<mark id="oztn4"></mark>
0
| 本文作者： 岑大師 | 2017-11-19 11:21 |
雷鋒網按：近日，UC Berkeley電氣工程與計算機科學系（EECS）14位專家聯合發布了一份名為《A Berkeley View of Systems Challenges for AI》的報告。這是繼去年斯坦福的“AI 100”項目發布《Artificial Intelligence and life in 2030》（2030年的人工智能與生活）報告后，又一家殿堂級的大學對于人工智能未來的思考。
雷鋒網發現，相比起斯坦福的報告，伯克利的報告更偏重可執行性，在報告中伯克利從自己的優勢學科出發（伯克利計算機系統全美排行第一）明確提出，下一代人工智能系統的問題需要通過體系結構、軟件和算法的協同創新來實現，而伯克利也將在從所面臨的四大趨勢和九大挑戰/機會出發，來解決這些問題。
作者：Ion Stoica, Dawn Song, Raluca Ada Popa, David A. Patterson, Michael W. Mahoney, Randy H. Katz, Anthony D. Joseph, Michael Jordan, Joseph M. Hellerstein, Joseph Gonzalez, Ken Goldberg, Ali Ghodsi, David E. Culler and Pieter Abbeel.
以下是雷鋒網的摘錄，完整報告可通過下面的地址進行閱讀：http://www2.eecs.berkeley.edu/Pubs/TechRpts/2017/EECS-2017-159.pdf
隨著計算機視覺，語音識別和機器翻譯系統日益商品化，以及數字廣告和智能基礎設施等基于學習的后端技術的廣泛部署，AI（人工智能）已經從研究實驗室轉向生產。前所未有的數據和計算水平，機器學習方法的進步，系統軟件和體系結構的創新，以及這些技術的廣泛可用性使這些變化成為可能。
下一代AI系統有望加速這些發展，并通過頻繁的交互和代表我們（通常是任務關鍵型）的決定（通常在高度個性化的環境中）來加速這些發展并對我們的生活產生越來越大的影響。然而，實現這一承諾會帶來令人生畏的挑戰。特別是，我們需要人工智能系統，能夠在不可預測的環境中做出及時、安全的決策，這對復雜的對手來說是強大的，并且可以在不影響機密性的情況下處理越來越多的組織和個人的數據。這些挑戰將因摩爾定律的結束而加劇，這將限制這些技術可以存儲和處理的數據量。在本文中，我們提出了幾個開放的系統，架構和安全研究方向，可以解決這些挑戰，并有助于解開AI改善生活和社會的潛力。
關鍵詞：AI，Machine Learning，Systems，Security
自從上個世紀60年代，模擬人類智能的構想被提出以來，人工智能已經演化成為一種被廣泛應用的工程技術，它利用算法和數據，解決包括模式識別、學習、決策等廣泛的問題，人工智能越來越多地與其他工程和科學相交叉，成為跨計算領域的一門技術。
尤其在計算機系統這一近年來推動了人工智能技術的發展的領域，并行硬件和高擴展性軟件系統促進了機器學習框架和算法的發展，使人工智能可以處理大規模的真實世界問題。存儲設備成本的降低、眾包技術、移動APP、物聯網以及競爭性數據的優勢促進了數據處理系統和人工智能技術的進一步發展。這帶來的影響是：基于人工智能的解決方案已經接近甚至超過了人類，成熟的人工智能技術不僅為網絡搜索、高速交易和電子商務等現有行業提供支持，還大大促進了物聯網、增強現實、生物技術、自動駕駛等新興產業的發展。
這些應用，如無人機、機器人手術、醫療診斷和治療、虛擬助手等，都需要人工智能系統與真實世界進行交互來決策。由于現實世界在不斷變化，有時后這種變化出人意料，這些應用需要支持持續學習或終身學習、以及永動學習。終身學習系統旨在通過高效地轉移和利用已有知識來解決多種任務，同時最大程度降低突發性遺忘問題，而永動學習每次迭代關注一組任務，這個任務的邊界不斷變大，并在不斷迭代中逐步提高處理問題的質量。
