0
| 本文作者： 岑大師 | 2017-11-19 11:21 |
雷鋒網(wǎng)按：近日，UC Berkeley電氣工程與計(jì)算機(jī)科學(xué)系（EECS）14位專家聯(lián)合發(fā)布了一份名為《A Berkeley View of Systems Challenges for AI》的報(bào)告。這是繼去年斯坦福的“AI 100”項(xiàng)目發(fā)布《Artificial Intelligence and life in 2030》（2030年的人工智能與生活）報(bào)告后，又一家殿堂級的大學(xué)對于人工智能未來的思考。
雷鋒網(wǎng)發(fā)現(xiàn)，相比起斯坦福的報(bào)告，伯克利的報(bào)告更偏重可執(zhí)行性，在報(bào)告中伯克利從自己的優(yōu)勢學(xué)科出發(fā)（伯克利計(jì)算機(jī)系統(tǒng)全美排行第一）明確提出，下一代人工智能系統(tǒng)的問題需要通過體系結(jié)構(gòu)、軟件和算法的協(xié)同創(chuàng)新來實(shí)現(xiàn)，而伯克利也將在從所面臨的四大趨勢和九大挑戰(zhàn)/機(jī)會(huì)出發(fā)，來解決這些問題。
作者：Ion Stoica, Dawn Song, Raluca Ada Popa, David A. Patterson, Michael W. Mahoney, Randy H. Katz, Anthony D. Joseph, Michael Jordan, Joseph M. Hellerstein, Joseph Gonzalez, Ken Goldberg, Ali Ghodsi, David E. Culler and Pieter Abbeel.
以下是雷鋒網(wǎng)的摘錄，完整報(bào)告可通過下面的地址進(jìn)行閱讀：http://www2.eecs.berkeley.edu/Pubs/TechRpts/2017/EECS-2017-159.pdf
隨著計(jì)算機(jī)視覺，語音識別和機(jī)器翻譯系統(tǒng)日益商品化，以及數(shù)字廣告和智能基礎(chǔ)設(shè)施等基于學(xué)習(xí)的后端技術(shù)的廣泛部署，AI（人工智能）已經(jīng)從研究實(shí)驗(yàn)室轉(zhuǎn)向生產(chǎn)。前所未有的數(shù)據(jù)和計(jì)算水平，機(jī)器學(xué)習(xí)方法的進(jìn)步，系統(tǒng)軟件和體系結(jié)構(gòu)的創(chuàng)新，以及這些技術(shù)的廣泛可用性使這些變化成為可能。
下一代AI系統(tǒng)有望加速這些發(fā)展，并通過頻繁的交互和代表我們（通常是任務(wù)關(guān)鍵型）的決定（通常在高度個(gè)性化的環(huán)境中）來加速這些發(fā)展并對我們的生活產(chǎn)生越來越大的影響。然而，實(shí)現(xiàn)這一承諾會(huì)帶來令人生畏的挑戰(zhàn)。特別是，我們需要人工智能系統(tǒng)，能夠在不可預(yù)測的環(huán)境中做出及時(shí)、安全的決策，這對復(fù)雜的對手來說是強(qiáng)大的，并且可以在不影響機(jī)密性的情況下處理越來越多的組織和個(gè)人的數(shù)據(jù)。這些挑戰(zhàn)將因摩爾定律的結(jié)束而加劇，這將限制這些技術(shù)可以存儲和處理的數(shù)據(jù)量。在本文中，我們提出了幾個(gè)開放的系統(tǒng)，架構(gòu)和安全研究方向，可以解決這些挑戰(zhàn)，并有助于解開AI改善生活和社會(huì)的潛力。
關(guān)鍵詞：AI，Machine Learning，Systems，Security
