以往，我們提起AI，有一個(gè)共鳴，即它在某些方面曾經(jīng)碾壓人類，好比下圍棋；它在另外一些方面遠(yuǎn)不及人類，好比熟悉一只植物、熟悉許多只植物。緣由之一是AI自立進(jìn)修才能遠(yuǎn)不及人。

　　頭幾天，AlphaGo Zero橫空降生，從零開端，閉關(guān)72小時(shí)自我棋戰(zhàn)圍棋，即100：0完勝之前用了幾個(gè)月時(shí)光生長、勝了李世乭的AlphaGo。這仿佛注解，開辟某個(gè)專項(xiàng)智能時(shí)，AI算法不再像曩昔那樣動(dòng)輒須要百萬、萬萬量級(jí)的有監(jiān)視年夜數(shù)據(jù)，算法乃至可以從0數(shù)據(jù)開端自立進(jìn)修，頂多只需年夜范圍無監(jiān)視數(shù)據(jù)。

　　因而，許多人驚呼AI自立進(jìn)修的時(shí)期到來了。仿佛很快就會(huì)有一個(gè)叫做AI Zero的學(xué)神小瑰寶橫空降生，自立狂學(xué)一個(gè)月，立時(shí)長年夜成人，釀成一個(gè)智商、情商超出人類的AI 100。

　　但現(xiàn)實(shí)生怕并不是如斯。

　　我自己是做盤算機(jī)視覺研討任務(wù)的，尤以人臉辨認(rèn)方面的研討比擬多。便借AlphaGo Zero之春風(fēng)，我也做了個(gè)Face Zero的夢(mèng)，想了想人臉辨認(rèn)從0自立進(jìn)修的能夠性。

　　AlphaGo Zero自造數(shù)據(jù)的思惟很難擴(kuò)大到Face Zero

　　先看看AlphaGo Zero學(xué)神怎樣做的：從0開端自造數(shù)據(jù)。對(duì)人臉來講，這個(gè)第一步就有點(diǎn)懸了，若何造人臉呢？圍棋有明白的落子規(guī)矩和勝負(fù)斷定原則，按規(guī)矩模仿棋戰(zhàn)便可造出年夜量有監(jiān)視的數(shù)據(jù)。可兒臉若何從0造？假如沒有任何的人臉樣例或常識(shí)，除非天主他白叟家在，不然怕只能造一堆“鬼臉”出來——橫豎誰也沒見過鬼，怎樣造都行。

　　假如如許，怕是這夢(mèng)只能醒了。

　　那，至多給一張人臉，讓算法本身“觸類旁通”，發(fā)明千萬萬萬張人臉可行嗎？好比給算法一張年夜奧黛麗赫本的人臉圖象，讓算法把赫本這張人臉照片變啊變，變出1000幅赫本女神的人臉圖出來，再變出不計(jì)其數(shù)不是赫本女神、但長相公道的人臉。

　　且不說怎樣變形的困難，這外面有兩個(gè)成績須要處理：若何包管算法“觸類旁通”變出來的人臉照樣女神的臉而不是孫悟空、豬八戒的面部照？和，若何包管算法可以“觸類旁通”變出奧巴馬、貓王等各類人的面部照？要處理這兩個(gè)成績，我們須要年夜量人臉的樣例或其他常識(shí)，好比人臉的3D構(gòu)造、成像的物理模子、老化模子、臉色模子、眼鏡模子等等。

　　這就和最后“給一張人臉”的假定抵觸了，這夢(mèng)便只能是南柯夢(mèng)了。

　　再退一步，即便我們有赫本女神人臉的3D構(gòu)造和成像模子等，這兩個(gè)成績依然須要處理：甚么幅度的3D形變，好比變胖或變瘦或變老，可以確保照樣赫本自己而不會(huì)釀成其別人？ 甚么樣的形變可以確保變出一個(gè)公道的人臉，而不會(huì)變出一個(gè)史瑞克或豬八戒？

　　人臉辨認(rèn)在這里表現(xiàn)出一個(gè)和圍棋棋戰(zhàn)的較年夜差異：圍棋有明白的輸贏剖斷規(guī)矩，而人臉辨認(rèn)并沒有一個(gè)如許的“剖斷”規(guī)矩。所以，人臉辨認(rèn)算法假如也應(yīng)用對(duì)AlphaGo相當(dāng)主要的加強(qiáng)進(jìn)修辦法，借“試錯(cuò)”完成自立進(jìn)修，不太實(shí)際。這就像先生做模仿題，假如做完題不給他謎底，不給他失言在哪，甚么是對(duì)。他生怕難以提高。

