雖然 Google 滿懷信心地宣告，我們正處於「AI 元年」，在語音及圖像識別領域持續有新的突破，但有個語音智慧型助理並不意味著我們更接近創造真正的 AI。這些問題包含：深度學習系統所需要的大量資料、無力創造多工的AI、缺乏對這些系統運作的了解。
你要先擁有資料，才能擁有AI
（圖片來源/iStock）
我們都知道 AI 需要利用資料數據來瞭解這個世界，但我們常常忽略有多少的資料是與 AI 相關的。
Neil Lawrence，一位兼任 Amazon AI 團隊及 Sheffield 大學機器學習的教授表示，這些 AI 需要用來理解概念及辨識特徵的訊息來得比人類還要多，它們需要數十萬筆以上的資料，所有你看到有關深度學習有所成功的應用領域，都可以在這些背後看到非常龐大的資料數據。
Lawrence 認為，現在資料數據的角色就像是兩百年前工業革命當中的煤，1712年，一個叫做 Thomas Newcomen 的英國人改良了一款以煤當燃料的蒸汽機原始版本，60 年後，James Watt 才以此為基礎改良成效率更高的蒸汽機。與 Watt 的機器相比，Newcomen 還稱不上多好，既沒效率又高成本，所以只有在擁有豐富煤田的地方才能克服那種種不便。
現在世界上有許多大小企業像 Newcomen 般地操作它們的機器學習模型，那些或許是具有革命性的，但是如果沒有資料數據讓它們運作，誰會知道結果呢？大一點的科技公司，像是 Google、Facebook 以及 Microsoft，就宛如當初的礦工，它們有非常大的資料數據去支援沒什麼效率的機器學習系統，然後再想辦法改善問題，小一點的新創公司則是可能有好的想法，但他們沒有資料數據的話就無法跟進。
還有個更大的問題是，把你所關注領域的資料拿到手其實是很困難的，舉個例子，有個利用 X 光掃描人體之後的結果、辨識出腫瘤資訊的 AI，但這個 AI 背後所能使用的資料數據非常稀少，因為迫使人們生病來採集所需的相關數據是不道德的，而且關於病人個資方面的隱私權也有許多爭議。
就如同 Lawrence 所譬喻的，真正的問題不是在於用什麼方法來尋找、分類數據，而是要使我們所用的 AI 能夠在僅有少量資料數據的情況下依然運作得有效率，就如同蒸汽機的改良，而這樣子的進步可能也需要 60 年。
昆蟲才只需要做好一件事，AI必須能夠三頭六臂
（圖片來源/《I,robot》）
第二個有關於深度學習的關鍵問題是：事實上，我們現在的系統都像是很笨的專家。
Google DeepMind 研究科學家 Raia Hadsell 說，一旦 AI 經過訓練，它們能夠以不可思議的效率辨識出動物或者遊玩 Atari （早期出產過許多經典遊戲的公司）的遊戲，但「世界上還沒有一個神經網路、也還沒有方法可以訓練 AI 到能夠辨識物體及圖像、玩複雜的太空遊戲、聽音樂」（神經網路是深度學習系統的基石）。
當 Google DeepMind 去年二月發出聲明說他們建了一個可以通關 49 款 Atari 遊戲的 AI，那確實是個很大的成就，但每次它破完一個遊戲之後，系統就要再被訓練一次去破下一個遊戲，就像Hadsell 指出的，你無法讓它一次就學習所有不同遊戲的破關方法，因為各款遊戲的規則、方法都不一樣，當你換了遊戲就必須重新學習，所以AI會忘記上一款遊戲的規則。
今年六月，Hadsell 發表了一篇論文，用類神經網路的方式，將各自獨立的深度學習系統結合在一起，試著解決無法進行多工任務的難題，這樣的速度比起每次都要打掉重來還要快多了。
（圖片來源/ DeepMind / Raia Hadsell）
這是個滿有希望的作法，最新的應用是在一個機器人手臂上，學習時間從數週縮短到只需要一天，但還是有個明顯的限制，那就是隨著串在一起的系統愈來愈多，遇到模組規模太大以至於難以調校只是時間早晚的問題。
AI的思路流程
（圖片來源/AWDNews）
最後一個挑戰是，AI 如何導出問題的答案？ Virginia 理工大學有個 eye-tracking 實驗，研究員給 AI 看一間臥室的圖片，然後問 AI：「什麼東西蓋在窗戶上？」，結果 AI（的鏡頭）並不是看著窗戶，而是先看著地板，然後四處搜索，如果發現了床，AI 就會回答：是窗簾。這答案沒有錯，但嚴格來說算是恰巧矇對的。因為 AI 從以前的圖片資料學習到，如果它身處於臥室，那它就會知道蓋在窗戶上的東西是窗簾，所以 AI 會先判斷自身所處的環境：看到了床 > 瞭解身處臥室 > 窗戶上的東西就是窗簾。但我們一般所認知到的 AI 應該是會直接望向窗戶，看看有什麼東西在窗戶上，再與資料庫進行比對，做出判斷。
倫敦帝國學院的認知機器人學教授 Murray Shanahan，針對這種情況提出了一種解決方式，這是解決方式假設世界是由複雜的符號、代碼所構成，這些符號與代碼交互結合，才會產生各種行動、事件、物體等等，所以反過來說，我們腦袋中出現的想法皆可被簡化為更基本的邏輯。換言之，我們可以創造一個符號、代碼的資料庫，透過合成的方式來產生 AI 的思考。
再用更簡單點的描述就是，Shanahan 想提供一個「起點系統」來讓 AI 可以認識世界，而不是只是靠著灌輸數據來讓 AI 遵循固定的思考模式，他認為這不僅可以解決 AI 思考邏輯的問題，還可以解決 Hadsell 的多工任務問題。
深度學習一直是 AI 領域一個爹不疼、娘不愛、相當冷門的部分，直到研究員將新的技術加進為數不多的資料數據裡面，以及近年來大量運算能力不斷進步，才變得比較好一些。也許不久後，AI 領域就又會有爆炸性的進展了？
資料來源：The Verge
