谷歌 AI 研究員 Francois Chollet 的一番言論又一次引發了人工智能領域的激烈討論：AI 領域這些年的研究其實毫無進展？！

AI 領域這些年的研究其實毫無進展？！

谷歌 AI 研究員 Francois Chollet 的一番言論又一次引發了人工智能領域的激烈討論。

Francois Chollet 是深度學習框架 “Keras” 的作者，也是 AI 圈最熱衷于活躍在社交網絡的科學家之一。

近期他發表了一條推文，稱 “最近讀了不少 1950 年到 2010 年 AI 相關的老論文。有意思的是，很多東西都沒過時，基本問題并沒變，也沒有得出確切的答案。”

隨后他又補充道：“雖然解決方案不斷推陳出新，但就其根本局限性而言，今天跟 1997 年甚至是 1973 年相比，并沒什么大的變化。”

此言一出，便又引發了國內外學者的廣泛討論和共鳴。

清華大學計算機系教授馬少平和劉知遠表達了一致的觀點。@馬少平 THU “非常贊同，AI 的很多問題并沒有解決。”

知名互聯網資訊博主 @ 愛可可 - 愛生活也對此給出了自己的解讀，他認為 Francois Chollet 的這番話并不是說 AI 藥丸，更不是說這幾代 AI 人太水。

“相反，雖然根本局限遠未解決，但 AI 相關技術應用的廣度、深度都有了長足進步，前景一片光明；另一方面，小步快跑、修修補補的積累式 “量變”，解決不了現有技術框架的本質問題，就像蒸汽機技術從誕生到不斷進步、完善掀起偉大的工業變革，但其根本問題還需要新能源這樣的新思路解決一樣，當代 AI 研究者，不必拘泥于現有技術框架，應該多多思考基本問題，勇于探索新思路，爭取早日達成 AI 技術質的飛躍。”

他隨后也進一步表示 “站在歷史高度看技術發展，才能明大局、少俯仰、不糾結，穩步前行”

對此，你的看法呢？

Fran?oisChollet 的那些網紅語錄

其實這已經不是 Fran?ois Chollet 第一次語出驚人，此前他也發表過很多關于人工智能領域的看法，圖靈君將其做了整理，供大家參考、思考。

“記住一點很重要，人工智能的最新進展都是在解決特定任務，而不是開發更通用的能力（如通用智能）。對這些任務的解決，并沒體現出人類解決它們時用到的能力。在 “能執行一項任務” 和 “擁有一項能力” 之間，存在關鍵差別 —— 特別是泛化能力（無需進一步人工干預的情況下能夠執行所有相關類型任務）和開放性（找出需要處理的新任務）—— 認為 “我用智力完成了 X（例如乘法和加法），因此，要是開發出一臺能完成 X（例如乘法和加法）的機器，就表示它具有相同的智力。” ，這是一種非常擬人化的認知謬誤。穿過玉米地的小道兒，和道路建設公司干的事，完全不可同日而語。”

“AI 難題不僅是計算機科學問題，更是數學、認知科學和哲學問題。”

“我們都很清楚這樣一個事實：在線內容的可信度，往往與 “嘩眾” 程度成反比。標題黨往往不可信；謊言可以完全無視事實約束、無限優化到讓人欲罷不能。眾包內容平臺對 “吸睛”(參與) 的商業模式 (對 “頭條” 內容大力推廣、擴散、加強) 的依賴，直接損害了其信息的總體可信度。另一方面，依賴于提供 * 有用 * 信息 (如搜索) 的商業模式，往往會偏向于提供更可靠的信息。”

“看到深度學習能干這能干那，就認為 “是時候進軍通用智能 (AGI) 了”，基本上等同于看了些魔術，就想 “哇，魔術是真的！是時候弄個魔術公司，用魔法創造無限價值”。魔術，和所有成功的深度學習方案一樣，本質都是工程：只做一件事，在特定環境下，通過努力不斷完善。永遠沒有免費的午餐。”

“成千上萬的深度學習論文，講的其實是 “將特定任務的先驗，硬編碼進神經網絡結構，相比缺少先驗的情況，會更有效”，寫出來往往是 “網絡結構 XYZ 為 [通用任務類別] 提供了更優異的性能”。用更多、更高質量的數據進行訓練，或在結構或預處理過程中注入任務信息，幾乎總是能 “換” 來更好的性能。然而，這并不代表所采用技術真正的泛化能力 (而這才是唯一的關鍵)。其實，很大一部分論文，都可以寫成：“通過將更多任務信息注入到訓練過程，我們在該特定任務上取得了更好的表現”。一個極端例子，是在樣本符合特定 “模板” 的合成數據集 (如 BABI) 上，手動將模板硬編碼到神經網絡結構中。可以想見，當擬合目標就是解決方案模板時，用梯度下降擬合參數化模型，就能達到最佳效果。顯然，卷積網絡就是如此 (其假設可推廣到所有可視化數據，所以確實有效)”

“你不必全知全能，也不必各種 “正統” 背景加身 —— 有當然更好，甚至不必讀博。只有一點是必要的：不斷學習。保持好奇、堅持閱讀，別因為太忙而 “顧不上” 學習，更別因為無知而狂妄自大。”

“工程師 (或研究人員) 用 X 解決 Y 時，九成是覺得 “對 X 有點了解”，而不是 “講道理，這種場景用 X 解決是合適的”。

Derek Wise：至少對研究，還有第三種可能性，就是你真的了解且熱愛 X 技術，因此到處找可能是 X 的好應用的問題，Y 是看似相當不錯的一個。(當然，并不意味著 X 是 Y 的 * 最佳 * 方案) ”