算法还是算力？周志华微博引爆深度学习的“鸡生蛋，蛋生鸡”问题

作者 | 波波

上周，由强化学习加持的AlphaZero，把DeepMind在围棋上的突破成功泛化到其他棋类游戏：8小时打败李世石版AlphaGo，4小时击败国际象棋最强AI——Stockfish，2小时干掉日本象棋最强AI——Elmo，34小时胜过训练3天的AlphaGo Zero。

对于这个不再需要训练数据的AlphaZero，有人将其突破归功于DeepMind在实验中所用的5064个TPU的强大计算能力，更有甚者则将整个深度学习的突破都归功于算力，瞬间激起千层浪。

很快，南大周志华教授就在微博上指出，这个说法是绝对错误的！

“最重要的进步是由机器学习技术的进步带来的，计算能力起到了促进作用而不是根本作用。”他的全文是这样的：

对此，中科院计算所的包云岗研究员则表示，“算法进步和计算能力进步对今天AI都不可或缺”，二者相辅相成。其中算力提升的作用则表现在运行时间减少、功耗降低、开发效率提高这几大方面，进步相当显著：

此后，周志华教授则把该问题进一步定性为：“机器学习的进步使我们从‘不能’到‘能’，计算能力的进步使我们从‘能’到‘更好’。试图抹杀前者的作用，认为一切都是计算能力提高带来的，是错误且危险的”

交锋的双方均有数据来做支撑：一边强调算法效率所提升的3万倍；另一边强调计算能力所提升的1万倍，特别是并行计算能力所带来的200万倍提速。

随后，杜克大学副教授陈怡然也加入论战，在他那篇《有关最近深度学习的两个争论》中，陈教授认为计算能力的提高对于深度学习的发展是有很大贡献的，他特别提到了Hinton老爷子和李飞飞教授的观点：

之前很多文章说到深度学习这波高潮的标志性起点是2006年Hinton那篇Science文章。在这篇文章里Hinton其中第一次明确提到计算能力是其研究能成功的三大条件之一：“provided that computers were fast enough, data sets were big enough,and the initial weights were close enough to a good solution”。2014年IBM TrueNoth芯片的发布会我受邀请在现场，当时刚刚加入斯坦福不到两年的李飞飞在她的邀请报告中明确提到CNN等深度学习模型的架构和1989年被发明时并无显著区别，之所以能广泛应用的主要原因时两个主要条件的变化：大数据的出现和运算力的提升（大约提高了一百万倍）。

这里提到的Hinton老爷子那篇文章，是他和当时的学生Russ Salakhutdinov（如今的苹果AI主管）共同署名的《Reducing the Dimensionality of Data with Neural Networks》一文。他们在文中提出了一种在前馈神经网络中进行有效训练的算法，即将网络中的每一层视为无监督的受限玻尔兹曼机，再使用有监督的反向传播算法进行调优。

这一论文奠定了反向传播算法在深度学习中的支柱性地位，并给出了深度学习成功的三大基石：计算能力、大数据和算法突破。

“事后来看的话，利用大数据训练计算机算法的做法或许显而易见。但是在2007年，一切却没那么明显……”这是李飞飞教授2015年在TED演讲时所做的总结。到2009年，规模空前的ImageNet图片数据集诞生了。其中包括1500万张照片、涵盖22000种物品，仅”猫”一个对象，就有62000多只长相各异、姿势五花八门、品种多种多样的猫的照片。

这一“猫”的数据集，为吴恩达2012年在Google Brain实现“认出YouTube视频上的猫”的成果奠定好了基础。

同样在2012年，基于ImageNet的图像识别大赛，Hinton和他的学生Alex Krizhevsky在英伟达GPU上取得视觉领域的突破性成果。据此，英伟达研究中心的Bryan Catanzaro跟吴恩达合作研究GPU，结果证实，12个GPU的深度学习能力相当于2000个CPU的表现总和。

而后，英伟达开始在深度学习上发力——投入20亿美元、动用数千工程师，第一台专门为深度学习优化的GPU被提上日程。经过3年多的开发，直到2016年5月正式发布，才有了老黄GPU的深度学习大爆炸。

简单来从时间线上看，确实是先有算法上的突破，而后才有更大规模的数据集，以及专注于深度学习的GPU硬件。把这一切归功于计算能力的提升，似乎确有免费替老黄卖硬件的嫌疑。

但是看具体的进展，Hinton老爷子2006年的算法突破终究离不开当时的数据集与计算机硬件。毕竟，Pascal语言之父Niklaus Wirth早就告诉我们，算法加上数据结构才能写出实用的程序。而没有计算机硬件承载运行的程序代码，则又毫无存在的意义。

回到AlphaZero的问题，它的突破到底该归功于算法还是算力？

我们知道，AlphaZero是AlphaGo Zero的进一步优化，后者的目的是让电脑不学人类的对局也能学会围棋，这是AlphaGo彻底打败人类之后，DeepMind赋予其围棋项目的新使命。尽管不使用任何训练数据，AlphaZero却用到5000个TPU来生成对弈数据，而用于模型训练的TPU数量仅为64个。

而这里的一切投入，不过是DeepMind之父Demis Hassabis想要解决通用学习问题、超越人类认知极限的一个注脚。如果没有DeepMind大量的人力物力投入，蒙特卡洛树搜索算法和GPU并行计算可不会自发地进化成AlphaGo并打败李世石、柯洁，如果没有更进一步的投入，AlphaGo Zero也不会自己就能学会围棋，AlphaZero更不会自动把它的围棋能力泛化到其他棋类上。

也就是说，AlphaZero和它的强化学习算法、它的TPU运算集群，是由它背后David Silver、Demis Hassabis等人的疯狂努力才组合出最佳的效果，向解决通用学习的最终问题又迈进了一步。

而撇开这个全景，单点去谈算法和算力之于深度学习孰强孰弱，就有点像是抛开鸡的整个物种的进化，而去谈先有鸡还是先有蛋的问题……问题只是，到底大家是关心鸡的祖先多一点呢？还是关心餐盘内的鸡蛋、鸡肉好不好吃多一些？

热文精选

干货！这里有一份神经网络入门指导，请收下！

重磅 | 2017年深度学习优化算法研究亮点最新综述火热出炉

Reddit热点 | 想看被打码的羞羞图片怎么办？CNN帮你解决

多图 | 从神经元到CNN、RNN、GAN…神经网络看本文绝对够了

重磅 | 128篇论文，21大领域，深度学习最值得看的资源全在这了（附一键下载）

资源 | 多伦多大学“神经网络与机器学习导论”2017年课程表

爆款 | Medium上6900个赞的AI学习路线图，让你快速上手机器学习

Quora十大机器学习作者与Facebook十大机器学习、数据科学群组

TensorFlow下构建高性能神经网络模型的最佳实践

关注公众号：拾黑（shiheibook）了解更多

[广告]赞助链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/