今年3月，Yoshua Bengio凭仗着在深度学习技术的突出奉献而取得图灵奖，这是计算机科学范畴的最高荣誉。正是深度学习技术掀起了人工智能的复兴浪潮，也一步步推进了无人驾驶汽车、即时语音翻译以及人脸辨认成为可能。

 

而如今，Bengio指出“深度学习曾经走到了瓶颈期”。他以为，除非深度学习可以超越形式辨认并真正控制因果关系的更多信息，否则它基本不可能发挥其全部潜力，也无法带来真正的AI反动。换句话说，深度学习应当开端了解“为什么”。

 

这位蒙特利尔大学（University of Montreal）教授曾经55岁了，留着浓密的青丝与眉毛。他解释道，深度学习技术在理想的场景下的确表现良好，但假如无法推理出因果关系，就无法接近人类的智力程度。“将因果关系整合到AI当中曾经成为目前的头号大事。”Bengio说，“当前的机器学习完成办法立足一个根本假定，即经过锻炼的AI系统在处理实践问题时，面对的数据与锻炼数据属于同一类型。但在理想生活中，状况不可能如此简单。”

 

包括深度学习在内，目前的机器学习系统常常专用性极强，只针对特定任务停止锻炼，例如辨认图像中的小猫，或者音频中的口语指令等。自2012年面世以来，深度学习曾经展示出了杰出的数据形式辨认才能，无论是从医学影像素材中发现癌症迹象，还是经过账目记载辨认狡诈活动，深度学习技术曾经被普遍应用于多种实践场景当中。

 

但是，深度学习实质上对因果关系是自觉的。与真正的医生不同，深度学习算法无法解释为什么特定的图像形式可能存在病变，这意味着某些危殆状况下，我们必需慎重运用深度学习。

 

而了解了因果关系之后，现有AI系统将在智能度与执行效率方面更上一层楼。举个例子，假如要让一个机器人认识到，快速下落的瓷器极易损坏，就不需求把几十个花瓶扔到地上再察看结果。

 

Bengio补充道，上面的例子也能够延伸到无人驾驶汽车。“人类不需求阅历大量事故，才认识到慎重驾驶的重要性，由于我们人类能够在脑海中想象事故场景，以便在事故真的发作时做好意理准备。”

 

问题在于，我们要如何为AI系统赋予这种能力？

 

Bengio在他的研讨实验室里，正在开发一种可以辨认简单因果关系的深度学习新版本。他和他的同事最近发表了一篇研讨论文，概述了这种办法。他们运用一套数据集，该数据集以概率方式描绘了真实世界现象之间的因果关系，诸如吸烟、肺癌等。在此根底上，他们又创立出直接包含因果关系的多套综合数据集。

 

论文中提到的算法，在实质上可以就哪些变量之间具有因果关系做出根本假定，然后测试不同变量的调整能否与其初步判别相吻合。例如，吸烟自身与癌症并非纯因果关系，但吸烟有可能诱发癌症的事实依然不容辩驳，即便癌症也与其他一些要素（例如去医院就诊）相关，，这一事实也应该是显而易见的。

 

机器最终可能会应用这种办法来构成一种假定，即当物体掉落时可能发作什么，然后经过少数几次实践察看东西摔到地板上时，来确认本人的结论能否正确。

 

Bengio曾经参与过一次AI技术改造。在过去几十年中，他与今年的另外几位图灵奖取得者（包括任职于多伦多大学与谷歌公司的Geoffrey Hinton，以及任职于纽约大学及Facebook的Yann LeCun）一同，共同开展出释放现代深度学习潜力的思想与工程技术。

 

深度学习应用人工神经网络生成并增强数学方式的联络，从而模仿人类神经元与突触的学习方式。锻炼数据（例如图像或者音频）会被馈送至神经网络当中，神经网络则对锻炼素材停止剖析及自我调整，直到可以以正确的方式做出响应为止。因而在理论上，只需可以看到足够多的锻炼图像并具有富余的计算才能，深度学习程序即可经过锻炼以极高的精确率辨认照片中的对象。

 

深度学习运用人工神经网络，经过构成和增强衔接，在数学上近似于人类神经元和突触的学习方式。锻炼数据，如图像或音频，被输入到一个神经网络，这个神经网络会逐步调整，直到它做出正确的反响。假如深度学习程序能看到大量的锻炼图像，并具有足够的计算才能，那么它就能被锻炼来辨认照片中的物体，而且精确率很高。

 

但是，深度学习算法并不擅长概括总结，也很难将本人在一种场景下学习到的学问应用于另一种场景。换句话说，深度学习只能捕捉到现象之间的相关性——例如公鸡啼叫与太阳升起，但却无法思索产生这种相关性的深层次缘由。

 

其他不少范畴曾经在因果关系研讨方面投入了大量时间与精神，近几十年来呈现了许多探究因果关系的数学技术，也彻底改动了包括社会科学、经济学以及盛行病学在内的多个行业的研讨范式。目前，曾经有少数研讨人员开端努力将因果关系与机器学习分离起来。

 

凭仗因果推理方面的奉献取得2011年图灵奖的Judea Pearl表示，虽然并没有认真研讨过，但Bengio的考虑方式给他留下了深入的印象。Pearl在最近合着的《因果之书：因果关系的新科学（The Book of Why: The New Science of Cause and Effect）》当中提到，假如没有对因果关系的推理才能，AI的开展将从基本上遭到限制。

 

认知科学实验也标明，了解因果关系关于人类生长乃至智力开展至关重要，虽然我们尚不分明人类是如何控制这种关键学问的。

 

Bengio关于因果关系的研讨，代表行业曾经在这个问题的探究方面迈出重要一步。固然只是一小步，但能够由此看到，深度学习正朝着理想主义方向英勇前行，事实上，虽然这项技术的应用正在快速提高，但曾经有越来越多的专家提到“其在言语了解等中心范畴仍面临着严重局限”。

 

在采访当中，Bengio还对企业严重夸张AI及深度学习实践才能的行为表示绝望。他指出，“在我看来，商界最好能改变这一波不良习尚，如今的炒作气氛真实太过浓厚了。”

 

其他一些研讨人员则以为，对深度学习的过度关注也是形成目前问题的缘由之一。纽约大学声誉教授Gary Marcus在最近出版的《重新引导AI：构建我们可以信任的人工智能（Rebooting AI: Building Artificial Intelligence We Can Trust）》中提到，Bengio对因果推理的关注预示着技术思想层面曾经开端呈现可喜的变化。

 

他表示，“目前有太多深度学习项目都单纯关注短少因果关系的粗糙关联性，这常常招致深度学习系统在真实条件下（明显不同于锻炼场景的条件下）停止测试时，常常拿不出良好的实践表现。”

 

Marcus以为，人类的行为应当成为指导AI技术开展的重要根据。“当孩子们提出“为什么”的时分，就代表他们想要理解现象背后的因果关系。一旦机器学会提出“为什么”，其智能化程度也将迎来真正的飞跃。”