作為開(kāi)創(chuàng)人工智能產(chǎn)業(yè)的核心技術(shù)，也就是卷積神經(jīng)網(wǎng)絡(luò)的創(chuàng)造者，楊立昆 (Yann LeCun) 針對(duì)整個(gè)人工智能產(chǎn)業(yè)的評(píng)論，自然也是備受關(guān)注。

他在國(guó)際固態(tài)電路會(huì)的開(kāi)幕演講中，明確的表達(dá)了他不同意英特爾對(duì)于人工智能的觀點(diǎn)，他認(rèn)為，英特爾目前所積極發(fā)展的尖峰神經(jīng)原技術(shù)目前還不實(shí)用，也缺乏可靠的算法來(lái)實(shí)現(xiàn)實(shí)際生活上的問(wèn)題。

英特爾也因此炸了鍋，其主導(dǎo)神經(jīng)計(jì)算的主管 Mike Davis 更是站出來(lái)反駁楊立昆的看法，捍衛(wèi)尖峰神經(jīng)原計(jì)算的核心價(jià)值與發(fā)展?jié)摿Α?/p>

Facebook 人工智能研究院院長(zhǎng)楊立昆在三十多年前在多倫多大學(xué)博士就學(xué)期間，創(chuàng)造了使用特定形式的機(jī)器學(xué)習(xí)，該技術(shù)稱(chēng)為卷積神經(jīng)網(wǎng)絡(luò) (CNN)，也因此，楊立昆也被稱(chēng)為卷積神經(jīng)之父。

后來(lái)?xiàng)盍⒗ハ群笤谪悹枌?shí)驗(yàn)室開(kāi)發(fā)新型態(tài)的機(jī)器學(xué)習(xí)方法，包括我們現(xiàn)在流行的圖像識(shí)別技術(shù)，隨后他加入 AT&T 實(shí)驗(yàn)室領(lǐng)導(dǎo)圖像研究部門(mén)，并曾加入 NEC 美國(guó)研究室，后來(lái)他加入紐約大學(xué)，并在 2012 年創(chuàng)建了數(shù)據(jù)科學(xué)中心，隨后他加入了 Facebook，建立人工智能研究院，并成為第一任主任。

作為開(kāi)創(chuàng)人工智能產(chǎn)業(yè)的核心技術(shù)創(chuàng)造者，楊立昆對(duì)尖峰神經(jīng)原 (spiking neurons) 的負(fù)面看法，也引了包含英特爾在內(nèi)的業(yè)界的爭(zhēng)議。

眾所周知，英特爾正積極發(fā)展所謂的尖峰神經(jīng)原技術(shù)，而該技術(shù)底層是一種更接近真正生物神經(jīng)原的一種計(jì)算模型，換言之，英特爾認(rèn)為這種技術(shù)所達(dá)成的計(jì)算才是人工智能。

英特爾神經(jīng)計(jì)算主管 Mike Davis 對(duì)楊立昆的看法表示，目前各種以反向傳播技術(shù)為基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)模型上進(jìn)行的計(jì)算，根本不能稱(chēng)為真正的深度學(xué)習(xí)，充其量只能叫做基于算法的路經(jīng)優(yōu)化，只有以真正模擬大腦神經(jīng)原運(yùn)作，才有辦法解決目前深度學(xué)習(xí)在所有人工智能應(yīng)用領(lǐng)域所遇到的問(wèn)題。

Mike Davis 在加州理工大學(xué)畢業(yè)后，曾短暫在 Fulcrum 這家 IC 設(shè)計(jì)公司待過(guò)，該公司成立于 1999 年，主打低功耗網(wǎng)絡(luò)設(shè)備芯片，該公司后來(lái)在 2011 年底被英特爾收購(gòu)，而 Mike Davis 也轉(zhuǎn)而進(jìn)入英特爾從事芯片開(kāi)發(fā)工作，后來(lái)成為英特爾的神經(jīng)計(jì)算研究室的主任。

反向傳播與尖峰神經(jīng)原之爭(zhēng)

基于反向傳播的卷積神經(jīng)深度學(xué)習(xí)方法是過(guò)去幾十年來(lái)做為人工智能的基礎(chǔ)，然而反向傳播技術(shù)并不存在于自然界的各種邏輯推演過(guò)程，實(shí)際上，它只是用來(lái)簡(jiǎn)化我們遇到的龐大數(shù)據(jù)，從中理出邏輯的一套方法。

而反向傳播這一深度學(xué)習(xí)核心技術(shù)的提出者之一，Geoffrey Hinton 很早就意識(shí)到反向傳播并不是自然界生物大腦中存在的機(jī)制，也因此，他最近也曾發(fā)出聲明，強(qiáng)調(diào)要追求真正的人工智能，就必須拋棄反向傳播，從自然規(guī)則，也就是我們的大腦中尋找真正的解法。

基于反向傳播的神經(jīng)網(wǎng)絡(luò)技術(shù)在”學(xué)習(xí)”的過(guò)程中其實(shí)會(huì)有很多限制，比如說(shuō)人腦可以在一張圖片中的文字加入噪聲后仍可輕易判讀出來(lái)，但現(xiàn)有的神經(jīng)網(wǎng)絡(luò)卻非如此，即便是同一張圖片，加入噪聲之后就必須重新學(xué)習(xí)，否則就無(wú)法判讀。

換言之，反向傳播無(wú)法理解事物的因與果，它雖然可以找出一套最優(yōu)路徑，但這不是邏輯的建立，而僅僅是死的規(guī)則。

而英特爾進(jìn)來(lái)積極發(fā)展的尖峰神經(jīng)原，也被稱(chēng)做脈沖神經(jīng)網(wǎng)絡(luò)，其實(shí)就是要仿照大腦神經(jīng)原的運(yùn)作方式，讓計(jì)算機(jī)用大腦的運(yùn)作方式來(lái)去理解事物的本質(zhì)，而不僅僅是最優(yōu)化工作。

