包括谷歌在内的许多公司都信誓旦旦地宣称，我们正生活在一个“以AI为先的时代”，机器学习也在语音和图像识别等领域取得了突破，但是身在AI研究最前沿的人经常指出，人类在这方面仍有大量工作要做。仅仅因为我们拥有了听上去像
电影中会说话的虚拟助手，并不意味着我们距离创造真正的人工智能更近一步。
我们在人工智能研究领域还面临着诸多挑战，比如需要海量数据来支持深度学习系统；我们还不能打造出不止擅长一项任务的AI；我们对这些系统的工作原理缺乏认识。2016年，机器学习创造了一系列极为出色的工具，但这些工具难以具体解释，训练费用高昂，即便对创造者来说，它们往往也像是谜一般的存在。下面就让我们来详细阐述一下我们在人工智能领域面临的三大挑战。
数据、数据，还是数据
众所周知，人工智能需要数据来了解世界，但我们往往会忽视数据多少的重要性。英国谢菲尔德大学机器学习教授、亚马逊人工智能团队成员尼尔·劳伦斯（Neil Lawrence）指出，若想理解概念或识别某项功能，这些系统不仅需要比人类更多的信息，而且需要的信息数量更是多出人类数十万倍。
劳伦斯说：“如果你看一看深度学习在哪些领域的
应用取得了成功，那么会发现这些往往是我们需要大量数据的领域。”例如，在语音和图像识别领域，谷歌和Facebook等科技巨头都拥有海量数据（如安卓设备上的语音搜索），令他们可以轻松开发有用的工具。
劳伦斯称，当前，数据就像是工业革命早期的煤炭。他还以汤玛斯·纽科门（Thomas Newcomen）为例来说明这一点。纽科门是英国人，在1712年发明了以煤为燃料的原始蒸汽机，比詹姆斯·瓦特（James Watt）发明先进蒸汽机早了大概60年。纽科门发明的蒸汽机并不太好，相比瓦特蒸汽机，效率低，费用高。这意味着，它只能在煤田使用——煤田有足够多的燃料来克服蒸汽机的诸多不利条件。
Facebook开源的图像识别工具
劳伦斯表示，如今世界各地存在着数百个“纽科门”，他们正在开发自己的机器学习工具。这些工具可能具有革命性，但没有数据来支撑它们，所以我们将永远无法知道结果如何。谷歌、Facebook和微软等科技巨头就好像是今天的“煤矿”。他们拥有丰富的数据，也有经济能力来运行效率不高的机器学习系统并加以改善。
规模更小的创业公司可能有不错的创意，但如果没有数据支撑，他们就无力跟进科技巨头在这个领域的动作。如果看一看你难以获得数据的其他领域，会发现问题甚至更严重。以医疗保健为例，人工智能正被用于机器视觉任务，如识别X光片中的肿瘤，但这个领域的数字化数据却很少。
正如劳伦斯所指出的，问题的棘手之处就在于，“迫使人们不厌其烦地去获取数据，被普遍认为是不道德的事情”。劳伦斯表示，这里的问题不是寻找分发数据的途径，而是如何让深度学习系统变得更高效，可以在数据更少的情况下使用。就如同瓦特蒸汽机相比纽科门蒸汽机有了巨大突破一样，人工智能的研究若想取得突破，可能也需要60年。
需要具备多任务处理能力
深度学习面临的另一个重大挑战是，当前所有的AI系统基本上就是“纸上谈兵”。据谷歌DeepMind研究小组科学家拉伊亚·哈德塞尔（Raia Hadsell）介绍，一旦经过训练，它们可以极为高效地应对一些任务，比如识别猫咪或是玩Atari游戏，但是，“目前世界上没有神经网络或任何方法在经过训练后，可以识别物体和图像，玩《太空侵略者》游戏，听音乐。”神经网络（Neural network）是深度系统系统的基本组成部分。
实际上，问题比实际情况还严重。谷歌DeepMind团队去年2月份宣布，它已经开发了一种能在49个游戏中胜出的系统，虽然这肯定是巨大的科学成就，但每次击败某款游戏，该系统都需要再次进行训练，以便在下一次的较量中胜出。正如哈德塞尔所指出的，你不能同时试着学会所有不同的游戏，因为不同游戏的规则会相互干扰。你可以一次学习一个游戏规则，但最终会忘了前几个游戏的规则。“若想实现通用型人工智能，我们就需要一种能学会多任务处理的东西，”哈德塞尔说，“但是，我们现在甚至不能掌握多个游戏规则。”
