reddit网友吵爆！算力和数据真能解决一切？

新智元报道

来历：reddit

编辑：张佳

【新智元导读】克日，一位reddit用户提倡一个接头帖：假如我们只有更多的数据和计较手段而遏制理论事变的成长，本日的哪些题目可以办理？哪些题目绝对无法办理？这个帖子激发了网友热烈接头。来新智元AI伴侣圈和AI大咖们一路接头吧。

众所周知，算力和数据很是重要，但只有它们就够了吗？

克日，一位reddit用户提倡一个接头帖：假如我们只有更多的数据和计较手段而遏制理论事变的成长，本日的哪些题目可以办理？哪些题目绝对无法办理？

这个题目激发了reddit网友的热烈接头：

MrAcurite暗示：我意料任何涉及有数疾病诊断的工作。我们没有更大都据，由于数据不存在。但这只是一个揣摩，大概小样本进修照旧可以办理这个题目的。

MichaelMMeskhi回覆道：小样本进修并不办理任何题目。假如我们稀有据，那么以往的深度进修就可以了。可是从理论上讲，小样本进修也许能做到。

pm-me-your-covfefes暗示：

我想说的是，有了足够的数据，我们可以找到大大都题目的办理方案，但这并不能使题目办理（或更轻易办理）。

我是美国最大的医疗保健公司的高级数据科学总监。我们很复杂。我们根基上有你想知道的任何工作的数据。我猜疑除了中国的医疗系统之外，没有其他机构拥有比我们更多的医疗数据。

有了这些数据，我们就可以建造成千上万的出产模子，这些模子比我在果真场所乃至私下里看到的任何对象都让人印象深刻。这包罗那些试图进入医疗行业的“性感”科技公司所做的统统。

可是，这些模子对改进医疗保健并不重要。我们有一些模子可以很轻易地猜测出每种疾病（乃至是最有数的疾病）。疾病猜测模子基础不是新奇的。大概10到15年前。这些模子对改进医疗保健乃至没有真正的辅佐。

以糖尿病猜测模子为例。我不必要一个花哨的模子来汇报我，这个350磅重、天天吃两个汉堡的不听话的病人，将会得2型糖尿玻可是，纵然当他们被奉告“嗨，你应该改变你的饮食和糊口方法”，他们的病情跟着时刻的推移只会变得越来越严峻和恶化（90%的概率）。这只会让他们的康健状况恶化，花更多的钱。

长话短说，至少在医疗保健规模，纵然没有无穷的数据，我们也可以建设我们想要的全部理想模子，但这无助于办理题目，由于在大大都环境下，题目只是人（患者和providers）。我想对付其他依靠于人们做出他们也许不想做的改变的行业来说，环境也是一样的。

DoorsofPerceptron暗示：“根基上，我以为可以行使无穷标志的数据和近邻取样办理任何题目。假如你有足够的数据，那么你应该已经看过这一场景，你只需查找谜底即可。

我们也可以大幅改造现有的深度进修要领，仅仅通过在题目上抛出足够的计较来找到最优的架构和在搜刮空间上的pute forcing，而不是试图想出一些智慧的对象。（在某种水平上，行业已经做到了这一点，这就是为什么许多最好的架构都来自谷歌这样的处所）。

假如你不必要担忧计较或数据，则可以通过存眷试探/操作tradeoff的试探部门来最佳地举办强化进修。

因此，将必要更多地限定题目。对付无穷的数据和无穷的计较，我以为我们乃至不必要当代要领来办理全部题目。”

m--w以为：对付当代计较而言，大局限贝叶斯推理如故过于昂贵。

谈到哪些题目是绝对办理不了的，Phylliida暗示：

我们乃至还没有一个理论模子来表明怎样使技能奇点产生。譬喻，对付很多理论题目，我们可以说“假如我们有一个情势题目X（如P=NP）的办理方案，我们就可以办理这个题目”。对付奇点我们也不能说，由于它还没有一个正式的界说。纵然我们可以或许以某种方法办理halting题目，我们也没有一条清楚的路径去到达技能奇点（不，AIXI不是这样的理论，AIXI描写了一个在一个有明晰动作和回报的情形中的optimal agent）。

对付AGI来说也是云云，尽量在AGI的环境下，至少具有足够的计较手段和数据，我们可以通过试图复制人类举动来建造人类智能的“duck typed”（假如它看起来像鸭子，而且举动像鸭子，那就是鸭子）模子。我们以为这是行使talktoatransformer举办的小局限操纵，尚不敷以举办对话，可是supeddit模仿器GPT2很是传神，而这正是我们今朝拥有的计较手段和数据。