為了滿足以上這些需求，我們面臨著諸多艱巨的挑戰，例如：如何積極探索動態變化的環境、如何在存在噪音和未預見的輸入情況下做出安全和魯棒性的決策、如何使得決策可解釋、如何設計新的簡化應用系統構建得模塊化架構，等等。此外，由于摩爾定律的終結，人們不能再寄希望于計算和存儲能力的倍增來解決下一代人工智能系統的問題。
解決這些難題需要架構、軟件和算法的協同創新。本文并不討論特定的人工智能算法和技術，而是分析系統方面的研究對人工智能技術發展的重要性，提出若干有意義的系統方面的研究方向。
在過去的二十年中，人工智能的進步可用“完美風暴”來形容。有三個原因導致了人工智能的進步：1）大數據，2）高擴展性的計算機和軟件系統，3）上述技術的廣泛應用。這些趨勢使得人工智能的核心算法和體系結構，如深度學習、貝葉斯推理得以在空前的規模和領域進行問題的探索。
人工智能已經開始改變了許多應用領域。展望未來，我們預計人工智能將更廣泛地推動更多領域的發展，包括：醫療保健、交通、制造、國防、娛樂、能源、農業、銷售等。大規模系統和機器學習框架已經幫助在人工智能的發展中取得了舉足輕重的作用，我們預計計算機系統將可以更進一步地廣泛促進人工智能的發展，為實現這一目標，我們需要考慮如下幾個人工智能發展的趨勢：
關鍵性任務的人工智能。挑戰：設計一個通過動態環境交互來持續學習、同時做出及時決策的、穩定、安全的人工智能系統。
個性化人工智能。挑戰：設計一個可以實現個性化應用程序和服務、但不會影響用戶的隱私和安全的人工智能系統。
跨組織結構的人工智能。挑戰：設計一個可以訓練不同組織擁有的數據集、而不會影響其保密性，在這個過程中提供跨越組織結構界線的人工智能系統。
滿足后摩爾定律需求的人工智能。挑戰：開發以滿足摩爾定律時代后期AI應用的性能需求的特定領域架構和軟件系統，包括：用于AI工作負載的定制芯片、在邊界有效處理數據的邊界云系統、以及抽象和抽樣數據的對應技術。
上述四大趨勢和挑戰又可以細分為在研究領域的九個挑戰或機會，也標明了在我們眼中未來人工智能的九大研究方向。下圖表示了這四大趨勢和九大研究方向的對應關系。
這九個研究方向包括：
持續學習（Continual learning）
魯棒決策（Robust decisions）
可解讀的決策（Explainable decisions）
安全飛地（Secure enclaves）
對抗學習（Adversarial learning）
在保密數據上共享學習（Shared learning on confidential data）
為特定領域定制的硬件（Domain specific hardware）
組件化的AI系統（Composable AI systems）
跨云端和邊界的系統（Cloud-edge systems）
人工智能在過去十年中取得了驚人的進步，并從實驗室研究成功轉化可以取代之前的大量人力和監督的商業應用。人工智能系統和機器人不僅取代了部分人類工作，而且有望挖掘人類潛力、促進新形式合作。
為了讓人工智能更好地服務我們，要克服許多艱巨的挑戰，當中不少挑戰與系統和基礎設施有關。這些挑戰源于讓人工智能更快、更安全、更易于解讀的決策、確保這些決策在對抗多種攻擊類型的學習過程中得到準確的結果，在摩爾定律終結的前提下不斷提高計算能力，以及構建易于集成到現有應用程序中的系統，并且具有跨越云端和邊界的處理能力。
本文總結了幾個開放性的系統、架構和安全方面的研究課題。我們希望這些問題能夠啟發新的研究來推動人工智能的發展，使其計算能力更強，具有可解釋性、安全性和可靠性。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
