AI 是萬能的嗎？當(dāng)前 AI 仍面臨的難題是什么

談到人工智能（特別是計算機(jī)視覺領(lǐng)域），大家關(guān)注的都是這一領(lǐng)域不斷取得的進(jìn)步，然而人工智能到底發(fā)展到什么程度了？AI 已經(jīng)成為萬能的了嗎？Heuritech 的 CTO  Charles Ollion 希望通過他的文章可以揭露一些當(dāng)前的真實情況。接下來就讓我們一起看看這位作者都談了什么內(nèi)容吧！

作者基于 Xkcd 的漫畫改編

最近，我讀了 Pete Warden 的一篇文章，這篇文章介紹了一種可以辨別植物疾病的分類器。在辨別病害類型方面，這個分類器的精確度要比人類肉眼辨別的精確度高的多。但是，這個分類器在面對一張隨機(jī)不含有植物的圖片時會給出一個非常驚人的錯誤結(jié)果（如下圖所示：左圖展現(xiàn)了分類器在真實植物上檢測病害類型的良好效果；而右圖，在指向計算機(jī)鍵盤時，一張隨機(jī)的非植物圖片，分類器仍會認(rèn)為這是一種受損的作物）。然而這個錯誤，卻不會發(fā)生在人類身上。

（來源：Pete Warden's blog —— What Image Classifiers Can Do About Unknown Objects）

上面的舉例說明，計算機(jī)視覺系統(tǒng)的能力仍有別于人類的智力，下面我想通過一道測試題來進(jìn)一步證明這一觀點：

你知道當(dāng)前人工智能系統(tǒng)最擅長做什么嗎？

下面有五個不同的計算機(jī)視覺問題，通過給出的輸入與得到的輸出結(jié)果，試著猜一下哪類問題是計算機(jī)視覺系統(tǒng)最容易解決的？哪類問題是非常困難的？

▌1.檢測糖尿病性視網(wǎng)膜病變

輸入：有約束的視網(wǎng)膜圖片

輸出：5個類別（健康型以及處于不同階段與形式的病變狀態(tài)）

糖尿病性視網(wǎng)膜病變，一種影響到眼睛的糖尿病并發(fā)癥

來源：https://ai.googleblog.com/2016/11/deep-learning-for-detection-of-diabetic.html

▌2.攝像頭手勢識別

輸入：由攝像頭拍攝的一系列短視頻

輸出：25種動作中可能性最大的一種

（注：TwentyBN 現(xiàn)已發(fā)布了更豐富的數(shù)據(jù)集）

來源：TwentyBN

來源：https://medium.com/twentybn/building-a-gesture-recognition-system-using-deep-learning-video-d24f13053a1

▌3.識別 Instagram 圖片里的手提包

輸入：Instagram 上的圖片

輸出：圈出圖片里的手提包

▌4.識別行人

輸入：由固定攝像機(jī)拍攝的圖片

輸出：圈出圖中所有的行人

▌5.機(jī)器人抓取物體

輸入：由固定攝像機(jī)拍攝的兩張圖

輸出：機(jī)器人控制策略

左圖為待抓取的物體，機(jī)器人上裝有一臺固定攝像機(jī)來學(xué)習(xí)如何抓取物體

來源：https://ai.googleblog.com/2017/10/closing-simulation-to-reality-gap-for.html

然而真相是？

▌糖尿病性視網(wǎng)膜病變：這類識別器是容易實現(xiàn)的，因為輸入和輸出都是有約束的（谷歌在他們的報道中聲明已經(jīng)實現(xiàn)并有良好表現(xiàn)了）。但當(dāng)把這一系統(tǒng)投入到實際應(yīng)用時，困難出現(xiàn)了。用戶的體驗以及系統(tǒng)與醫(yī)生的配合是關(guān)鍵問題，因為對不同類型結(jié)果的判定可能會有失偏頗。

▌攝像頭手勢識別：這個問題相對來說很好定義，但多變性增加了它的難度：這些由攝像頭拍攝的視頻中，人們的距離不同，手勢持續(xù)時間不同，等等... 此外，在對視頻資料進(jìn)行分析訓(xùn)練時，隨之產(chǎn)生的還有諸多的工程問題。不得不說這個問題是非常困難的，但已經(jīng)得到了解決。

▌識別 Instagram 圖片里的手提包：這個問題看起來似乎很容易解決，但輸入的圖片是沒有約束的，而且類別的定義也非常廣（手提包有很多種形態(tài)，沒有一個明確的視覺模式，因此很有可能被識別成很多其它物體）。這使得問題變的非常困難，看看下面圖就明白了。

由經(jīng)過手提包識別訓(xùn)練的模型給出的識別結(jié)果

我們的訓(xùn)練數(shù)據(jù)中沒有“斧子”的圖片作為反例，而斧子的頭部和模型學(xué)習(xí)過的手提包的圖像非常相似。它是褐色的，有著手提包的形狀和大小，而且被握在手里。