Turings_Ego则以为：我以为我们应该走另一条路。该规模在很洪流平上受到数据集/基准测试的履历支持。假如我们真的想办理更伟大的题目，就必要做大量的事变来领略收敛性和什么不是收敛性。我预感想拓扑数据说明将提供这些证明的一些要害方面。

人工智能前进来自计较力？周志华：绝对错误！

再来看看海内的AI大佬们是怎样对待算力和数据的。

对付“人工智能前进是计较手段带来的”这种概念，南大周志华传授曾暗示：这个说法绝对错误的！周先生将IBM深蓝和AlphaGo做比拟，深蓝下国际象棋每秒必要评估6亿个位置，而AlphaGo面临越发伟大的围棋，每秒也仅需评估2万个位置，“从6亿到2万，这是呆板进修算法带来的进步，更不消说是计较进程的方针偏向已经有了基础的改变”。

对此，中科院计较所先辈计较机体系研究中心主任包云岗回应，算法起到了至关重要的浸染，而计较力的前进也不行或缺。包云岗用“登月”来类比两者相辅相成的相关。“AI前进中算法的浸染是导航+一级火箭，计较手段的浸染相等于二级+三级火箭”，对付登月缺一不行。包云岗还暗示，周先生提供的数据，从IBM评估6亿个位置到AlphaGo评估2万个，“20年算法服从进步了3万倍”，客观展示了算法的前进。

对此，周志华传授暗示，不是说计较手段的晋升不重要，而是说人工智能技能取得的盼望，绝对不是纯真因为“计较手段的晋升造成的”。周先生做了进一步阐释：偏向性的转变，不是能靠计较手段的晋升实现的。假如算法没有取得打破，如故依赖专家法则，哪怕是研发出量子计较机来加快也没有效。

另外，关于6亿和2万的位置评估，两者取得的功效并纷歧致。因此，不能简朴地拿6亿除以2万来计较加快比。周志华传授说，算法的改变也许改变求解进程的性子，本日人工智能取得的前进恰好是通过这一点，并且这是仅通过计较手段的晋升无法实现的。

Hinton 以为将来的 AI 体系将首要是无监视的。无监视进修是呆板进修的一个分支，可以从未标志、未分类的测试数据中提取常识 在进修共性和对共性是否存在做出回响的手段方面，无监视进修的手段险些到达人类程度。

Hinton 说：“假如你回收一个拥稀有十亿参数的体系，对某个方针函数执行随机梯度降落，它的结果会比你想象的好得多…… 局限越大，结果越好。”

神经收集和深度进修在几十年前失败，可是此刻却乐成了，缘故起因是什么？而它的范围又在什么处所？贾扬清曾谈到：

乐成的缘故起因，一点是大数据，一点是高机能计较。

范围的缘故起因，一点是布局化的领略，一点是小数据上的有用进修算法。

阿里巴巴副总裁贾扬清以为：“大量的数据，好比说移动互联网的鼓起，以及 AWS 这样低本钱得到标注数据的平台，使呆板进修算法得以冲破数据的限定；因为 GPGPU 等高机能运算的鼓起，又使得我们可以在可以节制的时刻内（以天为单元乃至更短）举办 exaflop 级此外计较，从而使得实习伟大收集变得也许。要留意的是，高机能计较并不只限于 GPU ，在 CPU 上的大量向量化计较，漫衍式计较中的 MPI 抽象，这些都和 60 年月就开始鼓起的 HPC 规模的研究成就密不行分。

可是，我们也要看到深度进修的范围性。本日，许多深度进修的算法照旧在感知这个层面上形成了打破，可以从语音、图像，这些非布局化的数据中举办识此外事变。在面临越发布局化的题目的时辰，简朴地套用深度进修算法也许并不能到达很好的结果。有的同窗也许会问为什么 AlphaGo 和 Starcraft 这样的算法可以乐成， 一方面，深度进修办理了感知的题目，另一方面，我们也要看到尚有许多传统的非深度进修算法，好比说 Q-learning 和其他加强进修的算法，一路支撑起了整个体系。并且，在数据量很是小的时辰，深度进修的伟大收集每每无法取得很好的结果，可是许多规模，出格是相同医疗这样的规模，数据长短常可贵到的，这也许是接下去的一个很故意义的科研偏向。

接下去，深度进修可能更普及地说，AI 这个偏向会怎么走？我小我私人的感受，固然各人前几年一向存眷 AI 框架，可是连年来框架的同质化声名白它不再是一个必要花大精神办理的题目，TensorFlow 这样的框架在家产界的普及应用，以及各类框架操作 Python 在建模规模的优越示意，已经可以辅佐我们办理许多早年必要本身编程实现的题目，因此，作为 AI 工程师，我们应该跳出框架的桎梏，往更普及的规模探求代价。”

（编辑：河北网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!