转载自：机器之心（ID：almosthuman2014）
作者：Eliza Strickland
本文带来图灵奖得主Yoshua Bengio关于深度学习未来的思考。
『导读』
一个普通的深度学习模型动不动就需要十万、百万级的数据，但即使投喂了这么多数据，一个自动驾驶系统也很容易被一张贴纸攻破……2019 年，我们看到深度学习受到越来越多的质疑，Gary Marcus 等批评者甚至认为，「深度学习不起作用」。
在如此强烈的质疑声中，深度学习将何去何从？
2018 图灵奖获得者之一 Yoshua Bengio 在 IEEE 的访谈中表达了他对深度学习未来发展的看法。
他认为，AI 系统应该具备推理、规划和想象的能力，因果推断、注意力、元学习、掌握物理规律对于未来深度学习的发展都非常重要。
此外，对于Gary Marcus 的质疑，Bengio 回应道，「我关注的是解决问题需要探索什么，而不是谁对谁错」。
Yoshua Bengio 是深度学习「三剑客」之一，深度学习正是如今人工智能领域的主流。
Bengio 在蒙特利尔大学担任教授，他在神经网络的应用方面做出了巨大贡献，同样重要的是，他还在神经网络无人问津的漫长 AI 寒冬（1980 年代末及 1990 年代）中坚持神经网络研究工作。
为此，他与另外两位「剑客」——Geoffrey Hinton 和 Yann LeCun 荣获 2018 年图灵奖，该奖项被誉为「计算机界的诺贝尔奖」。
今天，人们对于深度学习缺陷的讨论越来越多。
IEEE Spectrum 与 Bengio 就深度学习领域该走向何方进行了对谈，Bengio 在 NeurIPS 2019 大会上也作了类似主题的报告《From System 1 Deep Learning to System 2 Deep Learning》。
报告地址：
https://nips.cc/Conferences/2019/Schedule?showEvent=15488
▌
深度学习及其缺陷
▌
Q
：关于对深度学习局限性的讨论，您有什么看法？
Yoshua Bengio
：
很多面向公众的会议不了解 AI 等学科的科研方式：
我们尽力去了解目前已有理论和方法的局限性，进而扩展我们的智力工具所能到达之范畴。
因此，深度学习研究者正在寻找那些运转未达预期之处，这样我们就可以知道需要添加什么、探索什么了。
一些人（如 Gary Marcus）借用这一现象表达「看啊，深度学习没用。
」但事实上，像我这样的研究者正在做的是扩展深度学习的边界。
当我谈到「AI 系统需要理解因果关系」时，我并不认为它会取代深度学习。
我只是尝试向工具箱里多添加一些东西。
作为科学家，我关注的是解决问题需要探索什么，而不是谁对谁错。
Q：
您如何评价深度学习的现状？
Yoshua Bengio
：
根据近二十年的进展，我认为人工智能的水平远远落后于两岁小孩，有些算法的感知水平相当于低等动物。
就允许实体探索周遭环境的工具方面，我们正在逐渐前进。
现在最大的争论之一是：
哪些元素构成更高级的认知？
因果关系是其中之一，推理和规划、想象以及信用分配（credit assignment）都是。
在经典 AI 中，研究者尝试利用逻辑和符号获取这些元素。
有些人认为经典 AI 可以实现这一目标，或者至少有一些进展。
也有一些人，比如我，认为我们应该利用近年构建的工具创建类似于人类推理方式的功能，这实际上与基于搜索的纯逻辑系统相去甚远。
▌
脑启发计算时代的到来
▌
Q
：
如何创建类似于人类推理的功能？
Yoshua Bengio
：
注意力机制将计算聚焦于某些元素，一组计算。
人类就是这样的，这是意识处理（conscious processing）的重要部分。
当你意识到某事时，你会着重某些元素，或者某个想法，然后再转到另一个想法上。
这与标准的神经网络差别很大，后者是大规模并行处理。
注意力机制帮助我们在计算机视觉、翻译和记忆方面实现巨大进步，但是我认为这只是另一种风格的脑启发计算的开端。
这并不表示我们解决了问题，我认为我们具备了足够多的工具可以开始解决问题了。
这并不表示会很容易。
2017 年我写了一篇论文《The Consciousness Prior》来解释这一问题。
我的几个学生正在研究这一主题，我认为这将是一项长期工程。
Q
：
还有哪些人类智能的其他方面是您想在 AI 中复制的吗？
Yoshua Bengio
：
这就要谈到神经网络的想象能力了：
推理、记忆和想象是人脑思维的三个方面。
