量子計算、神經(jīng)形態(tài)芯片和其他技術(shù)正悄悄地將機器學(xué)習(xí)推向深不可測的新高度。

機器學(xué)習(xí)在短時間內(nèi)取得了長足進步，似乎每天我們都會聽到有關(guān)人工智能（AI）能力的新突破。但即使有這么多炒作，一些改變游戲規(guī)則的進步最初卻往往被忽視。

無論是在國際象棋和圍棋上戰(zhàn)勝人類大師，創(chuàng)作新的視頻游戲配樂，還是在診斷癌癥方面擊敗醫(yī)生，人工智能顯然已經(jīng)不再只是科學(xué)幻想。但即便如此，我們實際上也只是觸及了各種可能性的“冰山一角”。

機器學(xué)習(xí)在數(shù)據(jù)、計算能力、可解釋性等方面仍然面臨一些基本限制。但這正是這些新興創(chuàng)新讓人們?nèi)绱伺d奮的原因。它們可以打破現(xiàn)有的限制，為人工智能開辟一個我們今天幾乎無法想象的新應(yīng)用世界。

在探索這個新世界之前，讓我們先回顧一下機器學(xué)習(xí)。

機器學(xué)習(xí)的演進

機器學(xué)習(xí)一夜成名。第一個神經(jīng)網(wǎng)絡(luò)出現(xiàn)在1958年！但是，當(dāng)研究人員意識到殘酷的數(shù)據(jù)和計算需求時，早期的樂觀情緒很快就消失了。

這些原始的“感知機”（Perceptrons）在能力上很快就遇到了瓶頸?？爝M到80年代，由于有了更先進的模型，人們的興趣又開始回升。但在學(xué)術(shù)界之外，機器學(xué)習(xí)仍然是相當(dāng)小眾的領(lǐng)域。此時，它對大多數(shù)企業(yè)來說還不是很方便或有用。

云計算，像TensorFlow這樣的開源框架，以及由網(wǎng)絡(luò)釋放的大量數(shù)據(jù)集，都完全改變了游戲規(guī)則。當(dāng)你把它與功能強大的現(xiàn)代硬件結(jié)合起來時，機器學(xué)習(xí)終于在2010年代實現(xiàn)了騰飛。盡管如此，今天的機器學(xué)習(xí)仍有明顯的缺陷：算法吸收了大量的數(shù)據(jù)，但提供了很少的透明度。

它們需要艱辛的人類工程，而且在狹義的任務(wù)范圍之外，表現(xiàn)是脆弱的。雖然視覺和語音識別繼續(xù)快速發(fā)展，但像情商、社交技能和抽象推理等領(lǐng)域仍然嚴(yán)重缺乏。即使是在新環(huán)境中的導(dǎo)航也能難倒今天的機器人！顯然，我們需要的不僅僅是漸進式的進步來推動人工智能進入下一個階段。我們需要量子飛躍——完全不同的技術(shù)將我們“彈射”至未來。

量子機器學(xué)習(xí)：一場恐怖的革命？

好了，是時候來點科幻了。當(dāng)提及“量子機器學(xué)習(xí)”（Quantum Machine Learning）時，你的腦海中可能會浮現(xiàn)《黑客帝國》中的幽靈圖像。但是這里的“量子”究竟是什么意思呢？簡而言之，量子計算機利用奇異的物理現(xiàn)象（如糾纏和疊加），以即使是最強大的超級計算機也無法觸及的方式處理信息。

這里就不贅述“量子力學(xué)”的概念了，但關(guān)鍵的思想是量子計算機并不局限于二進制位，它可以并行地探索廣闊的可能性空間。“探索可能性”，這聽起來跟機器學(xué)習(xí)的理念不謀而合！這正是量子計算能讓機器學(xué)習(xí)研究人員如此興奮的原因。

