、工業(yè)、醫(yī)療保健以及視覺檢測到客戶服務、營銷/業(yè)務、物聯(lián)網(wǎng)(IoT)以及合規(guī)性等。例如，在IC設計中，機器學習已經(jīng)用于最佳化合成流程。

圖1：機器學習應用于IBM 22nm Z13系統(tǒng)（來源：IBM）。

IBM以22nm制程開發(fā)其z和Power服務器微處理器芯片，就是一個很好的例子。IBM根據(jù)經(jīng)驗知道機器學習能有效地“讓合成流程參數(shù)自動化調整，向專家級設計人員汲取知識，并從之前的設計執(zhí)行中學習?！?/p>

圖2：運用機器學習實現(xiàn)合成流程優(yōu)化（來源：IBM）。

這項計劃顯示了AI的未來承諾。但Gil也在專題演講中提醒道，“我們還只是在AI的早期發(fā)展階段?！?為什么呢？他強調，在“狹義AI”(Narrow AI)和“廣義AI”(Broad AI)（以及最終的“普適AI”(General AI)）之間，界線“還很遙遠”。

Gil指出，最終，“我們必須打造一個可以學習和閱讀的系統(tǒng)，它能夠在跨不同領域之間自動游移，并跨越任意空間進行學習。目前這仍然是非常困難的問題?！?/p>

針對以足夠的標記數(shù)據(jù)在單一領域中執(zhí)行單項任務的AI，Gil說：“我們絲毫不懷疑這樣的AI能夠實現(xiàn)超人類的準確度性能?！钡涮魬?zhàn)在于狹義AI如何演變?yōu)楦鼜V泛的形式。Gil解釋了目前的這個困境：當你需要在另一個領域執(zhí)行另一項任務時，你得從頭開始建構一種新的神經(jīng)網(wǎng)絡并加以整理。他強調，這個世界需要的AI是可以跨越任務和領域發(fā)展的。

廣義AI——跨越不同任務與領域界線

為了進一步拓展AI，AI社群面對幾項關鍵挑戰(zhàn)。

1）可解釋的AI

Gil首先強調的是“可解釋的AI”(Explainable AI)。AI所作的判斷必須是可以解釋的。

Gil說：“我們必須創(chuàng)造一個沒有黑盒子(blackbox)的AI。我們應該要能更清楚在神經(jīng)網(wǎng)絡中發(fā)生的事情。”他補充說，神經(jīng)網(wǎng)絡需要有除錯器來發(fā)現(xiàn)錯誤。

對于推薦書籍閱讀的AI系統(tǒng)，黑盒子策略應該是可行的。但是，Gil強調：“在這么多領域的許多產(chǎn)業(yè)中，黑盒子不一定都能被接受。這是AI進展的基礎。當人們做出涉及大量投資的高風險決策時，以安全性作為關鍵因素，黑盒子AI可能成為盲點。”

2）AI很脆弱

Gil說：“雖然神經(jīng)網(wǎng)絡的能力令人印象深刻，但AI卻非常脆弱?！敝灰腥魏胃蓴_注入系統(tǒng)中，你就可能騙過它。AI可能因為任何噪聲導致混亂，甚至將一輛巴士誤認為長頸鹿。Gil說，這聽起來很搞笑，但如果因為誤判成一只長頸鹿這樣的錯誤讓數(shù)十億美元的投資化為泡影，那可是非常嚴重的問題。此外，入侵系統(tǒng)還可能造成神經(jīng)網(wǎng)絡中毒。他解釋說，有鑒于神經(jīng)網(wǎng)絡易于受到各種攻擊，架構起難以穿透的安全性至關重要。

3）AI的道德問題

“至于倫理道德，這可是個重大的話題?！盙il說：“在我們討論這種超智慧的概念之前，我想談談自己真正專注的領域。這就是偏見。在神經(jīng)網(wǎng)絡中加進了偏見。”

在建立一個以各種例子作為訓練基礎的系統(tǒng)時，這些例子本身可能就會帶入來自社會習俗的偏見。Gil引用了信貸決策的例子。一個從過去案例中學習的系統(tǒng)可能會認為“不要提供信貸給少數(shù)族群或女人”Gil說：“我們如何驗證系統(tǒng)使用的例子是『無偏見的』？如何加以檢查？”

4）從“小數(shù)據(jù)”中學習？

在訓練數(shù)據(jù)中，例子經(jīng)常是通用的。Gil強調，為了AI的進展，下一步是要弄清楚如何從更少量的數(shù)據(jù)中學到更多東西。AI應該要能夠利用“先驗知識”(prior knowledge)，并將其學習和“權重”從一個神經(jīng)網(wǎng)絡轉移到其他領域的其他網(wǎng)絡。AI結合了學習和推論。我們在學習方面取得了很大的進步，但推論呢？Gil說：“似乎就不那么重要了”。總之，AI能夠累積知識，但也必須能夠將理由應用于該知識。

5)AI基礎設施

業(yè)界必須繼續(xù)建設AI的基礎設施。AI的進步一直是來自業(yè)界不斷地高運算能力。最近的“硬件復興”(hardware renaissance)誕生了嶄新的架構。Gil指出，更多的創(chuàng)造力預先為我們開啟了一張“美好的發(fā)展藍圖”?！坝捎谙裆疃葘W習這樣的專用工作負載，”AI取得了巨大的進步。但Gil也強調，業(yè)界還必須持續(xù)開發(fā)AI基礎設施。

圖3：邁向廣義AI之路（來源：IBM）。

普適AI

在廣義AI階段之后，IBM Research預期“普適AI”(General AI)至少要到2050年之后才會實現(xiàn)。Gil說，當科學家拋出2050年這樣的數(shù)字時，他們真正的意思是“我們毫無頭緒……”。

圖4：AI的演進（來源：IBM）。

但AI的普適形式仍在發(fā)展的議程上，研究界正致力于弄清楚AI如何理解的問題。

當然，機器已經(jīng)證明了有能力在像棋弈競賽中超越人類，因為“規(guī)則”主宰了這一類明確定義環(huán)境的競賽。然而，IBM的研究人員現(xiàn)在想知道機器思考如何在非二進制環(huán)境下運作，它不再僅僅產(chǎn)生非黑即白的答案。