目前的神經(jīng)網(wǎng)絡(luò)屬于第二代神經(jīng)網(wǎng)絡(luò)技術(shù)，屬于監(jiān)督式的學(xué)習(xí)方法，基于自 1970 年代就已經(jīng)發(fā)明的反向傳播技術(shù)，而尖峰神經(jīng)原則是屬于第三代技術(shù)，它不止使用了類(lèi)似生物的神經(jīng)網(wǎng)絡(luò)運(yùn)作方式，甚至也能把時(shí)間信息的影響因素同步考慮進(jìn)來(lái)，換言之，這是一個(gè)可以考慮前因后果的神經(jīng)網(wǎng)絡(luò)技術(shù)。

當(dāng)然，作為推動(dòng)近年來(lái)人工智能產(chǎn)業(yè)的重要核心技術(shù)，其實(shí)反向傳播已經(jīng)建立起非常龐大的生態(tài)價(jià)值鏈，即便它不完美，但它推動(dòng)了整個(gè)人工智能計(jì)算產(chǎn)業(yè)，其地位已經(jīng)非常穩(wěn)固，不僅性能可靠，算法生態(tài)豐富，幾乎所有的計(jì)算硬件都能支援相關(guān)算法，在未來(lái)很長(zhǎng)的時(shí)間內(nèi)都不可能被取代。

然而科學(xué)家看的往往是更長(zhǎng)遠(yuǎn)的發(fā)展，反向傳播技術(shù)的限制早就已經(jīng)被諸多研究者提出，雖然可以利用很多額外的算法來(lái)彌補(bǔ)，但無(wú)法根除這些問(wèn)題。

英特爾身為業(yè)界計(jì)算架構(gòu)的領(lǐng)導(dǎo)者，他已經(jīng)錯(cuò)失了在第二代神經(jīng)網(wǎng)路計(jì)算中的先機(jī)，也因此，轉(zhuǎn)而全力發(fā)展第三代神經(jīng)網(wǎng)絡(luò)技術(shù)，其 Loihi 技術(shù)就是該技術(shù)的結(jié)晶。

與其他傳統(tǒng)神經(jīng)網(wǎng)絡(luò)技術(shù)不同的是，Loihi 不需要龐大的數(shù)據(jù)來(lái)幫助其完成整個(gè)學(xué)習(xí)過(guò)程，理論上它可以利用環(huán)境觀察中取得的數(shù)據(jù)來(lái)自主完成整個(gè)學(xué)習(xí)過(guò)程。

當(dāng)然，英特爾這邊聲稱(chēng)這個(gè)基于第三代神經(jīng)網(wǎng)絡(luò)技術(shù)的硬件環(huán)境已經(jīng)非常完備，而且在合適的算法之下，可以達(dá)到遠(yuǎn)優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)計(jì)算架構(gòu)的效率與能耗表現(xiàn)。

不過(guò) Mike Davis 也承認(rèn)，楊立昆的某些觀點(diǎn)也是事實(shí)，那就是其第三代神經(jīng)網(wǎng)絡(luò)，也就是尖峰神經(jīng)原的硬件還缺乏許多關(guān)鍵算法的實(shí)現(xiàn)，臨門(mén)還缺了一腳，使其還無(wú)法真正為業(yè)界所用。

但 Mike Davis 強(qiáng)調(diào)，算法的完備只是時(shí)間問(wèn)題，由于尖峰神經(jīng)原技術(shù)解決了基于傳統(tǒng)反向傳播神經(jīng)網(wǎng)絡(luò)架構(gòu)的核心問(wèn)題，如果要往真正的人工智能發(fā)展，那么這就是不得不走的路，當(dāng)業(yè)界普遍認(rèn)知到反向傳播的限制所在，尖峰神經(jīng)原技術(shù)就會(huì)是答案。

世代問(wèn)題

所以從整個(gè)事件看來(lái)，其實(shí)楊立昆與 Mike Davis 之間的爭(zhēng)議就是個(gè)世代問(wèn)題，第二代神經(jīng)網(wǎng)絡(luò)技術(shù)很好的解決了目前我們生活周遭的大數(shù)據(jù)計(jì)算需求，雖然不夠智能，但夠用，而英特爾則是認(rèn)為真正的人工智能問(wèn)題無(wú)法用第二代神經(jīng)網(wǎng)絡(luò)技術(shù)來(lái)解決，必須通過(guò)第三代技術(shù)才有辦法達(dá)成。

要說(shuō)二者之間的爭(zhēng)議誰(shuí)是誰(shuí)非，其實(shí)是沒(méi)有答案的。

這種認(rèn)知上的落差其實(shí)在于現(xiàn)在與未來(lái)的認(rèn)知不同，也就是不同時(shí)期在人工智能應(yīng)用發(fā)展所需要的計(jì)算核心所需要的不同思維，就好比過(guò)去有很長(zhǎng)一段時(shí)間覺(jué)得計(jì)算就應(yīng)該是由 CPU 來(lái)完成，但后來(lái) GPU，甚至神經(jīng)網(wǎng)絡(luò)芯片加入計(jì)算的戰(zhàn)場(chǎng)，我們看到的計(jì)算生態(tài)也變得更多元化，但這并不是說(shuō) CPU 的貢獻(xiàn)就不存在，或者失去價(jià)值。

這場(chǎng)由不同世代神經(jīng)網(wǎng)絡(luò)架構(gòu)所造成的人工智能爭(zhēng)議亦是如此。