　　應(yīng)用年夜量無監(jiān)視數(shù)據(jù)的思緒也很難擴(kuò)大到Face Zero

　　退一步，看看AlphaGo Zero其他處所有無值得自創(chuàng)的。據(jù)AlphaGo Zero的論文所說，其焦點(diǎn)的地方是用加強(qiáng)進(jìn)修來主動(dòng)進(jìn)修用于啟示式搜刮的評(píng)分函數(shù)（價(jià)值收集）。對(duì)人臉辨認(rèn)來講，其焦點(diǎn)現(xiàn)實(shí)上也是進(jìn)修一種評(píng)分函數(shù)，即盤算兩張人臉照片的類似水平：統(tǒng)一人圖象類似度盡可能高，分歧人類似度盡可能低。

　　看起來有點(diǎn)機(jī)遇。既然從0或從1開端不可，那末，能否可以給算法1億張無監(jiān)視（即沒有標(biāo)簽）的人臉照片數(shù)據(jù)，然后讓Face Zero自創(chuàng)AlphaGo Zero的思緒進(jìn)修評(píng)分函數(shù)呢？

　　遺憾的是這也不可。由于我們應(yīng)用的是無監(jiān)視人臉圖象，我們不曉得這1億幅人臉圖象是若干人的圖象，個(gè)中哪些是統(tǒng)一人的，人臉辨認(rèn)算法又不克不及像圍棋算法一樣本身斷定對(duì)錯(cuò)親睦壞，固然就沒方法自我加強(qiáng)起來。

　　所以進(jìn)修這個(gè)類似度評(píng)分函數(shù)掉去了根據(jù)。

　　又是黃粱一夢(mèng)。

　　看到這里，懂生成式反抗收集（GAN）的讀者能夠會(huì)辯駁：有了年夜量人臉圖象，即便是無監(jiān)視的，我們也能夠用GAN如許的類“加強(qiáng)進(jìn)修”戰(zhàn)略來生成各類看起來相符真實(shí)人臉“散布”的人臉圖象。

　　如許一來，給定一張赫本女神的人臉圖象，F(xiàn)ace Zero便可以生成她的各類美圖了嗎？可是，成績?cè)谟冢瑳]有了那些主要的監(jiān)視信息，只能包管GAN生成的人臉圖象看起來是張臉，但沒法包管她不會(huì)變貓王或奧巴馬。

　　這觸類旁通的設(shè)法主意，生怕照樣不可。

　　AlphaGo Zero的思惟對(duì)削減人臉辨認(rèn)有監(jiān)視數(shù)據(jù)需求量的價(jià)值較小

　　再退一步，AlphaGo Zero的思惟能否可用于削減有監(jiān)視數(shù)據(jù)的需求量呢？例如，依照今朝的辦法論，用深度進(jìn)修做人臉辨認(rèn)，起首須要搜集整頓盡可能多的人臉圖象，好比100萬人的1億張有標(biāo)注的照片，然后讓深度進(jìn)修算法用這些圖象進(jìn)修若何提取可以辨別分歧人臉的好特點(diǎn)或許若何盤算類似度評(píng)分函數(shù)。

　　好比，先給人臉辨認(rèn)算法供給1萬人的有標(biāo)注人臉圖象，讓它學(xué)會(huì)辨別1萬人的人臉，然后讓它“舉一反百”、“舉一反千”、“舉一反萬”，即從這1萬天然出100萬人、1000萬人、1億人，乃至全球一切人的圖象。

　　這個(gè)設(shè)法主意假如可行，那我們對(duì)數(shù)據(jù)的需求量就削減了100倍，這意味著在搜集和標(biāo)注數(shù)據(jù)方面，年夜幅下降了本錢，從而使得深度進(jìn)修算法的易費(fèi)用“蹭蹭”的進(jìn)步。

　　為此，一種能夠的方法是用GAN如許的類加強(qiáng)反抗算法“發(fā)明”分歧的人臉。在“發(fā)明”第10001小我的臉部圖象時(shí)，請(qǐng)求其既與之前的10000人都分歧，又要確保第10001小我的臉部圖象看起來是真實(shí)的照片，而不是卡通人像或鬼臉。