然后我們就這樣放棄了嗎？不，我們可以通過主動學(xué)習(xí)來解決這個問題，即對模型給出的錯誤判斷進(jìn)行標(biāo)記，然后把這些錯誤例子反饋給模型繼續(xù)訓(xùn)練。但憑借現(xiàn)有的技術(shù)來說，想像 Instagram 中的圖片，如此開放的領(lǐng)域上達(dá)到完美的效果，仍然是一項巨大的挑戰(zhàn)。

對于我們?nèi)祟悂碇v，關(guān)于糖尿病相關(guān)的工作很難，但辨認(rèn)斧子和手提包卻很容易，這主要原因是斧子對我們來說是一種極為普遍的存在，一種大家都知道的常識，并且這些內(nèi)容超出了輸入到系統(tǒng)數(shù)據(jù)的范圍。

▌識別攝像頭中的行人：這類問題很簡單：輸入非常受限（固定攝像機(jī)），而且類別（行人）也很標(biāo)準(zhǔn)?？赡軙嬖谀繕?biāo)被遮擋等相關(guān)問題，但總體來說這個問題很容易就可以解決。不過，如果對這個問題稍作改動，就會變得困難很多：如攝像機(jī)是移動的；或從不同方位、角度、范圍進(jìn)行拍攝 —— 這個問題就變得更開放且棘手了。

▌機(jī)器人抓取物體：這個問題是極其困難的。它超出了標(biāo)準(zhǔn)分類和回歸問題的范圍，因為輸出是控制機(jī)器人的策略，通常使用強(qiáng)化學(xué)習(xí)來進(jìn)行訓(xùn)練，與有監(jiān)督學(xué)習(xí)相比，這種學(xué)習(xí)方法還不太成熟。此外，對象在大小、形狀和抓取的方式上都會有所不同，可能還要借助語義的理解。但是這個問題可以由一個2歲的小孩子輕易解決（即使沒有固定攝像頭、背景完全相同這些設(shè)定），但對我們來說，讓人工智能做這件事還有很長的路要走。

作者聲明：如果不同意我給出的答案，我很樂于和大家討論，因為在這個領(lǐng)域要學(xué)的知識很多，我不認(rèn)為我知道所有問題的答案。

對計算機(jī)視覺與人工智能的期望

對計算機(jī)視覺系統(tǒng)和我們?nèi)祟悂碚f，“難度”這個概念是有很大不同的，這一點很容易引導(dǎo)我們對人工智能產(chǎn)生錯誤的期望。工程師和科研人員不得不從現(xiàn)實出發(fā)來對待人工智能系統(tǒng)在開放域的表現(xiàn)。

當(dāng)前我們在對人工智能系統(tǒng)發(fā)展情況的理解上也還存在很多問題。以自動化駕駛為例：在有約束（例如：高速公路）下駕駛與無約束（如： 市區(qū)、小路... ...）下對駕駛存在著極大的區(qū)別。如今大多數(shù)企業(yè)都基于在沒有司機(jī)操控下，通過自動駕駛汽車所行駛的里程數(shù)來對自動化駕駛水平進(jìn)行評估。這也促使了測試者更樂于把汽車放到容易駕駛的環(huán)境里，但其實我們更應(yīng)該做的是建立一些指標(biāo)，重點關(guān)注擴(kuò)大自動化駕駛汽車正常駕駛的范圍。

更概括地來講，我認(rèn)為我們不應(yīng)該再說什么“計算機(jī)視覺已經(jīng)實現(xiàn)了?！边@樣的話了。如果我們有足夠多已經(jīng)標(biāo)記了的數(shù)據(jù)和有約束的類別，小范圍內(nèi)的問題可能已經(jīng)解決了。但若將世界范圍的常識知識引入計算機(jī)視覺系統(tǒng)，這仍然是一個巨大的挑戰(zhàn)。

ClevR，用于組合式語言和初級視覺推理的診斷數(shù)據(jù)集

其實現(xiàn)在很多的研究人員已經(jīng)開始在進(jìn)行這方面的研究了，也有一些研究領(lǐng)域正在蓬勃的發(fā)展著，例如：視覺推理、物理發(fā)現(xiàn)法則、通過無監(jiān)督/自我監(jiān)督進(jìn)行表征學(xué)習(xí)等。AI 科技大本營在文末給大家列出了相關(guān)的研究文章，方便大家學(xué)習(xí)。

鑒于我對計算機(jī)視覺的研究與發(fā)展了解多一些，上述都是我關(guān)于這方面的一些看法，但我相信同樣的理由也可以應(yīng)用到其它機(jī)器學(xué)習(xí)問題上，特別是關(guān)于 NLP 應(yīng)用深度學(xué)習(xí)與機(jī)器學(xué)習(xí)的研究領(lǐng)域。