<mark id="oztn4"></mark>
0
| 本文作者： 江小片 | 2016-10-11 15:58 |
編者按：人工智能無處不在。但是在科學家信任人工智能之前，他們首先應該了解這些人工智能機器是如何運作的，這也就是文中所提到的“黑箱”問題。在控制論中，通常把所不知的區域或系統稱為“黑箱”，研究者們通過觀察輸入和輸出之間的聯系，嘗試對中間的未知領域進行探究。
本文出自 Nature，作者 Davide Castelvecchi，雷鋒網編譯，未經許可不得轉載。
Simon Prades
Dean Pomerleau 還記得自己第一次研究黑箱問題的情景。那是 1991 年，他當時正在做如何命令計算機駕駛的開創性研究，而如今，自動駕駛已經成為了一個非常常見的研究領域。
這就意味著，計算機要用悍馬軍用汽車專門改裝的車輪組裝汽車，然后開著這個車穿過馬路。Pomerleau 說，他當時還是卡內基梅隆大學的機器人技術研究生。他在悍馬里安裝了一臺編程過的計算機，可以通過攝像機記錄的信息解讀路況，并儲存他對各種路況作出的反應。最后，Pomerleau 希望這臺機器能夠獲得更多關聯獨立控制駕駛。
在每一次的實驗中，Pomerleau 都會運行系統幾分鐘，然后讓汽車自行駕駛，一切都很順利，直到有一次這輛悍馬靠近一座橋時突然向一邊急轉彎。Pomerleau 趕緊抓住方向盤才得以避免了這場車禍。
回到實驗室，Pomerleau 使勁想到底哪出了問題，“我的課題的一部分就是打開黑箱，研究它是如何思考的，”他解釋說，但是該怎么做呢？他把電腦編程得能像“神經網絡”一樣工作，“神經網絡”是一種以大腦為模型的人工智能 （AI） ，比基本算法更善于處理復雜的真實世界情況。不幸的是，這樣的神經網絡和大腦一樣也會出錯，它們并不會將已經學到的內容存整齊地儲在數字存儲模塊中，而是以一種極難解讀的方式將信息散亂地存放著。經過大量測試軟件對不同視覺刺激的反應后， Pomerleau 才發現問題所在：神經網絡一直把長滿草的路邊當做向導，因此突然出現的大橋迷惑了它。
二十五年后，破解黑箱問題的難度急劇增加，也更為緊迫。這項技術本身的復雜性和應用也實現了爆發性的增長。現在正在卡內基梅隆大學兼職教授機器人學的 Pomerleau 將他原來的安裝在小貨車上的系統描述為安裝在如今的機器上的大型神經網絡的“窮人版本”。而基于大數據集上訓練的神經網絡的深層學習技術，也已經實現了各類商業應用，從自動駕駛汽車到推薦用戶瀏覽歷史網頁，不一而足。
它也有望在科學界變得無處不在。深度學習可以幫助未來的無線電天文觀測尋找有價值的信號，否則這么大量的數據將無法得到有效的管理；可以理解和消除引力波探測器的最微小的噪聲源；也可以幫助出版商篩選和標記數百萬的研究論文和書籍。一些研究者認為，配備深度學習的計算機將最終能夠表現出想象力和創造力。“你只需要給這種機器輸入數據，它就能反饋自然規律給你。”帕薩迪納的加州理工學院的物理學家 Jean-Roch Vlimant 說。
但這樣的進步將會使得黑箱問題變得更尖銳。比如說：機器到底是如何準確找到那些有價值的信號的？誰能確保它是對的？人類能在多大程度上相信深度學習？“我認為我們肯定會輸給這些算法。”紐約哥倫比亞大學的機器人學家 Hod Lipson 說。他將這個情況比作是在遭遇某種外星生物的情形：它的眼睛的不僅能感受到紅綠藍這些基色，還能感受到第四種顏色。人類會很難理解這種外星人是如何看世界的，外星人也難以向我們解釋清楚。計算機在向我們解釋事物上會存在類似的困難，他說：“在某種程度上，這就像是向一只狗解釋莎士比亞是誰。”
面對這樣的挑戰，人工智能研究者給出的回應和 Pomerleau 的回應一樣——通過打開黑箱和類似神經科學內的做法來理解網絡的內部。答案也可能不對，位于瑞士日內瓦附近的歐洲粒子物理學實驗室 CERN 的一位物理學家 Vincenzo Innocente 說，他是人工智能這一領域應用的開拓者，“作為一位科學家，只是將貓和狗分開并不能讓我滿意。一位科學家應該能夠說出區別到底在哪。”
| 探索之路
