以往，我們提起AI，有一個共鳴，即它在某些方面曾經碾壓人類，好比下圍棋；它在另外一些方面遠不及人類，好比熟悉一只植物、熟悉許多只植物。緣由之一是AI自立進修才能遠不及人。
頭幾天，AlphaGo Zero橫空降生，從零開端，閉關72小時自我棋戰圍棋，即100：0完勝之前用了幾個月時光生長、勝了李世乭的AlphaGo。這仿佛注解，開辟某個專項智能時，AI算法不再像曩昔那樣動輒須要百萬、萬萬量級的有監視年夜數據，算法乃至可以從0數據開端自立進修，頂多只需年夜范圍無監視數據。
因而，許多人驚呼AI自立進修的時期到來了。仿佛很快就會有一個叫做AI Zero的學神小瑰寶橫空降生，自立狂學一個月，立時長年夜成人，釀成一個智商、情商超出人類的AI 100。
但現實生怕并不是如斯。
我自己是做盤算機視覺研討任務的，尤以人臉辨認方面的研討比擬多。便借AlphaGo Zero之春風，我也做了個Face Zero的夢，想了想人臉辨認從0自立進修的能夠性。
AlphaGo Zero自造數據的思惟很難擴大到Face Zero
先看看AlphaGo Zero學神怎樣做的：從0開端自造數據。對人臉來講，這個第一步就有點懸了，若何造人臉呢？圍棋有明白的落子規矩和勝負斷定原則，按規矩模仿棋戰便可造出年夜量有監視的數據?？蓛耗樔艉螐?造？假如沒有任何的人臉樣例或常識，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，怕是這夢只能醒了。
那，至多給一張人臉，讓算法本身“觸類旁通”，發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，再變出不計其數不是赫本女神、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？要處理這兩個成績，我們須要年夜量人臉的樣例或其他常識，好比人臉的3D構造、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，這夢便只能是南柯夢了。
再退一步，即便我們有赫本女神人臉的3D構造和成像模子等，這兩個成績依然須要處理：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釀成其別人？ 甚么樣的形變可以確保變出一個公道的人臉，而不會變出一個史瑞克或豬八戒？
人臉辨認在這里表現出一個和圍棋棋戰的較年夜差異：圍棋有明白的輸贏剖斷規矩，而人臉辨認并沒有一個如許的“剖斷”規矩。所以，人臉辨認算法假如也應用對AlphaGo相當主要的加強進修辦法，借“試錯”完成自立進修，不太實際。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。他生怕難以提高。
應用年夜量無監視數據的思緒也很難擴大到Face Zero
退一步，看看AlphaGo Zero其他處所有無值得自創的。據AlphaGo Zero的論文所說，其焦點的地方是用加強進修來主動進修用于啟示式搜刮的評分函數（價值收集）。對人臉辨認來講，其焦點現實上也是進修一種評分函數，即盤算兩張人臉照片的類似水平：統一人圖象類似度盡可能高，分歧人類似度盡可能低。
看起來有點機遇。既然從0或從1開端不可，那末，能否可以給算法1億張無監視（即沒有標簽）的人臉照片數據，然后讓Face Zero自創AlphaGo Zero的思緒進修評分函數呢？
遺憾的是這也不可。由于我們應用的是無監視人臉圖象，我們不曉得這1億幅人臉圖象是若干人的圖象，個中哪些是統一人的，人臉辨認算法又不克不及像圍棋算法一樣本身斷定對錯親睦壞，固然就沒方法自我加強起來。
所以進修這個類似度評分函數掉去了根據。
又是黃粱一夢。
看到這里，懂生成式反抗收集（GAN）的讀者能夠會辯駁：有了年夜量人臉圖象，即便是無監視的，我們也能夠用GAN如許的類“加強進修”戰略來生成各類看起來相符真實人臉“散布”的人臉圖象。
如許一來，給定一張赫本女神的人臉圖象，Face Zero便可以生成她的各類美圖了嗎？可是，成績在于，沒有了那些主要的監視信息，只能包管GAN生成的人臉圖象看起來是張臉，但沒法包管她不會變貓王或奧巴馬。
