人工智能Podcast听后感

我最近时常听AI Podcast，通常是在驾车的时候听，有时候听到非常有洞见的见解，奈何手握驾驶盘无法笔录；有时侯汽车高速行驶时，由于公路还有汽车引擎噪音的干扰，我无法听清楚所有的Podcast内容。但我隐约记得几个关键点：

（1）精辟的人工智能的运算结论，通常反映优秀开发人类专长的智慧结晶。人工智能能带来优化和自动化是一回事 ，但人工智能建模培训和周边系统开发期间，实实在在的以人手标注数据、以人力和脑力反复修正数据和算法，都是纯手工艺，没有太多自动化的捷径。

（2）通常只是一个科技取得重大突破，人工智能系统的开发未必就会马上取得飞速的进展。因为一方面的breakthrough反而会凸显其他层面为bottleneck。也许所有必备科技齐头并进，才能达到人们希冀的科技一日千里的成效。

（3）人工神经网络技术（深度学习和机器学习）当然可以应用在任何你想要试用的领域，或想要解决的问题。只是若这个技术被应用在人手编程于几个小时或几天内就可以轻易解决的场景，你却需要大费周章收集数据、编写算法、培训建模，然后AB testing ，那是十分不具经济效益的。

（4）倚赖超强硬件的强大运算效能“发迹”的深度学习（人工神经网络），是蛮力算法吗（Brute Force Computation）？

论者的意见是：深度学习在运用大数据来培训建模的阶段可以算是Brute Force Computation。但在投入操作后则不是。

人工神经网络的培训好比Brute Force computation，倚赖GPU等超强处理器来运算数据。

但完成Training而投入实际操作的Neural Network，则不是。而是像Given Search Space, Then Produce Certain Outcome。可以说是以precalculated computation来处理所输入的数据然后输出结论。

（5）人类大脑靠遗忘旧记忆来维持持续吸收新资讯、新知识和新经验的能力，人工神经网络所经历的Catastrophic Forgetting（灾难性遗忘）以及Transfer Learning（转移学习），也许也是相同的原理。Catastrophic Forgetting是，当一个人工神经网络先后用来培训处理两个任务，当它完成第二个任务的培训后，它会对先前培训的第一个任务生疏。

（6）让人工智能具备人一般的意识（consciousness）是许多科研人员的目标。其中一个是否具备意识的指标是情绪。情绪是意识的一种反应，但吊诡的是，我们应该不太想要和喜怒难测的人工智能系统共事吧？