機器學習的量子飛躍：突破人工智慧能力的邊界

量子運算、神經形態晶片和其他技術正悄悄地將機器學習推向深不可測的新高度。

機器學習在短時間內取得了長足進步，似乎每天我們都會聽到有關人工智慧（AI）能力的新突破。但即使有這麼多炒作，一些改變遊戲規則的進步最初往往被忽略。

無論是在西洋棋和圍棋上戰勝人類大師，創作新的電玩配樂，還是在診斷癌症方面擊敗醫生，人工智慧顯然不再只是科學幻想。但即便如此，我們其實只是觸及了各種可能性的「冰山一角」。

機器學習在資料、運算能力、可解釋性等方面仍面臨一些基本限制。但這正是這些新興創新讓人們如此興奮的原因。它們可以打破現有的限制，為人工智慧開闢一個我們今天幾乎無法想像的新應用世界。

在探索這個新世界之前，讓我們先回顧一下機器學習。

機器學習的演進

機器學習一夜成名。第一個神經網路出現在1958年！但是，當研究人員意識到殘酷的數據和計算需求時，早期的樂觀情緒很快就消失了。

這些原始的「感知機」（Perceptrons）在能力上很快就遇到了瓶頸。快轉到80年代，由於有了更先進的模型，人們的興趣又開始回升。但在學術界之外，機器學習仍是相當小眾的領域。此時，它對大多數企業來說還不是很方便或有用。

雲端運算，像TensorFlow這樣的開源框架，以及由網路釋放的大量資料集，都完全改變了遊戲規則。當你把它與功能強大的現代硬體結合時，機器學習終於在2010年代實現了起飛。儘管如此，今天的機器學習仍有明顯的缺陷：演算法吸收了大量的數據，但提供了很少的透明度。

它們需要艱辛的人類工程，而且在狹義的任務範圍之外，表現是脆弱的。雖然視覺和語音辨識繼續快速發展，但像情緒智商、社交技能和抽象推理等領域仍然嚴重缺乏。即使是在新環境中的導航也能難倒今天的機器人！顯然，我們需要的不只是漸進式的進步來推動人工智慧進入下一個階段。我們需要量子飛躍——完全不同的技術將我們「彈射」至未來。

量子機器學習：一場恐怖的革命？

好了，是時候來點科幻了。當提及「量子機器學習」（Quantum Machine Learning）時，你的腦海中可能會浮現《駭客任務》中的幽靈影像。但是這裡的「量子」究竟是什麼意思呢？簡而言之，量子電腦利用奇異的物理現象（如糾纏和疊加），以即使是最強大的超級電腦也無法觸及的方式處理資訊。

這裡就不贅述「量子力學」的概念了，但關鍵的想法是量子電腦並不局限於二進位，它可以並行地探索廣闊的可能性空間。 “探索可能性”，這聽起來跟機器學習的概念不謀而合！這正是量子運算能讓機器學習研究人員如此興奮的原因。

對於量子電腦來說，某些阻礙傳統硬體的最佳化問題變得輕而易舉。利用量子效應，像格羅弗搜尋（Grover Search）和量子退火（Quantum Annealing，一種利用量子穿隧效應尋找全局最優解的技術）這樣的演算法可以比經典方法更快地發現隱藏在巨大數據集中的模式。

製藥研究人員已經在實際藥物數據上使用量子演算法來分析分子間的相互作用。這一結果無疑是令人興奮的。展望未來，量子人工智慧也將為醫學生產出全新的化合物，或譜寫出我們從未聽過的永恆旋律。

當然，量子計算仍處於萌芽階段。我們還需要幾年的時間才能獲得足夠穩定的量子位元來運行先進的人工智慧應用程式。當然，也不是所有的機器學習技術都能完美地轉換成量子平台。但如果我們克服了工程上的障礙，量子人工智慧可以以驚人的速度和準確性承擔從疾病診斷到天氣預報的任何事情。

神經形態運算：晶片能模擬大腦嗎？

現在，我們來看看一種不那麼令人費解但同樣具有變革意義的技術—神經形態運算（Neuromorphic Computing）。下一個趨勢不是量子怪誕性（Quantum Weirdness），而是試圖用微晶片模擬我們的生物大腦。

人類的大腦可以毫不費力地處理讓AI費解的複雜的模式辨識和學習任務。神經形態晶片旨在透過物理上類似神經網路的電路來模擬大腦的大規模平行結構。 

這個領域的領先項目甚至結合了突觸可塑性和脈衝訊號來傳遞數據。最終結果是快速模式識別以及超低功耗。這種神經形態的方法可以為我們提供所需的震動，以發展更靈活的類人智慧。想像一下，可以根據臉部線索感知情緒的互動式助手，或是像動物一樣本能地在陌生地方導航的機器人。與量子計算一樣，神經形態硬體仍處於高度實驗階段。

與經過市場驗證的GPU和張量處理單元（Tensor Processing Units）相比，未經驗證的新架構通常面臨大規模採用的困局。但就神經形態運算而言，一切冒險都將是值得的。 Darpa、IBM和英特爾實驗室的專案就很好地證明了這一點。

聯邦學習：將人工智慧帶給人們

我們的人工智慧創新之旅已經進行了一半，讓我們換個話題，談談軟體的突破，也就是所謂的聯邦學習（Federated Learning）。現在，技術人員可能知道機器學習會吞噬數據，而且還是大量的數據。

當涉及敏感資料（如醫療記錄）時，問題就出現了。嚴格的隱私法意味著醫院通常不能輕易匯集病患資料來訓練共享模型—即使它可以挽救生命。

傳統上，資料科學家必須在強大的集中式人工智慧和局部缺陷模型之間做出艱難抉擇。不過，無論哪種選擇都不能盡人意。聯邦學習的出現很好地解決了這個問題。它允許組織在不共享原始私有資料的情況下協作訓練高品質的模型，其本質上是點對點發送演算法模型更新，而不是將敏感資料傳輸到中央伺服器。