第一個人工神經網絡誕生于 20 世紀 50 年代早期，那時候計算機才差不多剛剛能夠執行算法。其背后的思想是模擬“神經元”這一小型計算單元，它們以層級的形式進行排布，通過大量數字“突觸”進行連接。底層的每個單元都能接收外部數據（如圖像中的像素），然后將其信息分配給下一層中的一些或所有單元。接下來，第二層中的每一個單元就通過一種簡單的數學規則整合來自第一層的數據，并將結果傳遞給第三層、第四層。最后，頂層得出一個答案——比如說，將原始圖像歸類為“貓”或“狗”。
Design: Nik Spencer/Nature;
Photos: Keith McDuffee/flickr/CC BY; djhumster/flickr/CC BY-SA; Bernard Dupont; Linda Stanley; Phil Fiddyment/Flickr/CC BY
這種網絡的力量來自于它們的學習能力。給定一個帶有正確答案的訓練數據集，它們可以通過調整每個連接的強度而逐漸優化它們的行為，直到它們的頂層輸出是正確的。這個過程模擬了大腦通過強化或調整突觸來進行學習的方式，最終形成一個能成功分類來自訓練數據集之外的新數據的網絡。
在 20 世紀 90 年代，CERN 的物理學家對學習能力很感興趣，那個時候他們是第一批經常使用大規模神經網絡進行科研的人：事實證明神經網絡對于重建來自 CERN 的大型強子對撞機（Large Hadron Collider）中粒子對撞所產生的亞原子碎片的軌跡，能夠帶來巨大的幫助。
但這種學習的形式也是其網絡中的信息如此散亂的原因：就像在大腦中一樣，記憶被編碼在多元連接的強度中，沒有像常規的數據庫一樣存儲在特定的位置。“你電話號碼的第一個數字存儲在你大腦的哪里？可能是在一堆突觸中，也可能在離其它數字不遠的位置。”加州大學歐文分校的機器學習研究者 Pierre Baldi 說。但一個編碼了這些數字的明確定義的比特序列是不存在的。由此，正如拉勒米市的懷俄明大學的計算機科學家 Jeff Clune 說的那樣：“即使我們做出了這些網絡系統，我們也沒有比人腦更能理解它們。”
對于需要在自身學科處理大數據的科學家而言，這個問題讓他們在使用深度學習時非常謹慎。為什么呢？英國牛津大學的一位計算機科學家 Andrea Vedaldi 說：想象一下在不遠的將來，人們使用舊的乳房 X 光片訓練了一個深度學習神經網絡，這些乳房 X 光片根據哪些女性患有乳腺癌而進行了標注。Vedaldi 說，在訓練之后，一位明顯健康的女性的組織在機器“看”來可能已經是癌變了的。他說：“這個神經網絡可能已經學會了如何識別內在的標志——這些標志是我們不知道的特征，但那卻可以預測癌癥。”
但如果這個機器不能解釋它是怎樣知道的，Vedaldi 說，醫生和病人都會面臨嚴重的困境。因為她們有顯著增加患癌風險的變異基因，但如果不知道風險因素是什么，做決定就會更難——即使機器的預測十分準確。
“問題在于知識是在網絡之中形成的，而不是在我們之中，”在華盛頓州西雅圖市谷歌的生物物理學家和程序員 Michael Tyka 說，“我們真正理解了任何東西嗎？并沒有——但是這種神經網絡做到了。”
一些研究團隊在 2012 年開始深入研究黑箱問題。加拿大多倫多大學的一位機器學習專家 Geoffrey Hinton 帶領的一個團隊參加了一場計算機視覺競賽，并第一次證明了深度學習在 120 萬張圖像的數據庫上的分類能力遠超其它人工智能方法。
為了深入理解它的實現方式，Vedaldi 的團隊使用了 Hinton 開發的算法從根本上反向運行神經網絡，從而優化神經網絡的訓練。該團隊沒有教網絡如何正確解讀圖像，而是開始提前訓練的網絡并嘗試重建生成它們的圖像。這幫助研究者確定了機器表征各種特征的方式——就像他們詢問一個不確定的癌癥識別網絡：“這個乳房 X 光片的哪個部分讓你確定其是癌癥風險的標志？”
去年，Tyka 和 Google 的研究員根據類似的方法也得出了最終結論。他們把他們的算法稱為 Deep Dream，從一個圖形開始，好比說一朵花或者一個沙灘，通過修改它來提高特定的頂級神經元的反應。
例如，如果神經元想要標記一張鳥類的圖片，那么修改后的圖片就會在各處都顯示鳥類。從漸變的鳥類的臉部到各種建筑等，生成的這些圖片都會讓你體驗到嗑藥般的致幻效果。
