Keras 作者 Francois Chollet：这些年，AI 未解决任何基本问题

来源：图灵 TOPIA

作者：刘静 编辑：李尔客

【新智元导读】谷歌 AI 研究员 Francois Chollet 的一番言论又一次引发了人工智能领域的激烈讨论：AI 领域这些年的研究其实毫无进展？！

AI 领域这些年的研究其实毫无进展？！

谷歌 AI 研究员 Francois Chollet 的一番言论又一次引发了人工智能领域的激烈讨论。

Francois Chollet 是深度学习框架 “Keras” 的作者，也是 AI 圈最热衷于活跃在社交网络的科学家之一。

近期他发表了一条推文，称 “最近读了不少 1950 年到 2010 年 AI 相关的老论文。 有意思的是，很多东西都没过时，基本问题并没变，也没有得出确切的答案。”

随后他又补充道：“虽然解决方案不断推陈出新，但就其根本局限性而言，今天跟 1997 年甚至是 1973 年相比，并没什么大的变化。”

此言一出，便又引发了国内外学者的广泛讨论和共鸣。

清华大学计算机系教授马少平和刘知远表达了一致的观点。 @马少平 THU “非常赞同，AI 的很多问题并没有解决。”

知名互联网资讯博主 @ 爱可可 - 爱生活也对此给出了自己的解读，他认为 Francois Chollet 的这番话并不是说 AI 药丸，更不是说这几代 AI 人太水。

“相反，虽然根本局限远未解决，但 AI 相关技术应用的广度、深度都有了长足进步，前景一片光明；另一方面，小步快跑、修修补补的积累式 “量变”，解决不了现有技术框架的本质问题，就像蒸汽机技术从诞生到不断进步、完善掀起伟大的工业变革，但其根本问题还需要新能源这样的新思路解决一样，当代 AI 研究者，不必拘泥于现有技术框架，应该多多思考基本问题，勇于探索新思路，争取早日达成 AI 技术质的飞跃。”

他随后也进一步表示 “站在历史高度看技术发展，才能明大局、少俯仰、不纠结，稳步前行”

对此，你的看法呢？

François Chollet 的那些网红语录

其实这已经不是 François Chollet 第一次语出惊人，此前他也发表过很多关于人工智能领域的看法，图灵君将其做了整理，供大家参考、思考。

“记住一点很重要，人工智能的最新进展都是在解决特定任务，而不是开发更通用的能力（如通用智能）。对这些任务的解决，并没体现出人类解决它们时用到的能力。在 “能执行一项任务” 和 “拥有一项能力” 之间，存在关键差别 —— 特别是泛化能力（无需进一步人工干预的情况下能够执行所有相关类型任务）和开放性（找出需要处理的新任务）—— 认为 “我用智力完成了 X（例如乘法和加法），因此，要是开发出一台能完成 X（例如乘法和加法）的机器，就表示它具有相同的智力。” ，这是一种非常拟人化的认知谬误。穿过玉米地的小道儿，和道路建设公司干的事，完全不可同日而语。”

“AI 难题不仅是计算机科学问题，更是数学、认知科学和哲学问题。”

“我们都很清楚这样一个事实：在线内容的可信度，往往与 “哗众” 程度成反比。标题党往往不可信；谎言可以完全无视事实约束、无限优化到让人欲罢不能。众包内容平台对 “吸睛”(参与) 的商业模式 (对 “头条” 内容大力推广、扩散、加强) 的依赖，直接损害了其信息的总体可信度。另一方面，依赖于提供 * 有用 * 信息 (如搜索) 的商业模式，往往会偏向于提供更可靠的信息。 ”

“看到深度学习能干这能干那，就认为 “是时候进军通用智能 (AGI) 了”，基本上等同于看了些魔术，就想 “哇，魔术是真的！是时候弄个魔术公司，用魔法创造无限价值”。魔术，和所有成功的深度学习方案一样，本质都是工程：只做一件事，在特定环境下，通过努力不断完善。 永远没有免费的午餐。”

“成千上万的深度学习论文，讲的其实是 “将特定任务的先验，硬编码进神经网络结构，相比缺少先验的情况，会更有效”，写出来往往是 “网络结构 XYZ 为 [通用任务类别] 提供了更优异的性能”。用更多、更高质量的数据进行训练，或在结构或预处理过程中注入任务信息，几乎总是能 “换” 来更好的性能。 然而，这并不代表所采用技术真正的泛化能力 (而这才是唯一的关键)。其实，很大一部分论文，都可以写成：“通过将更多任务信息注入到训练过程，我们在该特定任务上取得了更好的表现”。一个极端例子，是在样本符合特定 “模板” 的合成数据集 (如 BABI) 上，手动将模板硬编码到神经网络结构中。可以想见，当拟合目标就是解决方案模板时，用梯度下降拟合参数化模型，就能达到最佳效果。 显然，卷积网络就是如此 (其假设可推广到所有可视化数据，所以确实有效)”

“你不必全知全能，也不必各种 “正统” 背景加身 —— 有当然更好，甚至不必读博。只有一点是必要的：不断学习。保持好奇、坚持阅读，别因为太忙而 “顾不上” 学习，更别因为无知而狂妄自大。 ”

“工程师 (或研究人员) 用 X 解决 Y 时，九成是觉得 “对 X 有点了解”，而不是 “讲道理，这种场景用 X 解决是合适的”。

Derek Wise：至少对研究，还有第三种可能性，就是你真的了解且热爱 X 技术，因此到处找可能是 X 的好应用的问题，Y 是看似相当不错的一个。 (当然，并不意味着 X 是 Y 的 * 最佳 * 方案) ”