對于量子計算機來說，某些阻礙傳統(tǒng)硬件的優(yōu)化問題變得輕而易舉。利用量子效應(yīng)，像格羅弗搜索（Grover Search）和量子退火（Quantum Annealing，一種利用量子隧穿效應(yīng)尋找全局最優(yōu)解的技術(shù)）這樣的算法可以比經(jīng)典方法更快地發(fā)現(xiàn)隱藏在巨大數(shù)據(jù)集中的模式。

制藥研究人員已經(jīng)在實際藥物數(shù)據(jù)上使用量子算法來分析分子間的相互作用。這一結(jié)果無疑是令人興奮的。展望未來，量子人工智能還將為醫(yī)學(xué)生產(chǎn)出全新的化合物，或者譜寫出我們從未聽過的永恒旋律。

當(dāng)然，量子計算仍處于萌芽階段。我們還需要幾年的時間才能獲得足夠穩(wěn)定的量子比特來運行先進的人工智能應(yīng)用程序。當(dāng)然，也不是所有的機器學(xué)習(xí)技術(shù)都能完美地轉(zhuǎn)化為量子平臺。但如果我們克服了工程上的障礙，量子人工智能可以以驚人的速度和準(zhǔn)確性承擔(dān)從疾病診斷到天氣預(yù)報的任何事情。

神經(jīng)形態(tài)計算：芯片能模擬大腦嗎？

現(xiàn)在，我們來看一種不那么令人費解但同樣具有變革意義的技術(shù)——神經(jīng)形態(tài)計算（Neuromorphic Computing）。下一個趨勢不是量子怪誕性（Quantum Weirdness），而是試圖用微芯片模擬我們的生物大腦。

人類的大腦可以毫不費力地處理讓AI費解的復(fù)雜的模式識別和學(xué)習(xí)任務(wù)。神經(jīng)形態(tài)芯片旨在通過物理上類似神經(jīng)網(wǎng)絡(luò)的電路來模擬大腦的大規(guī)模并行結(jié)構(gòu)。 

這個領(lǐng)域的領(lǐng)先項目甚至結(jié)合了突觸可塑性和脈沖信號來傳遞數(shù)據(jù)。最終結(jié)果是快速模式識別以及超低功耗。這種神經(jīng)形態(tài)的方法可以為我們提供所需的震動，以開發(fā)更靈活的類人智能。想象一下，可以根據(jù)面部線索感知情緒的交互式助手，或者像動物一樣本能地在陌生地方導(dǎo)航的機器人。與量子計算一樣，神經(jīng)形態(tài)硬件仍處于高度實驗階段。

與經(jīng)過市場驗證的GPU和張量處理單元（Tensor Processing Units）相比，未經(jīng)驗證的新架構(gòu)通常面臨著大規(guī)模采用的困局。但就神經(jīng)形態(tài)計算而言，一切冒險都將是值得的。Darpa、IBM和英特爾實驗室的項目就很好地證明了這一點。

聯(lián)邦學(xué)習(xí)：將人工智能帶給人們

我們的人工智能創(chuàng)新之旅已經(jīng)進行了一半，讓我們換個話題，談?wù)勡浖矫娴耐黄疲簿褪撬^的聯(lián)邦學(xué)習(xí)（Federated Learning）。現(xiàn)在，技術(shù)人員可能知道機器學(xué)習(xí)會吞噬數(shù)據(jù)，而且還是海量的數(shù)據(jù)。

當(dāng)涉及敏感數(shù)據(jù)（如醫(yī)療記錄）時，問題就出現(xiàn)了。嚴(yán)格的隱私法意味著醫(yī)院通常不能輕易匯集患者數(shù)據(jù)來訓(xùn)練共享模型——即使它可以挽救生命。