自從上個(gè)世紀(jì)60年代，模擬人類智能的構(gòu)想被提出以來，人工智能已經(jīng)演化成為一種被廣泛應(yīng)用的工程技術(shù)，它利用算法和數(shù)據(jù)，解決包括模式識別、學(xué)習(xí)、決策等廣泛的問題，人工智能越來越多地與其他工程和科學(xué)相交叉，成為跨計(jì)算領(lǐng)域的一門技術(shù)。
尤其在計(jì)算機(jī)系統(tǒng)這一近年來推動(dòng)了人工智能技術(shù)的發(fā)展的領(lǐng)域，并行硬件和高擴(kuò)展性軟件系統(tǒng)促進(jìn)了機(jī)器學(xué)習(xí)框架和算法的發(fā)展，使人工智能可以處理大規(guī)模的真實(shí)世界問題。存儲設(shè)備成本的降低、眾包技術(shù)、移動(dòng)APP、物聯(lián)網(wǎng)以及競爭性數(shù)據(jù)的優(yōu)勢促進(jìn)了數(shù)據(jù)處理系統(tǒng)和人工智能技術(shù)的進(jìn)一步發(fā)展。這帶來的影響是：基于人工智能的解決方案已經(jīng)接近甚至超過了人類，成熟的人工智能技術(shù)不僅為網(wǎng)絡(luò)搜索、高速交易和電子商務(wù)等現(xiàn)有行業(yè)提供支持，還大大促進(jìn)了物聯(lián)網(wǎng)、增強(qiáng)現(xiàn)實(shí)、生物技術(shù)、自動(dòng)駕駛等新興產(chǎn)業(yè)的發(fā)展。
這些應(yīng)用，如無人機(jī)、機(jī)器人手術(shù)、醫(yī)療診斷和治療、虛擬助手等，都需要人工智能系統(tǒng)與真實(shí)世界進(jìn)行交互來決策。由于現(xiàn)實(shí)世界在不斷變化，有時(shí)后這種變化出人意料，這些應(yīng)用需要支持持續(xù)學(xué)習(xí)或終身學(xué)習(xí)、以及永動(dòng)學(xué)習(xí)。終身學(xué)習(xí)系統(tǒng)旨在通過高效地轉(zhuǎn)移和利用已有知識來解決多種任務(wù)，同時(shí)最大程度降低突發(fā)性遺忘問題，而永動(dòng)學(xué)習(xí)每次迭代關(guān)注一組任務(wù)，這個(gè)任務(wù)的邊界不斷變大，并在不斷迭代中逐步提高處理問題的質(zhì)量。
為了滿足以上這些需求，我們面臨著諸多艱巨的挑戰(zhàn)，例如：如何積極探索動(dòng)態(tài)變化的環(huán)境、如何在存在噪音和未預(yù)見的輸入情況下做出安全和魯棒性的決策、如何使得決策可解釋、如何設(shè)計(jì)新的簡化應(yīng)用系統(tǒng)構(gòu)建得模塊化架構(gòu)，等等。此外，由于摩爾定律的終結(jié)，人們不能再寄希望于計(jì)算和存儲能力的倍增來解決下一代人工智能系統(tǒng)的問題。
解決這些難題需要架構(gòu)、軟件和算法的協(xié)同創(chuàng)新。本文并不討論特定的人工智能算法和技術(shù)，而是分析系統(tǒng)方面的研究對人工智能技術(shù)發(fā)展的重要性，提出若干有意義的系統(tǒng)方面的研究方向。
在過去的二十年中，人工智能的進(jìn)步可用“完美風(fēng)暴”來形容。有三個(gè)原因?qū)е铝巳斯ぶ悄艿倪M(jìn)步：1）大數(shù)據(jù)，2）高擴(kuò)展性的計(jì)算機(jī)和軟件系統(tǒng)，3）上述技術(shù)的廣泛應(yīng)用。這些趨勢使得人工智能的核心算法和體系結(jié)構(gòu)，如深度學(xué)習(xí)、貝葉斯推理得以在空前的規(guī)模和領(lǐng)域進(jìn)行問題的探索。
人工智能已經(jīng)開始改變了許多應(yīng)用領(lǐng)域。展望未來，我們預(yù)計(jì)人工智能將更廣泛地推動(dòng)更多領(lǐng)域的發(fā)展，包括：醫(yī)療保健、交通、制造、國防、娛樂、能源、農(nóng)業(yè)、銷售等。大規(guī)模系統(tǒng)和機(jī)器學(xué)習(xí)框架已經(jīng)幫助在人工智能的發(fā)展中取得了舉足輕重的作用，我們預(yù)計(jì)計(jì)算機(jī)系統(tǒng)將可以更進(jìn)一步地廣泛促進(jìn)人工智能的發(fā)展，為實(shí)現(xiàn)這一目標(biāo)，我們需要考慮如下幾個(gè)人工智能發(fā)展的趨勢：