領先的研究人員認為，在本世紀20年代及以後，私人聯邦學習將為醫學、金融、生物辨識等領域開啟改變生活的人工智慧。當然，濫用仍然會損害隱私。反對者也認為，它比集中式方法效率低。也許吧，但透過將協作式人工智慧安全地帶入落後的醫院和銀行，我認為聯邦學習是一場勝利！

小樣本學習：「健忘症」AI？

至此，你可能會想知道人工智慧研究人員是否還有其他瘋狂的想法。當然，畢竟我們還沒說到「小樣本學習」（few-shot learning）呢！你可能以為我要抱怨人工智慧所謂的金魚記憶了，但事實恰恰相反。

現今的模式飢渴型（pattern-hungry）神經網路面臨的一個巨大限制是它們對標記訓練資料的無盡需求。建立有能力的圖像和語言模型需要將演算法暴露於數百萬個高品質的範例中。對於許多應用程式來說，組裝大量資料集是不可行的。這就是小樣本學習可以發揮作用的地方！

避免繁重的資料集編碼和無止盡的重複訓練。小樣本學習使模型能夠熟練地從少量樣本中分類新概念。

還記得你的大腦是如何在幾次接觸後輕鬆辨識新的動物或語言的嗎？ 「小樣本學習」的目標是為機器帶來這種通用的、採樣效率高的智慧。

研究人員報告指出已經在使用快速累積知識的專業神經網路架構方面實現了新突破。令人難以置信的是，一些電腦視覺模型可以在觀看一兩張圖像後準確地分類看不見的物體類別！

想像一下，這對衛星影像分析、醫學甚至是有限參考影像的藝術修復的影響。當然，懷疑者警告說，小樣本方法仍然無法與無限數據的性能飽和模型相匹配。

不過，先別就此氣餒！如果說過去十年機器學習的進步教會了我們什麼，那就是永遠不要低估研究人員的聰明才智。

可解釋性AI：不再有黑盒子的藉口了？

最後，我有一個更令人振奮的創新要分享，但需要提醒的是，最後一個存在一些爭議。到目前為止，我們已經介紹了解決ML在速度、效率和資料需求等方面限制的前沿進展。

但許多專家認為，如今的演算法存在一個更大的缺陷——缺乏透明度。批評者抱怨神經網路是難以理解的“黑盒子”，甚至設計師也很難追溯其預測和建議背後的邏輯。

立法者對不透明的人工智慧決策的社會後果持謹慎態度。如果我們根本不知道這些模型是如何運作的，我們如何保證問責制？面對這種情況，研究人員並未選擇擺爛，為複雜性辯護，而是正面解決了黑箱困境，讓人工智慧邁入了可解釋的新領域。

可解釋性人工智慧（Explainable AI，簡稱XAI）包含了一些巧妙的技術，本質上是對機器學習模型的內部運作進行逆向工程。 XAI工具包中的工具範圍從敏感度分析到精確定位有影響的訓練資料的技術。它甚至包括生成模型邏輯的自然語言解釋的演算法。

不要誤解我的意思——考慮到最先進模型的複雜性，可解釋性人工智慧仍然是一個令人難以置信的雄心勃勃的目標。但恢復透明度的穩定進展讓我感到樂觀。可解釋性人工智慧不僅可以緩解合規性壓力，還可以嗅出隱藏的偏見，建立公眾信任。這些見解可能為下一代機器學習演算法打開思路。

人工智慧的未來—即將到來的融合

我們剛剛講了很多內容，希望你已經瞥見了當今主流人工智慧表面下一些令人興奮的進展。

但即便如此，我們也只是觸及了表面。我甚至沒有談到3D機器學習、GAN創造力等方面的創新！現在，你可能會想知道，這麼多的進步同時進行，我們該如何理解這一切？

這個問題問得好。我認為最令人興奮的可能性實際上來自於多種技術協同作用的交匯點。例如，將小樣本學習與量子優化相結合實際上可以消除某些應用程式的資料障礙。神經形態晶片可能解鎖曾經被計算瓶頸阻礙的能力。

可解釋的介面對於解釋量子演算法或解碼的大腦活動至關重要。為尚未證實的技術繪製開發路線圖是很棘手的。但我認為，與這些突破對未來社會可能產生的劃時代意義相比，這些挑戰都顯得蒼白無力。

我們需要深思熟慮地解決偏見、自動化等方面的風險。但如果引導謹慎，將互補的量子、神經、聯邦和其他學習方法結合起來，可能會催化人工智慧的復興，為人類進步積聚數十年的動力。

結語

我們探索的創新——從量子機器學習到可解釋性人工智慧——突顯了人工智慧領域的發展速度有多快。每項技術突破都有可能打破限制當前人工智慧系統的障礙。它們有望共同開創一個前所未有的機器學習能力時​​代。

然而，如此強大的力量也帶來了巨大的責任。當我們將機器推向未知的智慧領域時，我們必須在如何開發和部署這些技術方面保持謹慎和道德。深思熟慮的治理、問責措施和社會意識對於確保繁榮和公平地分享人工智慧的利益，同時降低風險至關重要。

如果我們明智地引導進步，這場多維度的人工智慧革命可以使我們以前所未有的方式蓬勃發展。從個人化醫療保健到清潔能源等領域，量子、神經和其他機器學習領域的整合突破可能很快就會幫助人類解決最棘手的挑戰。

原文標題：Quantum leaps in machine learning: Pushing the boundaries of AI capabilities，作者：Shafeeq Rahaman