傳統(tǒng)上，數(shù)據(jù)科學(xué)家必須在強大的集中式人工智能和局部缺陷模型之間做出艱難抉擇。不過，無論哪種選擇都不能盡如人意。聯(lián)邦學(xué)習(xí)的出現(xiàn)很好地解決了這一問題。它允許組織在不共享原始私有數(shù)據(jù)的情況下協(xié)作訓(xùn)練高質(zhì)量的模型，其本質(zhì)上是點對點發(fā)送算法模型更新，而不是將敏感數(shù)據(jù)傳輸?shù)街醒敕?wù)器。

領(lǐng)先的研究人員認(rèn)為，在本世紀(jì)20年代及以后，私人聯(lián)邦學(xué)習(xí)將為醫(yī)學(xué)、金融、生物識別等領(lǐng)域開啟改變生活的人工智能。當(dāng)然，濫用仍然會損害隱私。反對者還認(rèn)為，它比集中式方法效率低。也許吧，但通過將協(xié)作式人工智能安全地帶入落后的醫(yī)院和銀行，我認(rèn)為聯(lián)邦學(xué)習(xí)是一場勝利！

小樣本學(xué)習(xí)：“健忘癥”AI？

至此，你可能想知道人工智能研究人員是否還有其他瘋狂的想法。當(dāng)然，畢竟我們還沒說到“小樣本學(xué)習(xí)”（few-shot learning）呢！你可能以為我要抱怨人工智能所謂的金魚記憶了，但事實恰恰相反。

今天的模式饑渴型（pattern-hungry）神經(jīng)網(wǎng)絡(luò)面臨的一個巨大限制是它們對標(biāo)記訓(xùn)練數(shù)據(jù)的無盡需求。構(gòu)建有能力的圖像和語言模型需要將算法暴露于數(shù)百萬個高質(zhì)量的示例中。對于許多應(yīng)用程序來說，組裝大量數(shù)據(jù)集是不可行的。這就是小樣本學(xué)習(xí)可以發(fā)揮作用的地方！

避免繁重的數(shù)據(jù)集編碼和無休止的重復(fù)訓(xùn)練。小樣本學(xué)習(xí)使模型能夠熟練地從少量樣本中分類新概念。

還記得你的大腦是如何在幾次接觸后輕松識別新的動物或語言的嗎？“小樣本學(xué)習(xí)”的目標(biāo)是為機器帶來這種通用的、采樣效率高的智能。

研究人員報告稱已經(jīng)在使用快速積累知識的專業(yè)神經(jīng)網(wǎng)絡(luò)架構(gòu)方面實現(xiàn)了新突破。令人難以置信的是，一些計算機視覺模型可以在觀看一兩張圖像后準(zhǔn)確地分類看不見的物體類別！

想象一下，這對衛(wèi)星圖像分析、醫(yī)學(xué)甚至是有限參考圖像的藝術(shù)修復(fù)的影響。當(dāng)然，懷疑者警告說，小樣本方法仍然無法與無限制數(shù)據(jù)的性能飽和模型相匹配。

不過，先別就此氣餒！如果說過去十年機器學(xué)習(xí)的進步教會了我們什么，那就是永遠不要低估研究人員的聰明才智。

可解釋性AI：不再有黑匣子的借口了？

最后，我有一個更令人振奮的創(chuàng)新要分享，但需要提醒的是，最后一個存在一些爭議。到目前為止，我們已經(jīng)介紹了解決ML在速度、效率和數(shù)據(jù)需求等方面限制的前沿進展。

但許多專家認(rèn)為，如今的算法存在一個更大的缺陷——缺乏透明度。批評者抱怨神經(jīng)網(wǎng)絡(luò)是難以理解的“黑匣子”，甚至設(shè)計師也很難追溯其預(yù)測和建議背后的邏輯。

立法者對不透明的人工智能決策的社會后果持謹(jǐn)慎態(tài)度。如果我們根本不知道這些模型是如何運行的，我們?nèi)绾文鼙ＷC問責(zé)制呢？面對這種情況，研究人員并未選擇擺爛，為復(fù)雜性辯護，而是正面解決了黑箱困境，讓人工智能邁入了可解釋的新領(lǐng)域。

