译者 | 晶颜
审校 | 重楼
量子计算、神经形态芯片和其他技术正悄悄地将机器学习推向深不可测的新高度。
机器学习在短时间内取得了长足进步，似乎每天我们都会听到有关人工智能（AI）能力的新突破。但即使有这么多炒作，一些改变游戏规则的进步最初却往往被忽视。
无论是在国际象棋和围棋上战胜人类大师，创作新的视频游戏配乐，还是在诊断癌症方面击败医生，人工智能显然已经不再只是科学幻想。但即便如此，我们实际上也只是触及了各种可能性的“冰山一角”。
机器学习在数据、计算能力、可解释性等方面仍然面临一些基本限制。但这正是这些新兴创新让人们如此兴奋的原因。它们可以打破现有的限制，为人工智能开辟一个我们今天几乎无法想象的新应用世界。
在探索这个新世界之前，让我们先回顾一下机器学习。
机器学习的演进
机器学习一夜成名。第一个神经网络出现在1958年！但是，当研究人员意识到残酷的数据和计算需求时，早期的乐观情绪很快就消失了。
这些原始的“感知机”（Perceptrons）在能力上很快就遇到了瓶颈。快进到80年代，由于有了更先进的模型，人们的兴趣又开始回升。但在学术界之外，机器学习仍然是相当小众的领域。此时，它对大多数企业来说还不是很方便或有用。
云计算，像TensorFlow这样的开源框架，以及由网络释放的大量数据集，都完全改变了游戏规则。当你把它与功能强大的现代硬件结合起来时，机器学习终于在2010年代实现了腾飞。尽管如此，今天的机器学习仍有明显的缺陷：算法吸收了大量的数据，但提供了很少的透明度。
它们需要艰辛的人类工程，而且在狭义的任务范围之外，表现是脆弱的。虽然视觉和语音识别继续快速发展，但像情商、社交技能和抽象推理等领域仍然严重缺乏。即使是在新环境中的导航也能难倒今天的机器人！显然，我们需要的不仅仅是渐进式的进步来推动人工智能进入下一个阶段。我们需要量子飞跃——完全不同的技术将我们“弹射”至未来。
量子机器学习：一场恐怖的革命？
好了，是时候来点科幻了。当提及“量子机器学习”（Quantum Machine Learning）时，你的脑海中可能会浮现《黑客帝国》中的幽灵图像。但是这里的“量子”究竟是什么意思呢？简而言之，量子计算机利用奇异的物理现象（如纠缠和叠加），以即使是最强大的超级计算机也无法触及的方式处理信息。
这里就不赘述“量子力学”的概念了，但关键的思想是量子计算机并不局限于二进制位，它可以并行地探索广阔的可能性空间。“探索可能性”，这听起来跟机器学习的理念不谋而合！这正是量子计算能让机器学习研究人员如此兴奋的原因。
对于量子计算机来说，某些阻碍传统硬件的优化问题变得轻而易举。利用量子效应，像格罗弗搜索（Grover Search）和量子退火（Quantum Annealing，一种利用量子隧穿效应寻找全局最优解的技术）这样的算法可以比经典方法更快地发现隐藏在巨大数据集中的模式。
制药研究人员已经在实际药物数据上使用量子算法来分析分子间的相互作用。这一结果无疑是令人兴奋的。展望未来，量子人工智能还将为医学生产出全新的化合物，或者谱写出我们从未听过的永恒旋律。
当然，量子计算仍处于萌芽阶段。我们还需要几年的时间才能获得足够稳定的量子比特来运行先进的人工智能应用程序。当然，也不是所有的机器学习技术都能完美地转化为量子平台。但如果我们克服了工程上的障碍，量子人工智能可以以惊人的速度和准确性承担从疾病诊断到天气预报的任何事情。
神经形态计算：芯片能模拟大脑吗？
现在，我们来看一种不那么令人费解但同样具有变革意义的技术——神经形态计算（Neuromorphic Computing）。下一个趋势不是量子怪诞性（Quantum Weirdness），而是试图用微芯片模拟我们的生物大脑。
人类的大脑可以毫不费力地处理让AI费解的复杂的模式识别和学习任务。神经形态芯片旨在通过物理上类似神经网络的电路来模拟大脑的大规模并行结构。
这个领域的领先项目甚至结合了突触可塑性和脉冲信号来传递数据。最终结果是快速模式识别以及超低功耗。这种神经形态的方法可以为我们提供所需的震动，以开发更灵活的类人智能。想象一下，可以根据面部线索感知情绪的交互式助手，或者像动物一样本能地在陌生地方导航的机器人。与量子计算一样，神经形态硬件仍处于高度实验阶段。
与经过市场验证的GPU和张量处理单元（Tensor Processing Units）相比，未经验证的新架构通常面临着大规模采用的困局。但就神经形态计算而言，一切冒险都将是值得的。Darpa、IBM和英特尔实验室的项目就很好地证明了这一点。
联邦学习：将人工智能带给人们
我们的人工智能创新之旅已经进行了一半，让我们换个话题，谈谈软件方面的突破，也就是所谓的联邦学习（Federated Learning）。现在，技术人员可能知道机器学习会吞噬数据，而且还是海量的数据。
当涉及敏感数据（如医疗记录）时，问题就出现了。严格的隐私法意味着医院通常不能轻易汇集患者数据来训练共享模型——即使它可以挽救生命。
