我們真的永遠(yuǎn)也理解不了人工智能嗎？

　　這似乎支持了尤辛斯基的論斷：這些面部神經(jīng)元尋找的確實(shí)是面部圖像。但還有一個(gè)問題：在生成這些圖像的過程中，該流程依賴了一種名為“自然圖像優(yōu)先”的統(tǒng)計(jì)學(xué)約束，因此其生成的圖像均會(huì)模仿真實(shí)物體照片的結(jié)構(gòu)。而當(dāng)他去除這些規(guī)則后，該工具包仍會(huì)選取被其標(biāo)記為“信度最大”的圖片，但這些圖片看上去就像電視機(jī)失去信號(hào)時(shí)的“雪花”一樣。事實(shí)上，尤辛斯基指出，AlexNet傾向于選擇的大部分圖片在人眼看來都是一片亂糟糟的“雪花”。他承認(rèn)道：“很容易弄清如何讓神經(jīng)網(wǎng)絡(luò)生成極端結(jié)果?！?/p>本文引用地址：http://m.butianyuan.cn/article/201807/389720.htm

　　圖為深度神經(jīng)網(wǎng)絡(luò)中的單個(gè)神經(jīng)元(由綠框標(biāo)出)對尤辛斯基的面部圖像做出反應(yīng)，就像人腦的某個(gè)腦區(qū)(標(biāo)為黃色)也會(huì)對面部圖像做出反應(yīng)一樣

　　為避免這些問題，弗吉尼亞理工大學(xué)電子與計(jì)算機(jī)工程助理教授杜魯夫·巴特拉采用了一種更高級(jí)的實(shí)驗(yàn)方法對深度網(wǎng)絡(luò)進(jìn)行解讀。他沒有去試圖尋找網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)的規(guī)律，而是用一種眼動(dòng)追蹤技術(shù)分析神經(jīng)網(wǎng)絡(luò)的行為。在研究生阿比謝克·達(dá)斯和哈什·阿格拉瓦爾的帶領(lǐng)下，巴特拉的團(tuán)隊(duì)向一個(gè)深度網(wǎng)絡(luò)就某張圖片提問，如房間窗戶上是否有窗簾等等。不同于AlexNet或類似系統(tǒng)，達(dá)斯的網(wǎng)絡(luò)每次只關(guān)注圖片的一小部分，然后“掃視”圖片各處，直到該網(wǎng)絡(luò)認(rèn)為已經(jīng)得到了足夠的信息、可以回答問題為止。經(jīng)過充分訓(xùn)練后，這一深度神經(jīng)網(wǎng)絡(luò)的表現(xiàn)已經(jīng)非常出色，精確度足以與人類的最高水平媲美。

　　接下來，達(dá)斯、巴特拉和同事們還想了解該網(wǎng)絡(luò)是如何做出決策的。于是他們分析了該網(wǎng)絡(luò)在圖片上選取的觀察點(diǎn)。而結(jié)果令他們大吃一驚：在回答“圖中是否有窗簾”的問題時(shí)，該網(wǎng)絡(luò)根本沒去尋找窗戶，而是先對圖片底部進(jìn)行觀察，如果發(fā)現(xiàn)了床鋪，就停下來不找了?？磥碓谟脕碛?xùn)練該網(wǎng)絡(luò)的數(shù)據(jù)集中，裝有窗簾的窗戶可能常出現(xiàn)在臥室里。

　　該方法雖然揭露了深度網(wǎng)絡(luò)的一些內(nèi)部運(yùn)行機(jī)制，但也凸顯了可解釋性帶來的挑戰(zhàn)。巴特拉指出：“機(jī)器捕捉到的并不是關(guān)于這個(gè)世界的真相，而是關(guān)于數(shù)據(jù)集的真相?！边@些機(jī)器嚴(yán)格按照訓(xùn)練數(shù)據(jù)進(jìn)行了調(diào)整，因此很難總結(jié)出它們運(yùn)作機(jī)制的普遍規(guī)則。更重要的是，你要是不懂它如何運(yùn)作，就無法預(yù)知它會(huì)如何失靈。而從巴特拉的經(jīng)驗(yàn)來看，當(dāng)它們失靈的時(shí)候，“就會(huì)輸?shù)靡粩⊥康??！?/p>

　　圖為“深度視覺化”工具包生成的“理想貓臉”。該程序先從類似電視機(jī)沒信號(hào)時(shí)的“雪花”圖像開始，對像素進(jìn)行逐個(gè)調(diào)整，直到AlexNet神經(jīng)網(wǎng)絡(luò)的面部神經(jīng)元產(chǎn)生最大響應(yīng)為止