可解釋性人工智能（Explainable AI，簡稱XAI）包含了一些巧妙的技術(shù)，本質(zhì)上是對機器學(xué)習(xí)模型的內(nèi)部工作原理進行逆向工程。XAI工具包中的工具范圍從敏感性分析到精確定位有影響的訓(xùn)練數(shù)據(jù)的技術(shù)。它甚至包括生成模型邏輯的自然語言解釋的算法。

不要誤解我的意思——考慮到最先進模型的復(fù)雜性，可解釋性人工智能仍然是一個令人難以置信的雄心勃勃的目標(biāo)。但恢復(fù)透明度的穩(wěn)步進展讓我感到樂觀?？山忉屝匀斯ぶ悄懿粌H可以緩解合規(guī)性壓力，還可以嗅出隱藏的偏見，建立公眾信任。這些見解可能會為下一代機器學(xué)習(xí)算法打開思路。

人工智能的未來——即將到來的融合

我們剛剛講了很多內(nèi)容，希望你已經(jīng)瞥見了當(dāng)今主流人工智能表面下一些令人興奮的進展。

但即便如此，我們也只是觸及了表面。我甚至沒有談到3D機器學(xué)習(xí)、GAN創(chuàng)造力等方面的創(chuàng)新！現(xiàn)在，你可能想知道，這么多的進步同時進行，我們?nèi)绾卫斫膺@一切？

這個問題問得好。我認(rèn)為最令人興奮的可能性實際上來自于多種技術(shù)協(xié)同作用的交匯點。例如，將小樣本學(xué)習(xí)與量子優(yōu)化相結(jié)合實際上可以消除某些應(yīng)用程序的數(shù)據(jù)障礙。神經(jīng)形態(tài)芯片可能解鎖曾經(jīng)被計算瓶頸阻礙的能力。

可解釋的接口對于解釋量子算法或解碼的大腦活動至關(guān)重要。為尚未證實的技術(shù)繪制開發(fā)路線圖是很棘手的。但我認(rèn)為，與這些突破對未來社會可能產(chǎn)生的劃時代意義相比，這些挑戰(zhàn)都顯得蒼白無力。

我們需要深思熟慮地解決偏見、自動化等方面的風(fēng)險。但如果引導(dǎo)謹(jǐn)慎，將互補的量子、神經(jīng)、聯(lián)邦和其他學(xué)習(xí)方法結(jié)合起來，可能會催化人工智能的復(fù)興，為人類進步積聚數(shù)十年的動力。

結(jié)語

我們探索的創(chuàng)新——從量子機器學(xué)習(xí)到可解釋性人工智能——突顯了人工智能領(lǐng)域的發(fā)展速度有多快。每一項技術(shù)突破都有可能打破限制當(dāng)前人工智能系統(tǒng)的障礙。它們有望共同開創(chuàng)一個前所未有的機器學(xué)習(xí)能力時代。

然而，如此強大的力量也帶來了巨大的責(zé)任。當(dāng)我們將機器推向未知的智能領(lǐng)域時，我們必須在如何開發(fā)和部署這些技術(shù)方面保持謹(jǐn)慎和道德。深思熟慮的治理、問責(zé)措施和社會意識對于確保繁榮和公平地分享人工智能的利益，同時降低風(fēng)險至關(guān)重要。

如果我們明智地引導(dǎo)進步，這場多維度的人工智能革命可以使我們以前所未有的方式蓬勃發(fā)展。從個性化醫(yī)療保健到清潔能源等領(lǐng)域，量子、神經(jīng)和其他機器學(xué)習(xí)領(lǐng)域的融合突破可能很快就會幫助人類解決最棘手的挑戰(zhàn)。

原文標(biāo)題：??Quantum leaps in machine learning: Pushing the boundaries of AI capabilities??，作者：Shafeeq Rahaman