传统上，数据科学家必须在强大的集中式人工智能和局部缺陷模型之间做出艰难抉择。不过，无论哪种选择都不能尽如人意。联邦学习的出现很好地解决了这一问题。它允许组织在不共享原始私有数据的情况下协作训练高质量的模型，其本质上是点对点发送算法模型更新，而不是将敏感数据传输到中央服务器。
领先的研究人员认为，在本世纪20年代及以后，私人联邦学习将为医学、金融、生物识别等领域开启改变生活的人工智能。当然，滥用仍然会损害隐私。反对者还认为，它比集中式方法效率低。也许吧，但通过将协作式人工智能安全地带入落后的医院和银行，我认为联邦学习是一场胜利！
小样本学习：“健忘症”AI？
至此，你可能想知道人工智能研究人员是否还有其他疯狂的想法。当然，毕竟我们还没说到“小样本学习”（few-shot learning）呢！你可能以为我要抱怨人工智能所谓的金鱼记忆了，但事实恰恰相反。
今天的模式饥渴型（pattern-hungry）神经网络面临的一个巨大限制是它们对标记训练数据的无尽需求。构建有能力的图像和语言模型需要将算法暴露于数百万个高质量的示例中。对于许多应用程序来说，组装大量数据集是不可行的。这就是小样本学习可以发挥作用的地方！
避免繁重的数据集编码和无休止的重复训练。小样本学习使模型能够熟练地从少量样本中分类新概念。
还记得你的大脑是如何在几次接触后轻松识别新的动物或语言的吗？“小样本学习”的目标是为机器带来这种通用的、采样效率高的智能。
研究人员报告称已经在使用快速积累知识的专业神经网络架构方面实现了新突破。令人难以置信的是，一些计算机视觉模型可以在观看一两张图像后准确地分类看不见的物体类别！
想象一下，这对卫星图像分析、医学甚至是有限参考图像的艺术修复的影响。当然，怀疑者警告说，小样本方法仍然无法与无限制数据的性能饱和模型相匹配。
不过，先别就此气馁！如果说过去十年机器学习的进步教会了我们什么，那就是永远不要低估研究人员的聪明才智。
可解释性AI：不再有黑匣子的借口了？
最后，我有一个更令人振奋的创新要分享，但需要提醒的是，最后一个存在一些争议。到目前为止，我们已经介绍了解决ML在速度、效率和数据需求等方面限制的前沿进展。
但许多专家认为，如今的算法存在一个更大的缺陷——缺乏透明度。批评者抱怨神经网络是难以理解的“黑匣子”，甚至设计师也很难追溯其预测和建议背后的逻辑。
立法者对不透明的人工智能决策的社会后果持谨慎态度。如果我们根本不知道这些模型是如何运行的，我们如何能保证问责制呢？面对这种情况，研究人员并未选择摆烂，为复杂性辩护，而是正面解决了黑箱困境，让人工智能迈入了可解释的新领域。
可解释性人工智能（Explainable AI，简称XAI）包含了一些巧妙的技术，本质上是对机器学习模型的内部工作原理进行逆向工程。XAI工具包中的工具范围从敏感性分析到精确定位有影响的训练数据的技术。它甚至包括生成模型逻辑的自然语言解释的算法。
不要误解我的意思——考虑到最先进模型的复杂性，可解释性人工智能仍然是一个令人难以置信的雄心勃勃的目标。但恢复透明度的稳步进展让我感到乐观。可解释性人工智能不仅可以缓解合规性压力，还可以嗅出隐藏的偏见，建立公众信任。这些见解可能会为下一代机器学习算法打开思路。
人工智能的未来——即将到来的融合
我们刚刚讲了很多内容，希望你已经瞥见了当今主流人工智能表面下一些令人兴奋的进展。
但即便如此，我们也只是触及了表面。我甚至没有谈到3D机器学习、GAN创造力等方面的创新！现在，你可能想知道，这么多的进步同时进行，我们如何理解这一切？
这个问题问得好。我认为最令人兴奋的可能性实际上来自于多种技术协同作用的交汇点。例如，将小样本学习与量子优化相结合实际上可以消除某些应用程序的数据障碍。神经形态芯片可能解锁曾经被计算瓶颈阻碍的能力。
可解释的接口对于解释量子算法或解码的大脑活动至关重要。为尚未证实的技术绘制开发路线图是很棘手的。但我认为，与这些突破对未来社会可能产生的划时代意义相比，这些挑战都显得苍白无力。
我们需要深思熟虑地解决偏见、自动化等方面的风险。但如果引导谨慎，将互补的量子、神经、联邦和其他学习方法结合起来，可能会催化人工智能的复兴，为人类进步积聚数十年的动力。
结语
我们探索的创新——从量子机器学习到可解释性人工智能——突显了人工智能领域的发展速度有多快。每一项技术突破都有可能打破限制当前人工智能系统的障碍。它们有望共同开创一个前所未有的机器学习能力时代。
然而，如此强大的力量也带来了巨大的责任。当我们将机器推向未知的智能领域时，我们必须在如何开发和部署这些技术方面保持谨慎和道德。深思熟虑的治理、问责措施和社会意识对于确保繁荣和公平地分享人工智能的利益，同时降低风险至关重要。
如果我们明智地引导进步，这场多维度的人工智能革命可以使我们以前所未有的方式蓬勃发展。从个性化医疗保健到清洁能源等领域，量子、神经和其他机器学习领域的融合突破可能很快就会帮助人类解决最棘手的挑战。
原文标题：Quantum leaps in machine learning: Pushing the boundaries of AI capabilities，作者：Shafeeq Rahaman
