Contents ...
udn網路城邦
AI最大的局限是無法擁有人類的「常識」
2018/06/13 06:54
瀏覽1,756
迴響0
推薦12
引用0

【深度學習三大權威之一開講】臉書AI研究院院長Yann LeCun

AI沒有「常識」是最大挑戰,非監督學習正是突破關鍵!

我常常寫文章批評機器學習的實用價值被高估了!但這不表示我反對這種「研究」。我其實常常閱讀相關資訊,還看得津津有味!很希望找到能幫助我影像辨識實務工作的養分,譬如這位大師的開講內容。

機器學習乃至深度學習,確實是逐步深入理解並模擬人類智慧的「研究」領域,大師也真的具有科學精神,點出了「常識」是AI研究領域最大的挑戰!這一點很重要,值得很多迷信機器學習可以取代傳統基礎研究的人深思。

我曾經有位員工是台大電機碩士,還是專攻影像辨識的,但在我這裡經過一年磨合,他還是表現欠佳,我只能忍痛把他辭退了。他離職前回顧跟我一年的學習心得就是:原來影像辨識可以用常識為基礎來做用常識解決問題在我來說是再自然不過的事,他卻總是習慣一直想著如何套用學過的方法論,卻忽視眼前簡單的事實現象,跟我的思維方式格格不入,只能說台大把他訓練成一種我無法使用的人了!

當然大師演講的重點就是提出非監督式學習等論點與方法去「趨近」人類解決問題的智慧,也就是讓AI也能像人類一樣有一些「常識」或說「推測」的能力,即使沒看過的資料也不會沒答案,或跑出離譜的答案。但如果你想在他的研究中找到解決你眼前問題的最佳方案,你會發現根本摸不著頭緒!因為各種問題需要用到的常識並不一樣,攏統的常識通常無法解決特定的問題。

換言之,這些方法論基本上不是針對特定問題去研究的,所以很難直接套用到你的工作上,即使硬是套上去了,效果也絕對不會比使用「常識」及基本的影像處理技術去解題快而有效!而且,要學會與使用這些其實還不太「智慧」的深度學習方法論所用的時間,一定比學習用傳統影像辨識技術的時間更長!資料建立及大量運算所需的成本,也足以拖垮本錢不夠雄厚的小型新創公司。

所以,機器學習可以是研究方法論的教授研究員,或還不需要靠影像辨識賺錢的研究生,或已經身處本錢無限大的國際級大公司研發部門內的人玩的東西。如果你是想用影像辨識謀生的一般企業RD,一定要審慎考慮,不能依賴這類技術作為你的研發主軸!因為你是玩不起的,你絕對不會在合理時間內得到你要的結果!

其實資訊領域一直都有很多技術起起伏伏,新興技術的價值很多都被過度炒作了!機器學習乃至人工智慧的研究方向是肯定沒錯,也一定要繼續前進的!但是很像用氫融合做為新型態核能,或者用常溫超導體製作超高效率電腦這種事,雖然遲早會實現,但是你現在就去買股票就太莽撞了!穩賠的!

舉個我親身經歷的例子,十多年前,在Web程式需求剛剛熱起來的時候,我要開課教Web,當時是JSPPHPASP三雄爭霸的局面,最受學者專家熱烈讚揚與看好的是JSP,最被看衰的是ASP。我三種程式都自己看書學過,最終選擇操作最直覺容易的ASP教學生。我相信「好用」可以減少開發時間,業界一定喜歡,市場終究會傾向ASP,效能不好的東西只要用得人多了,好的技術也會被它整合進去!最後是不是幾乎看不到JSPASP.NET卻滿街都是了!

同樣的道理,影像辨識的需求現在遍地開花!多數都有簡單特定的目的,用傳統的「常識」加上基本的影像辨識技巧即可將辨識軟體做得很精確有效,反而是用機器學習等技術去開發軟體會顯得很笨重,殺雞用牛刀其實更為不便!這不是說機器學習「不好」而是要看問題的性質成本

譬如人臉辨識,我認為用機器學習開發軟體就絕對比用傳統影像辨識技術好,因為它的本質就是有統計的性質。但是要用機器學習製作出跟我目前銷售的車牌辨識一樣準確快速的軟體呢?我相信到我退休之前都不會看到這種東西!那我應該開始研發機器學習版的車牌辨識系統嗎?未來的事就讓我的子孫們去考慮吧!我沒這麼長的命啦!盡量撿做得到的事情做吧!

有誰推薦more
全站分類:心情隨筆 工作職場
自訂分類:教育學習

限會員,要發表迴響,請先登入