關(guān)鍵性任務(wù)的人工智能。挑戰(zhàn)：設(shè)計(jì)一個(gè)通過動(dòng)態(tài)環(huán)境交互來持續(xù)學(xué)習(xí)、同時(shí)做出及時(shí)決策的、穩(wěn)定、安全的人工智能系統(tǒng)。
個(gè)性化人工智能。挑戰(zhàn)：設(shè)計(jì)一個(gè)可以實(shí)現(xiàn)個(gè)性化應(yīng)用程序和服務(wù)、但不會(huì)影響用戶的隱私和安全的人工智能系統(tǒng)。
跨組織結(jié)構(gòu)的人工智能。挑戰(zhàn)：設(shè)計(jì)一個(gè)可以訓(xùn)練不同組織擁有的數(shù)據(jù)集、而不會(huì)影響其保密性，在這個(gè)過程中提供跨越組織結(jié)構(gòu)界線的人工智能系統(tǒng)。
滿足后摩爾定律需求的人工智能。挑戰(zhàn)：開發(fā)以滿足摩爾定律時(shí)代后期AI應(yīng)用的性能需求的特定領(lǐng)域架構(gòu)和軟件系統(tǒng)，包括：用于AI工作負(fù)載的定制芯片、在邊界有效處理數(shù)據(jù)的邊界云系統(tǒng)、以及抽象和抽樣數(shù)據(jù)的對應(yīng)技術(shù)。
上述四大趨勢和挑戰(zhàn)又可以細(xì)分為在研究領(lǐng)域的九個(gè)挑戰(zhàn)或機(jī)會(huì)，也標(biāo)明了在我們眼中未來人工智能的九大研究方向。下圖表示了這四大趨勢和九大研究方向的對應(yīng)關(guān)系。
這九個(gè)研究方向包括：
持續(xù)學(xué)習(xí)（Continual learning）
魯棒決策（Robust decisions）
可解讀的決策（Explainable decisions）
安全飛地（Secure enclaves）
對抗學(xué)習(xí)（Adversarial learning）
在保密數(shù)據(jù)上共享學(xué)習(xí)（Shared learning on confidential data）
為特定領(lǐng)域定制的硬件（Domain specific hardware）
組件化的AI系統(tǒng)（Composable AI systems）
跨云端和邊界的系統(tǒng)（Cloud-edge systems）
人工智能在過去十年中取得了驚人的進(jìn)步，并從實(shí)驗(yàn)室研究成功轉(zhuǎn)化可以取代之前的大量人力和監(jiān)督的商業(yè)應(yīng)用。人工智能系統(tǒng)和機(jī)器人不僅取代了部分人類工作，而且有望挖掘人類潛力、促進(jìn)新形式合作。
為了讓人工智能更好地服務(wù)我們，要克服許多艱巨的挑戰(zhàn)，當(dāng)中不少挑戰(zhàn)與系統(tǒng)和基礎(chǔ)設(shè)施有關(guān)。這些挑戰(zhàn)源于讓人工智能更快、更安全、更易于解讀的決策、確保這些決策在對抗多種攻擊類型的學(xué)習(xí)過程中得到準(zhǔn)確的結(jié)果，在摩爾定律終結(jié)的前提下不斷提高計(jì)算能力，以及構(gòu)建易于集成到現(xiàn)有應(yīng)用程序中的系統(tǒng)，并且具有跨越云端和邊界的處理能力。
本文總結(jié)了幾個(gè)開放性的系統(tǒng)、架構(gòu)和安全方面的研究課題。我們希望這些問題能夠啟發(fā)新的研究來推動(dòng)人工智能的發(fā)展，使其計(jì)算能力更強(qiáng)，具有可解釋性、安全性和可靠性。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