解决这一问题就需要一种称为“渐进神经网络”（progressive neural network）的东西——这意味着要将不同深度学习系统连接起来，令其可以传递某些信息片段。今年6月份，哈德塞尔的团队就这一话题发表了一篇论文，称他们开发的渐进神经网络可以适应规则略有不同的多款《Pong》游戏，而且适应的速度远超正常的神经网络——后者必须从零开始了解每个游戏的规则。
渐进神经网络的基本结构
这是一种颇具前景的方法，在最新实验中，它甚至可以应用于机械臂——将机械臂的学习过程从过去的几周，缩短为现在的一天。然而，这种方法也存在诸多严重的短板，哈德塞尔称渐进神经网络不能持续地在“记忆”中增加新任务。她说，如果你将几条铁链子连在一起，那么整条链子迟早“变得过于庞大，难以驾驭”。到那个时候，我们正在管理的不同任务基本上都是相同的——打造一种智力相当于人类的系统，可以写诗、解决微分方程、设计椅子，这种系统也将成为与众不同的东西。
缺乏对AI内部机制的了解
另一个重大挑战是，理解人工智能如何得出它们的结论。对于外行人来说，神经系统通常是谜一般的存在。虽然我们了解了如何将它们连接起来的办法，也了解了经过这些系统的信息，但这些系统为何会作出某些决定，原因往往是我们难以理解的。
弗吉尼亚理工学院的一次实验，就充分展现了这一挑战。研究人员给神经网络开发了一种眼部追踪系统，将计算机最先看到的像素记录下来。研究人员将一张卧室的神经网络照片拿给该系统看，然后问：“盖住窗户的是什么东西？”他们发现，该系统并没有看窗户，而是朝地上看了看。
接着，如果发现了一张床，它会回答“窗帘盖住了窗户”。该系统碰巧给出了正确答案，但这只是因为它接受训练时的数据有限。根据研究人员向它展示的照片，神经网络得出了这样的一个结论，即如果是在卧室中，那么窗户上一定要窗帘。所以，只要看到床，该系统就不会再看第二眼了——它已经看到过窗帘了。当然，这合乎逻辑，但却是很愚蠢的做法。许多卧室根本就没有窗帘！
眼部追踪只是一个揭示AI内部机制的方法，另一个方法可能是给深度学习系统注入更多的连贯性。伦敦大学帝国理工学院认知
机器人科学教授莫里·沙纳汉（Murray Shanahan）表示，实现这一目的的途径是，重新采用一种名为“有效的老式人工智能”（ GOFAI）的传统机器学习方法。这种方法是基于一个假想提出的，即脑海中发生的东西可以缩减为基本的逻辑，让世界由众多复杂的符号来定义。通过将这些表示动作、事件和物体的符号结合起来，你基本上可以形成自己的看法。
沙纳汉建议，我们应该吸取GOFAI的符号描述方法，然后与深度学习结合起来。这些系统将成为人工智能系统了解世界的一个起点，而不是不断提供数据，等待其识别某些图像。他说，这种办法不仅可以解决AI的透明度问题，而且还能解决哈德塞尔提出的转移学习成果的问题。
沙纳汉说：“可以这样说，《Breakout》类似于《Pong》，因为它们都得到了桨和球，但堪比人类的认知能力将它们以更大的规模连接起来，就像是原子结构和太阳系结构之间的连接一样。”沙纳汉及其团队正在开发一种新的方法（他们称之为“深度符号增强学习法”），并且公布了一些实验成果。
这项研究目前仍然处于初级阶段，发现它是否可以应用于更大的系统和不同类型的数据，将更加具有说服力。但是，它很有可能会演变为更多的东西。毕竟，在研究人员近年来开始挖掘廉价数据和大量处理能力之前，深度学习本身就是AI当中一个不受垂青的部分。也许，现在到了AI迎来再一次爆发，在新环境下大展身手的时候了。
