神经网络储存直觉和模式识别的能力正被用于其他场景。在 2015 年， Leon Gatys， Alexander Ecker 和 Matthias Bethge 在 arxiv.org 上贴出了一篇论文，描述了一种神经网络学习艺术风格并随后将这些风格应用于其它图像的方式。这个观点很简单：让网络浏览大量图像，获得识别具有相似风格图像的能力。然后，系统能将这些风格信息运用到新图片上。例如，下面的右手边的图像展示了将梵高风格（中间）应用于埃菲尔铁塔（左边）的过程。
这不是伟大的艺术，但仍然是非凡的例子，它使用了神经网络去捕获直觉并将此应用于别处。
过去几年，神经网络已经被用来在很多领域里，捕获直觉，识别模式。许多使用这些网络的项目，本质上都是可视化的，包括诸如识别艺术风格或开发良好的视频游戏策略等任务。但是，还有一些惊人的例子，在非常不同的领域里（包括音频和自然语言）模拟直觉的网络。
由于这种多才多艺，我并不认为AlphaGo 本身是一次革命性突破，毋宁说，在这一极其重要的研发中处于领先地位：打造捕获直觉，学会识别模式系统的能力。计算机科学家已经努力了几十年，却没有取得重大进展。但是如今，神经网络的成功有望极好地扩大我们使用计算机解决问题的范围。
此时此刻去欢呼并宣称通用人工智能几年后就会出现，是诱人的。毕竟，假设你将思维方式分解为计算机擅长的某类逻辑思维（我们已经知道这一点）和直觉。如果我们将 AlphaGo 和类似系统看作是计算机如今能模拟直觉的证据，那么，看起来所有基础条件都具备了：计算机如今既能表现出逻辑又能表现出直觉。通用人工智能当然就在不远处！
但是，这里其实有个措辞错误：我们将很多精神活动都归为‘直觉’。但仅仅因为神经网络可以刻画某些特定类型的直觉就认为它能够在所有类型的直觉上可行，那就不合适了。在某些我们认为需要直觉的任务上，神经网络可能一点用都没有。
事实上，在一些重要方面，我们对神经网络现有的理解还很欠缺。例如，2014年的一篇论文描述了某些可以欺骗神经网络的‘对手样本’。作者从一个表现很好的神经网络模型开始。看起来这样的神经网络已经具备刻画出模式识别的能力了。但是，他们研究表明，通过对图片进行微小的改变，可以欺骗神经网络。例如，下面的图片中神经网络可以正确识别左边的小狗，但是，如果加上中间图片中微小扰动，得到的右边的那副图片网络就不能正确的识别了。
另一个现有系统的极限是，他们通常需要对很多的人类样本进行学习。例如， AlphaGo 从150，000 场人类比赛中学习。这是相当大的一个数目了！但是，人类是可以从很少的比赛中学习非常多的。类似地，识别和操作图像的网络一般都需要数百万的样本图像，每个图像有着对应的标注信息。所以，重要挑战是让系统从更少的人类提供的数据组中更好地进行学习，并使用更少的辅助信息。
诸如 AlphaGo 这样的系统真的让人兴奋。我们已经学会使用计算机系统重现人类直觉的某些形式。现在，我们也面临许多巨大挑战：拓展计算机能够表示的直觉范围，让系统更加稳定，理解他们工作原理和机制，学习以更好的方式将这些模型和已有的计算机系统组合起来。我们可能很快就可以学会捕捉给出数学证明、写出故事或者的解释的直觉判断了吗？现在正是人工智能最有前途的时刻。
登陆|注册欢迎登陆本站，认识更多朋友，获得更多精彩内容推荐！