　　尤辛斯基和巴特拉等研究人員面臨的一些障礙對人腦科學(xué)家來說也并不陌生。例如，對神經(jīng)成像的解讀就常常遭到質(zhì)疑。2014年，認(rèn)知神經(jīng)科學(xué)家瑪莎·法拉在一篇領(lǐng)域評(píng)述中寫道：“令人擔(dān)憂的是……(功能性腦部)圖像更像是研究人員的創(chuàng)造發(fā)明、而非觀察結(jié)果。”這一問題在各種智能系統(tǒng)中也屢屢出現(xiàn)，說明無論對人腦、還是對智能的研究而言，該問題都會(huì)成為一大障礙。

　　追求可解釋性是否為一項(xiàng)愚蠢之舉呢?2015年，加州大學(xué)圣地亞哥分校的扎克利·立頓發(fā)表了一篇名為《模型可解釋性的迷思》的博文，批判性地探討了解讀神經(jīng)網(wǎng)絡(luò)背后的動(dòng)機(jī)、以及為大型數(shù)據(jù)集打造可解讀的機(jī)器學(xué)習(xí)模型的價(jià)值。在2016年國際機(jī)器學(xué)習(xí)大會(huì)(ICML)上，他還向馬里奧托夫與兩名同事組織的“人類可解釋性”專題研討會(huì)提交了一篇與該話題相關(guān)的、頗具爭議性的論文。

　　立頓指出，許多學(xué)者并不贊同“可解釋性”這一概念。因此他認(rèn)為，要么是人們對可解釋性的理解還不夠，要么是它有太多可能的含義。無論是哪種情況，追求可解釋性也許都無法滿足我們對“簡單易懂的神經(jīng)網(wǎng)絡(luò)輸出”的渴求。立頓在博文中指出，當(dāng)數(shù)據(jù)集過大時(shí)，研究人員完全可以抑制去解讀的沖動(dòng)，要相信“憑借經(jīng)驗(yàn)也能成功”。他表示，該領(lǐng)域的目的之一，便是要“打造學(xué)習(xí)能力遠(yuǎn)超人類的模型”，如果太過注重可解釋性，就難以使這類模型充分發(fā)揮潛力。

　　但這種能力既是特點(diǎn)也是缺陷：如果我們不明白網(wǎng)絡(luò)輸出是如何生成的，就無從知曉該網(wǎng)絡(luò)需要何種輸入。1996年，英國蘇塞克斯大學(xué)的艾德里安·湯普森采用與如今訓(xùn)練深度網(wǎng)絡(luò)相似的技術(shù)、用軟件設(shè)計(jì)了一款電路。這一電路要執(zhí)行的任務(wù)很簡單：區(qū)分兩個(gè)音頻的音調(diào)。經(jīng)過成千上萬次調(diào)整和重排后，該軟件終于找到了一種能近乎完美地完成任務(wù)的配置。

　　但湯普森驚訝地發(fā)現(xiàn)，該電路所用元件數(shù)量比任何人類工程師的設(shè)計(jì)都要少，甚至有幾個(gè)元件根本沒有和其它元件相連。而要讓電路順利運(yùn)作，這些元件應(yīng)當(dāng)不可或缺才對。

　　于是他對電路進(jìn)行了剖析。做了幾次實(shí)驗(yàn)后，他發(fā)現(xiàn)該電路的相鄰元件間存在微弱的電磁干擾。未與電路相連的元件通過干擾鄰近電場、對整個(gè)電路造成了影響。人類工程師通常會(huì)杜絕這類干擾，因?yàn)楦蓴_的結(jié)果難以預(yù)料。果不其然，若用另一組元件復(fù)制該電路布局，甚至只是改變環(huán)境溫度，同樣的電路便會(huì)徹底失靈。

　　該電路揭露了機(jī)器訓(xùn)練的一大重要特征：它們總是盡可能緊湊簡潔，與所在環(huán)境完美相容，但往往難以適應(yīng)其它環(huán)境。它們能抓住工程師發(fā)現(xiàn)不了的規(guī)律，但不知道別處是否也有這一規(guī)律。機(jī)器學(xué)習(xí)研究人員想盡力避免這種名為“過擬合”的現(xiàn)象。但隨著應(yīng)用這些算法的情況愈發(fā)復(fù)雜多變，這一缺陷難免會(huì)暴露出來。

