Andrej Karpathy 知道和人工智能比賽時的感受。

他第一次和人工智能正面對抗是在 2011 年。當時斯坦福大學的一群研究人員剛剛制造出全世界效果最好的圖像識別軟件，而他想看看自己的大腦與他們的數(shù)字造物在進行標準圖像識別測試時有多大優(yōu)勢。

斯坦福大學的軟件分析了一個由近 5 萬張圖片組成的圖片庫，將每一張圖片歸為十類中的一類，如“狗”,“馬”和“卡車”等。軟件當時的識別準確度大約為 80%。Karpathy 進行了同樣的測試，以 94% 的準確度完敗人工智能。Karpathy是斯坦福大學的研究生，他以為在很長一段時間內(nèi)，人類都能這類測試中勝過機器。Karpathy 在一篇提及人工智能算法的博文中說道：

“人工智能算法的準確度很難超過 80%，不過我猜還是可以將準確度提高到 85% 至 90%?！?/p>

但他錯了。

去年，Google研究人員搭建了一個系統(tǒng)，在更復雜的ImageNet圖像識別測試中達到93.4% 的準確度。Karpathy 與斯坦福大學的一些同事一道，又與這一系統(tǒng)進行了正面對抗。不過這次，他們的準確度在一開始只達到了 85%。

2011 年的測試并不能與 ImageNet 相提并論，但重要的是：人類在 2011 年能輕易地打敗人工智能軟件；現(xiàn)在卻不行了。絕對沒有希望獲勝。

這個故事可以延伸很遠，從Google到 Facebook，從 IBM 到百度，到處洋溢著對目前人工智能的興奮之情。這些巨頭都在一個名為深度學習的新興領(lǐng)域投入巨資，深度學習是按照大腦積累知識的方式進行建模。自 2013 年以來，ImageNet 競賽的冠軍都是深度學習算法，而且其在語音識別、視頻識別乃至金融分析中都有驚人表現(xiàn)。

加州大學伯克利分校教授、人工智能專家 Stuart Russell 表示，這讓人工智能領(lǐng)域為之震動，因為以前人們長期認為不可能被計算機解決的問題突然被計算機解決了。

換言之，計算機還有很多東西要學。

人工智能訓練營

Karpathy 及其同事被Google的系統(tǒng)完虐的原因之一是，ImageNet 處理狗等事物的方式。在 Karpathy 參加 2011 年的測試時，只有一個狗的類別。但在 2014 年，ImageNet需要你分辨出 200 種狗。

也就是說，Karpathy 必須知道羅得西亞脊背犬和匈牙利獵犬（這都什么狗...）之間的區(qū)別。

“當我看到所有這些狗的照片時，我的感覺是‘噢，不！在機器認出這張圖片時，我還在忙著確認這只狗的品種’?！?/p>

因此，Karpathy 參加了自己制作的人工智能訓練營，在這一過程中成了鑒定狗品種的小權(quán)威。兩周后，在經(jīng)過 50 個小時隨機點擊圖片的培訓和測試后，他贏了機器。Karpathy 在測試中的準確度達到了 94.9%，比Google的軟件高 1.7%。

人類又勝利了一次，不過勝得并不輕松。Karpathy 表示道：

“比賽讓我有點精疲力竭，但我覺得知道人類的準確度很重要?！?/p>

抽象思維

與此同時，Karpathy 及其同事希望人工智能可以提高。他們正在研究如何消除人工智能系統(tǒng)中的缺陷，在試圖了解計算機的性能能否達到人類水平的同時，也在嘗試分析它們的錯誤。

在測試時，如果出現(xiàn)抽象圖片，Karpathy 基本上都能打敗機器。比如，人類能立刻判斷出一張圖片上是不是描繪了弓。Karpathy 還能認出鹽罐上的“salt shaker”字樣，明白看到的東西，而計算機不是很擅長處理抽象事物。

計算機也不擅長識別 3D 圖像。計算機也許能識別杰克羅素梗犬，但要測算其大小，或者弄清楚它與同一房間中其他物體的相對位置，就是另一碼事了。這也是Google所夢寐以求解決的問題之一，他們希望計算機能像人類一樣識別圖片中的深度和微妙之處。

下一次，人類還能戰(zhàn)勝人工智能嗎？

via wired

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。