当你回忆过去或者畅想未来时，你就是在推理。
如果你预测未来会发生一些不好的事情，你会作出一些改变，这就是规划过程。
这一过程也涉及记忆，因为你需要回顾已知的事实进而做出判断。
你从现在和过去中选出相关联的事实。
注意力是其中的关键模块。
比如我正在翻译一本书。
在翻译每一个单词时，我都要仔细查看书中的一小部分内容。
注意力允许你远离大量无关细节，专注于相关的内容。
选择相关元素，这就是注意力所做的事情。
Q
：
那么对机器学习而言，这对应怎样的过程呢？
Yoshua Bengio
：
你不用告诉神经网络需要注意什么，这就是它的神奇之处。
神经网络能够自学，学习应对一组可能元素中的每一个元素赋予多少注意力或权重。
▌
学习如何学习
▌
Q
：
您最近关于因果关系的研究与此有何关联？
Yoshua Bengio
：
推理所使用的高级概念很可能是因果变量。
你不会基于像素推理，而是基于「门」、「门把手」、「开」、「关」这样的概念进行推理。
因果关系对于机器学习的未来发展非常重要。
这与深度学习中更关注人类思维的另一个主题相关。
系统泛化（systematic generalization）是人类泛化已知概念的能力，这样才能以从未见过的新方式连接这些概念。
目前，机器学习无法做到这一点。
因此你常常遇到与在特定数据集上训练模型有关的问题。
假如你在一个国家中训练，然后到另一个国家部署，你需要泛化和迁移学习。
如何训练神经网络，使其迁移至新环境后能够继续良好运转或者快速适应呢？
Q
：
获取这种适应性的关键是什么？
Yoshua Bengio
：
元学习是现在很热的一个话题，元学习即学习如何学习。
1991 年我就该主题写过一篇论文《Learning a synaptic learning rule》，但直到最近我们才有足够的算力来实现它。
元学习的计算成本很高。
其思路是：
要想泛化至新环境，你必须练习对新环境的泛化。
看起来很简单，连孩童都一直在做这件事。
小孩从一个房间到另一个房间时，环境不是静止的，而是变化的。
此时，小孩训练自己来快速适应环境。
为了高效训练，他们利用过去获得的知识碎片。
我们正在理解这项能力，并构建工具来复制它。
对深度学习的一个批评是：
需要海量数据。
如果你只为一项任务训练模型的话，那么这话属实。
但是小孩都可以基于非常少的数据学习，他们利用之前学到的东西。
但更重要的是，他们利用适应和泛化的能力。
▌
这些想法还不能用于工业
▌
Q
：
这些想法会很快应用于现实世界吗？
Yoshua Bengio
：
不会。
这些都是很基础的研究问题。
我们仍处于研究阶段。
我们可以对这些想法进行 debug，转移到新的假设，但它们无法在短时间内用于工业界。
不过，对于工业界关心的两个实际问题，这项研究或许可以提供帮助。
一个问题是构建能够适应环境变化的稳健系统。
另一个问题是：
如何构建自然语言处理系统、对话系统和虚拟助手？
当前最优的深度学习系统存在的问题是：
基于海量数据训练得到，但无法真正理解所处理的语言。
Gary Marcus 等人借此表示：
「这可以证明深度学习无用。
」而像我这样的人会反驳：
「有意思，我们来解决这个难题吧。
」
▌
物理、语言和常识
▌
Q
：
聊天机器人如何才能变得更好？
Yoshua Bengio
：
最近，grounded language learning 吸引了大家的注意力。
其想法是：
AI 系统不应仅从文本中学习，还应该学习世界的运转方式以及如何用语言描述世界。
问问自己：
如果一个孩子只通过文本与世界交互，那他能够理解世界吗？
我认为很难。
这就涉及意识和无意识知识了，后者即我们知道但无法命名的东西。
直观物理即是一例。
两岁的小孩能够理解直观物理，即使他们不知道牛顿定理，也能理解重力等概念。
现在很多人尝试构建可与世界交互并发现物理学基本规律的系统。
Q
：
为什么对物理学的基本把握有助于对话？
Yoshua Bengio
：
语言的问题通常在于系统无法真正理解单词所指的复杂性。
以 Winograd Schema 挑战赛中的句子为例，要想理解它们，你必须捕捉物理知识。
有很多句子类似于「Jim wanted to put the lamp into his luggage, but it was too large.」（吉姆想把台灯放进行李箱，但台灯太大了。
）你知道如果物体太大无法放进行李箱，那么第二个小句的主语「it」一定指的是这个物体（而不是行李箱）。
