https://www.toutiao.com/a6661453803390239244/
有报告称,中国学者在国际上发表的人工智能(AI)文章80%与深度学习有关,而美国的研究则相对较平衡。这一数据被解读为“深度学习在中国过火了”。近日,《本来科技》专访了刚获得《技术评论》2018年“35岁以下科技创新35人”的科大讯飞AI研究院常务副院长刘聪,他对相关技术话题进行了详细回答。
科大讯飞AI研究院常务副院长刘聪
“火了”表明中国在积极探索
Q:你认为深度学习在中国是否有点“过火”?
刘聪:相对而言,深度学习技术是近年来一个新的研究点,和其他领域有较强的结合之处。目前大量深度学习相关文章,一定程度上表明中国学者对这方面的积极探索。
目前深度学习的出现使得很多领域取得了巨大的突破,同时也在一定程度上降低了门槛,这使得很多人热衷于使用深度学习技术。对于产业界而言,说“过火”不如说大家正在逐步全面认识AI或深度学习,并持续投入使得它们的应用空间进一步扩展。
但不得不提的是,在核心技术原创性,特别是一些偏基础的研究上,中国仍然落后于美国,深度学习相关文章的水平也有待提高。我们确实还需要不断学习和加强。
深度学习“生来惊艳,先天不足”
Q:有人评价深度学习“生来惊艳,并且先天不足”。就技术而论,这里的“生来惊艳”和“先天不足”分别指的是什么?
刘聪:我认为,“生来惊艳”指的是在图像识别、语音识别等领域带来了里程碑式的突破,而“先天不足”指的是深度学习技术从诞生到现在仍然没有很好地解决一些问题,如可解释性差(类似“黑箱”,编者注)、鲁棒性差。
![](/qrcode.jpg)
要强调的是,一门新技术、新方法最终总是要经过实践的检验。针对“生来惊艳”,我们要充分利用,以人机耦合的方式提高人类的效率或生活质量,比如用医学影像识别辅助医生的诊断等。针对“先天不足”,我们要认识、理解,并在其它层面给予补充,例如尽可能将深度学习的使用场景限定在整体系统中的一环,在系统中考虑风险性。
深度学习起于猫的识别
Q:有专业人士认为,深度学习在图像、视频、声音这几类典型任务上优势比较明显,而在其他涉及到混合建模、离散建模、符号建模的任务上,其实神经网络的性能比其他模型还要差一些。你认为上述表述是否客观?有什么要补充的看法?
刘聪:这种理解基本客观,深度学习不是万能的,它有优势,也有短板。不过需要补充的是,对于医疗、自动驾驶等行业领域,在深度学习出现之前,很多问题也没有被很好地解决,但如上所述,日常我们面对的往往是系统工程,而深度学习只是在其中的一项或几项技术上对传统方法进行了替换,效果得到了改善。
体现在系统层面,是否这几项技术一定是决定系统表现的关键点?或者说系统的表现是否应该只由少量几个技术决定?这些都不一定,具体的行业一定是需要多种技术的相互配合才能完成真正的落地,深度学习只是让我们看到了希望,但并没有告诉我们答案。
深度学习的下一突破口
Q:深度学习下一步的突破口是什么?深度学习领域的学者们对此有何措施或对策?
刘聪:在核心技术方面,深度学习下一步的突破应该会在无监督学习方向。在部分具体的应用领域,如医疗、自动驾驶等,当前技术在很长一段时间都无法替代人类,因此人机耦合、机器辅助人类将是很有效的应用方式。
Q:最近一些新的算法概念——深度森林、小数据学习、对抗网络(GAN)、胶囊网络技术等,这些是对深度学习的补充吗?
刘聪:只从算法本身看,深度学习狭义上指的是深度神经网络,从这个角度,深度(随机)森林是对其的一种补充,而小数据学习、GAN、胶囊网络可以列入深度学习的范畴,说是补充倒不如说是其子技术。
如果从对于科学的追求看,这些技术都可以说是深度学习的补充,可解释性、可迁移性、怎么在小样本下发挥更好的效果等,都是深度学习在前一阶段面临的挑战。随着专家学者的不断投入,我们很欣喜地发现有了以上所述许多的新进展,能够让我们更好地利用深度学习,或者找到怎么揭开“黑盒子”的思路。
AI技术突破变慢≠AI行业应用遇冷
Q:深度学习和人工智能经过一轮热潮,现在有人又开始联想AI会不会遭遇寒冬。针对“AI寒冬论”,你有什么要说的?
刘聪:现在人工智能被很多旁观者给“神化”了,当过高的期望没有实现时,一部分人可能认为“寒冬已至”,但实际上人工智能领域的研究人员是非常清醒的。在部分领域的通用技术(图像识别、人脸识别)上,人工智能的突破变慢了,这是每个新技术都会面临的境地,但人工智能的行业应用并没有变慢,大家都在协力解决人工智能技术落地过程中各种难题,并且取得了不小的突破。