　　遺憾的是，依照今朝GAN的思惟，是有局限的。GAN可以“內(nèi)插式發(fā)明”，要“內(nèi)涵式發(fā)明”是有極年夜風(fēng)險(xiǎn)的，假想：假如算法能從10000個(gè)白人主動(dòng)內(nèi)涵出從沒見過的某個(gè)黃種人，怎樣包管不過延出綠偉人？假如算法能從10000個(gè)鵝蛋臉主動(dòng)內(nèi)涵發(fā)明出從沒見過的國字臉，怎樣包管不發(fā)明出被壓扁的長條臉？

　　那末，我們把GAN的才能限制在內(nèi)插式發(fā)明。這請(qǐng)求我們?cè)谙旅嫣岬降?0000小我具有足夠的代表性。“代表人”經(jīng)由精心遴選，平均籠罩各類臉部屬性，如膚色、男女、臉型、眉形、眼型、嘴型、高下鼻梁、高下顴骨、粗細(xì)肌膚……如許一來，便可之內(nèi)插發(fā)明出各類能夠的人臉了。

　　然則，10000人能否足夠代表全部人類的特點(diǎn)？這里觸及幾十乃至上百種臉部屬性的組合。每多一個(gè)臉部屬性，組合成果的數(shù)目便多幾倍，呈指數(shù)爆炸式增加。就算每一個(gè)屬性只要2個(gè)能夠的取值，好比男女，即便只要14種臉部屬性就有跨越10000種組合。更況且，許多屬性有許多取值，好比臉型、膚色、眼型，組合數(shù)就更多了。

　　假如每種組合我們須要至多一個(gè)“代表人”（現(xiàn)實(shí)能夠有些組合1個(gè)代表還不敷，也有能夠某種組歸并不存在），這意味著我們須要的“代表人”數(shù)生怕遠(yuǎn)遠(yuǎn)不止10000人…

　　Face Zero的夢(mèng)真要醒了嗎？

　　削減有監(jiān)視數(shù)據(jù)需求量的其他能夠

　　別急著廢棄做夢(mèng)，下面的推演中并沒有斟酌人類對(duì)面貌的熟悉。以人臉辨認(rèn)為例，剖解學(xué)專家也許可以制訂出一些“規(guī)矩”，告知我們甚么樣的面部改革可以“發(fā)明”出分歧但又現(xiàn)實(shí)存在的人臉。如斯，即可應(yīng)用大批有監(jiān)視數(shù)據(jù)“發(fā)明”出或許說“虛擬”出年夜量數(shù)據(jù)，從而使得深度進(jìn)修的易用性更高。

　　舉個(gè)例子，假如我們有10000個(gè)“代表人”的3D頭部模子，和響應(yīng)的可以修正這些頭部模子的辦法，加上上述的“剖解學(xué)專家經(jīng)歷”，便可以像天主一樣發(fā)明出千萬萬萬的人臉，且照樣現(xiàn)實(shí)存在的、公道的人臉，而非綠偉人的人臉。

　　如許一想，仿佛最開端的設(shè)法主意在必定水平上成真了。但遺憾的是，這類設(shè)法主意離我們最后盼望的從0自立進(jìn)修差了十萬八千里了：既須要浩瀚的準(zhǔn)確監(jiān)視3D人臉數(shù)據(jù)，又引入了年夜量的不輕易用法式完成的“專家常識(shí)”。

　　總之，僅僅以人臉辨認(rèn)Face Zero為例，AlphaGo Zero的啟示是微弱的。謹(jǐn)嚴(yán)悲觀的說有一些，但這類啟示并不是AlphaGo Zero帶來的，而是誰人下圍棋勝過李世乭的AlphaGo，乃至之前就曾經(jīng)有的“反抗加強(qiáng)”思惟帶來的。

　　這使人遺憾。現(xiàn)實(shí)上不只僅對(duì)人臉辨認(rèn)，對(duì)天然圖象辨認(rèn)義務(wù)，對(duì)語音辨認(rèn)義務(wù)，對(duì)醫(yī)療診斷義務(wù)，對(duì)主動(dòng)駕駛義務(wù)等浩瀚成績，AlphaGo Zero的算法都難以發(fā)生直接的感化。面前的基本緣由在于：與圍棋終究可以自判勝負(fù)紛歧樣，對(duì)這些義務(wù)不具有AI算法自判對(duì)錯(cuò)的才能，也就難以構(gòu)成以自我賞罰為目的的自立進(jìn)修。

　　注：本文的推演其實(shí)不解釋AlphaGo Zero的算法對(duì)一切AI成績都沒有價(jià)值，現(xiàn)實(shí)上，它對(duì)一年夜類AI成績的處理，特殊是棋類、游戲類、模仿練習(xí)等義務(wù)，將帶來辦法論上的偉大變遷。