机器学习越来越火,并且发展迅速。那么 15-20 年后机器学习会是什么样子呢?这个问题成为了一些科技网站的热门话题,因为人们一般都是由事物的发展态势来决定当下对待它的态度——希望对自己对机器学习的投入有准确的把握。Julia Computing 首席技术官基诺·费舍尔(Keno Fischer)适应人们的需求作了一些推测。

1、我们离 AGI 还很远

当前的机器学习系统离人工智能还有很长的路要走。我们现在拥有的系统在从大量数据中进行模式识别方面是惊人的(强化学习系统主要是关于记忆和识别在训练中表现良好的模式),但还无法与人类的认知相提并论。我们现在所拥有的类似于潜意识的过程——比如,当检测到一个捕食者接近或一个险要的转弯时,交感神经系统会被瞬间激活——是基于模式的半自动化过程。我们目前没有看到任何类似于有意识思维的东西,我也不相信我们能从当前的系统中得到它。

2、传统编程不会消失

我听到有人说,大多数传统编程将被机器学习系统所取代。我对这种说法持高度怀疑态度,部分理由出自前一点的推论,但更普遍的原因是,绝大多数任务并不需要机器学习。机器学习在有可用的大量数据和没有合理的基本模型的情况下表现优异。通常我们不需要机器学习模型——传统的方法可能更好。人类的智力是大自然中最发达的,我们发明电脑是为了做某些我们做得太慢的特殊任务。

3、机器学习将增强大多数传统任务

当传统系统中的任何一个需要与人交互时,都有机会进行基于机器学习的增强。例如,程序员可以使用一个机器学习系统来查看错误信息,并建议一个操作过程。电脑比人类更有耐心。您不能让一个人通过观看数百万小时的编程会话来记住解决问题的常见方法,但您可以让一个机器学习系统做这样的事情。此外,机器学习系统可以非常快速地在全球范围内从大量数据中学习(如果机器学习系统的任何实例遇到特定情况,它几乎可以立即在全球范围内共享)。我不认为我们已经意识到它的影响,但我们可能会在 5-10 年内看到它。

4、从小型的或嘈杂的数据中学习

目前,机器学习系统需要庞大的相对干净、精心设计的数据集。有许多很有前途的方法可以在一个或多个方向上放宽这一要求(或者通过小型的、精心策划的数据集的组合来使用更大的、包含更多噪声数据的语料库)。我希望这在不久的将来会得到完善。

5、我们将看到 ML 系统与传统方法相结合

目前,完全由神经网络构成的 ML 系统试图解决端到端问题的现象似乎相当普遍。这通常工作得很好,因为您可以从这些构建中恢复许多传统的信号处理技术(例如傅里叶变换、边缘检测、分割等),但是这些转换的学习版本在计算上要比底层方法昂贵得多。看到这些原语(作为神经网络体系结构的一部分)重新流行起来,我不会感到惊讶。同样,我对基于物理的 ML 方法非常感兴趣,在这种方法中,将神经网络与底层物理模型(例如控制某个过程的微分方程)的知识相结合,会优于纯 ML 方法和仅依赖物理过程的方法(即模拟)。

费舍尔指出,机器学习是一个瞬息万变的领域,即使未来 6 个月的状况也很难预测,更不用说 15 – 20 年了。因此,他提醒说,他的推测虽有根据,但也只能当猜测来看。

【数字叙事 黎雾编译 图片:GETTY】