身為藝術家的 Tyka 說道：“我認為這更像是一個幻覺，而不是一個夢。”當他的團隊看到其他人也有潛力通過這種算法創造新事物時，他們就讓這種算法變成人人都能下載得到的資源。幾天之內，Deep Dream 迅速開始在網上流行。
除了那些頂級神經元，使用技術可以將所有神經元的反應最大化。Clune 的團隊在 2014 年發現黑箱問題可能比預期的更為糟糕：神經網絡非常容易被人類理解上的誤差所欺騙，比如隨機噪聲或是抽象的幾何圖案。例如，一個神經網絡在看到扭動的線條時，它可能會誤認為是海星；當它看到黑黃相間的線條時，它又會誤以為這是輛校車。此外，在不同數據集里訓練的模式會在神經網絡里引發相同的反應。
研究人員已經提出了很多方法來解決這個所謂“欺騙”的問題，但到目前為止還沒有通用的解決方案。而在現實生活中，這是很危險的。Clune 說，如果惡意的黑客們能夠學會利用這些漏洞犯罪的話那將是十分可怕的。他們可以讓一輛自動駕駛汽車把一塊廣告牌當成一條道路從而引發車禍，也可以讓白宮的視網膜掃描儀誤以為入侵者是奧巴馬而讓其通過。
“我們正在想辦法讓機器學習變得更強大更智能。”Clune 總結道。
由于這些問題的出現，一些計算機科學家們認為，深度學習神經網絡不該是目前業界的唯一技術。一個名叫 Zoubin Ghahramani 的劍橋機器學習研究員認為，人工智能的存在是為了讓人類更容易地理解問題，但是，“對于很多問題來言，深度學習并不是那個解決問題最終的答案。”
Lipson 和 一位計算機生物學家 Michael Schmidt 在 2009 年在紐約的康奈爾大學首次提出一個相對透明的科研方法。他們的算法被稱作 Eureqa，它可以僅通過觀察一個相對簡單的機械對象（一個鐘擺運動系統）來重新發現牛頓定律。
Eureqa 會遵循一套受達爾文進化論啟發的試錯法來調整，從一個隨機的數學模塊組合開始，例如加號、減號和正余弦，直到最終的結果能夠最準確地描述數據表達公式。隨后，Eureqa 還會提出測試模型的實驗方法。Lipson 認為這種方法的優點之一就是簡單，“Eureqa 生成的一個模型通常有 12 個參數，而一套神經網絡卻有數百萬個。”
| 關于 autopilot
去年，Ghahramani 發表了一個可以自動化數據科學家工作的算法，從查看各種方式得到的原始數據到撰寫論文。他這款被稱為 Automatic Statistician 的軟件，指出了數據集中的趨勢和異常，并給出了它的結論，包括一個關于它推理的詳細解釋。Ghahramani 認為，透明度對于應用科學而言是至關重要的，但對于很多商業應用來說透明度也是同等重要的。例如，在很多國家，銀行可以拒絕向你貸款并可以給出法律依據，而深度學習算法是做不到這樣的。
來自大數據公司 Arundo Analytics 的數據科學帶頭人Ellie Dobson 認為，很多其他機構中也存在類似的擔憂。如果有類似英國匯率設置錯誤的問題出現，英國央行并不能說“這是黑箱讓我這么做的”。
盡管擔憂存在，但計算機科學家們仍然認為，努力地開發透明的人工智能是對深度學習的補充，而不是替代。他們認為，雖然透明技術不善于感知從原始數據中提取事實的過程，但是它們可能會適用于解決既定的抽象事實問題。
最后，這些研究人員認為，機器學習的復雜答案是科學工具集中必不可少的一部分，因為現實世界是如此的復雜，例如天氣和股票市場等現象，一個簡單的、捏合的描述甚至都可能不存在。
“有些事情我們無法通過語言來表達。”一位名叫 Stéphane Malla 的巴黎理工學院應用數學家說道，“當你問醫生為什么這樣給他診斷的時候，他就要給出一些答案，但為什么需要花 20 年才能成為一個好醫生呢？因為信息不僅僅只存在于書本上。”
對于 Baldi 而言，科學家應該接受深度學習沒有完全和黑箱混為一談的事實。畢竟，他們的腦中都有著這么一個黑箱。
“大腦一直在為你工作，你也一直信任它，但你卻不知道大腦是如何工作的。”
via nature
推薦閱讀：
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