　　普林斯頓大學(xué)計(jì)算機(jī)科學(xué)教授桑吉夫·阿羅拉認(rèn)為，這一問題是人類追求可解釋模型的主要?jiǎng)訖C(jī)，希望有了可解釋模型后、能對網(wǎng)絡(luò)進(jìn)行干預(yù)和調(diào)整。距阿羅拉表示，有兩大問題可體現(xiàn)缺乏可解釋性對機(jī)器性能造成的硬性限制。一是“組合性”：當(dāng)一項(xiàng)任務(wù)同時(shí)涉及多項(xiàng)決策時(shí)(如圍棋或自動(dòng)駕駛汽車)，神經(jīng)網(wǎng)絡(luò)便無法高效判定是哪個(gè)決策導(dǎo)致了任務(wù)失敗?！叭祟愒谠O(shè)計(jì)某樣?xùn)|西時(shí)，會(huì)先弄清不同元件的作用，再將其組合在一起，因此能夠?qū)Σ贿m合當(dāng)前環(huán)境的元件進(jìn)行調(diào)整。”

　　二是阿羅拉所稱的“域適應(yīng)性”即將在某種情境中學(xué)到的知識(shí)靈活運(yùn)用于其它情境的能力。人類非常擅長這項(xiàng)任務(wù)，但機(jī)器則會(huì)出現(xiàn)各種離奇錯(cuò)誤。據(jù)阿羅拉描述，即使只對環(huán)境做了微調(diào)、人類調(diào)整起來不費(fèi)吹灰之力，計(jì)算機(jī)程序也會(huì)遭遇慘敗。例如，某個(gè)網(wǎng)絡(luò)經(jīng)過訓(xùn)練后、能對維基百科等正式文本的語法進(jìn)行分析，但如果換成推特這樣的口語化表達(dá)，就會(huì)變得毫無招架之力。

　　按這樣來看，可解釋性似乎不可或缺。但我們真的理解它的意思嗎?著名計(jì)算機(jī)科學(xué)家馬文·閔斯基用“手提箱詞匯”來形容這類詞匯，包括“意識(shí)”、“情緒”等用來描述人類智能的單詞。閔斯基指出，這些詞其實(shí)反映了多種多樣的內(nèi)在機(jī)制，但都被鎖在“手提箱”中。一旦我們用這些詞代替了更根本性的概念、僅對這些詞匯進(jìn)行研究，我們的思維就會(huì)被語言所局限。那么在研究智能時(shí)，“可解釋性”會(huì)不會(huì)也是這樣一個(gè)“手提箱詞匯”呢?

　　雖然很多研究人員都持樂觀態(tài)度，認(rèn)為理論學(xué)家遲早能打開這個(gè)“手提箱”、發(fā)現(xiàn)某套主宰機(jī)器學(xué)習(xí)(或許也包括人類學(xué)習(xí))的統(tǒng)一法則或原理，就像牛頓的力學(xué)原理一樣。但也有人警告稱，這種可能性微乎其微。紐約城市大學(xué)哲學(xué)教授馬西莫·皮戈里奇指出，神經(jīng)科學(xué)、乃至人工智能領(lǐng)域所謂的“理解”也許是一種“集群概念”，即可能有多個(gè)不同定義。如果該領(lǐng)域真的有“理解”之說，也許相對于物理學(xué)、會(huì)更接近進(jìn)化生物學(xué)的情況。也就是說，我們將發(fā)現(xiàn)的也許不是“基本力學(xué)原理”，而是“物種起源學(xué)說”。

　　當(dāng)然，這并不意味著深度網(wǎng)絡(luò)將預(yù)示著某種新型自主生命的出現(xiàn)。但深度網(wǎng)絡(luò)就像生命本身一樣費(fèi)解。該領(lǐng)域采用的漸進(jìn)式實(shí)驗(yàn)手段和事后解讀方式也許并不是在黑暗中苦苦等待理論之光時(shí)的絕望情緒，而是我們能夠盼來的唯一光芒?？山忉屝砸苍S會(huì)以碎片化的形式呈現(xiàn)出來，就像不同類別的“物種”一樣，采用的分類法則根據(jù)具體情境而定。

　　在國際機(jī)器學(xué)習(xí)大會(huì)的專題研討會(huì)結(jié)束時(shí)，部分發(fā)言人參加了一場討論會(huì)，試圖給“可解釋性”下一個(gè)定義。結(jié)果每個(gè)人都各執(zhí)一詞。進(jìn)行了一系列討論后，大家似乎達(dá)成了一點(diǎn)共識(shí)：一個(gè)模型要能被解釋，就要具備“簡單性”。但在簡單性的定義問題上，大家又產(chǎn)生了分歧?！白詈唵巍钡哪Ｐ途烤故侵敢蕾囎钌偬卣鞯哪Ｐ?還是程序規(guī)模最小的模型?還是有其它解釋?一直到研討會(huì)結(jié)束，大家都沒有達(dá)成共識(shí)。

　　正如馬里奧托夫說的那樣：“簡單性并不簡單?！?/p>