這觸類旁通的設法主意，生怕照樣不可。
AlphaGo Zero的思惟對削減人臉辨認有監視數據需求量的價值較小
再退一步，AlphaGo Zero的思惟能否可用于削減有監視數據的需求量呢？例如，依照今朝的辦法論，用深度進修做人臉辨認，起首須要搜集整頓盡可能多的人臉圖象，好比100萬人的1億張有標注的照片，然后讓深度進修算法用這些圖象進修若何提取可以辨別分歧人臉的好特點或許若何盤算類似度評分函數。
好比，先給人臉辨認算法供給1萬人的有標注人臉圖象，讓它學會辨別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。
這個設法主意假如可行，那我們對數據的需求量就削減了100倍，這意味著在搜集和標注數據方面，年夜幅下降了本錢，從而使得深度進修算法的易費用“蹭蹭”的進步。
為此，一種能夠的方法是用GAN如許的類加強反抗算法“發明”分歧的人臉。在“發明”第10001小我的臉部圖象時，請求其既與之前的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“內插式發明”，要“內涵式發明”是有極年夜風險的，假想：假如算法能從10000個白人主動內涵出從沒見過的某個黃種人，怎樣包管不過延出綠偉人？假如算法能從10000個鵝蛋臉主動內涵發明出從沒見過的國字臉，怎樣包管不發明出被壓扁的長條臉？
那末，我們把GAN的才能限制在內插式發明。這請求我們在下面提到的10000小我具有足夠的代表性。“代表人”經由精心遴選，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、粗細肌膚……如許一來，便可之內插發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？這里觸及幾十乃至上百種臉部屬性的組合。每多一個臉部屬性，組合成果的數目便多幾倍，呈指數爆炸式增加。就算每一個屬性只要2個能夠的取值，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，組合數就更多了。
假如每種組合我們須要至多一個“代表人”（現實能夠有些組合1個代表還不敷，也有能夠某種組歸并不存在），這意味著我們須要的“代表人”數生怕遠遠不止10000人…
Face Zero的夢真要醒了嗎？
削減有監視數據需求量的其他能夠
別急著廢棄做夢，下面的推演中并沒有斟酌人類對面貌的熟悉。以人臉辨認為例，剖解學專家也許可以制訂出一些“規矩”，告知我們甚么樣的面部改革可以“發明”出分歧但又現實存在的人臉。如斯，即可應用大批有監視數據“發明”出或許說“虛擬”出年夜量數據，從而使得深度進修的易用性更高。
舉個例子，假如我們有10000個“代表人”的3D頭部模子，和響應的可以修正這些頭部模子的辦法，加上上述的“剖解學專家經歷”，便可以像天主一樣發明出千萬萬萬的人臉，且照樣現實存在的、公道的人臉，而非綠偉人的人臉。
如許一想，仿佛最開端的設法主意在必定水平上成真了。但遺憾的是，這類設法主意離我們最后盼望的從0自立進修差了十萬八千里了：既須要浩瀚的準確監視3D人臉數據，又引入了年夜量的不輕易用法式完成的“專家常識”。
總之，僅僅以人臉辨認Face Zero為例，AlphaGo Zero的啟示是微弱的。謹嚴悲觀的說有一些，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，乃至之前就曾經有的“反抗加強”思惟帶來的。
這使人遺憾?，F實上不只僅對人臉辨認，對天然圖象辨認義務，對語音辨認義務，對醫療診斷義務，對主動駕駛義務等浩瀚成績，AlphaGo Zero的算法都難以發生直接的感化。面前的基本緣由在于：與圍棋終究可以自判勝負紛歧樣，對這些義務不具有AI算法自判對錯的才能，也就難以構成以自我賞罰為目的的自立進修。
注：本文的推演其實不解釋AlphaGo Zero的算法對一切AI成績都沒有價值，現實上，它對一年夜類AI成績的處理，特殊是棋類、游戲類、模仿練習等義務，將帶來辦法論上的偉大變遷。
