AI算法的发展，真有那么迅猛吗？
为尚志等地区用户提供了全套网页设计制作服务，及尚志网站建设行业解决方案。主营业务为成都做网站、网站制作、尚志网站设计，以传统方式定制建设网站，并提供域名空间备案等一条龙服务，秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求，就会得到认可，从而选择与我们长期合作。这样，我们也可以走得更远！
为了一探究竟，来自MIT的研究人员，便对 81种AI算法做了横测，结果令人大跌眼镜：
没有明确证据表明，这些算法在10年内，对任务效果有明显改善。
针对类似的问题，Science最近也发文表示：
人工智能在某些领域的进步引人注目，但这并不是真正的进步。
那么，这到底是怎么一回事？
MIT研究人员横测的对象，是81种 剪枝算法。
这类算法简单来说，就是对神经网络的连接做“修修剪剪”，以此来提高效率。
然而，这种算法的发展现状，正如Science发文作者Matthew Hutson所说：
很多科研工作者就在此之上，做了些许“微调”，然后就宣称自己的算法具有优势。
因此，MIT的研究人员便对这些算法做了 元分析，还提出了一种框架—— ShrinkBench，用来促进剪枝算法的标准化评估。
真正的好算法，需要经得起考验，那么结果又如何呢？
研究人员基于ImageNet，绘制了剪枝后模型的准确率和压缩/加速水平，以及没有做过剪枝、不同架构的相同指标，结果如下图所示。
不难看出，一个给定架构经过剪枝后，可以改善其时间/空间与精度之间的权衡，有时候还可以提高精度。
但剪枝的效果，通常 不如换个架构效果来得好。
这一维度的考虑，是因为研究人员发现，许多工作都高举“SOTA”旗帜，然而比较的对象却不全。
很明显的现象就是，缺少与2010年之前提出的算法的比较，甚至都没有跟其它号称SOTA的算法做对比，如下图所示。
在81篇论文中，ImageNet和VGG-16的组合最为常见，并且，在前六种最常见的组合中，有三种涉及MNIST。
但MNIST与其它主流图像分类数据集有很大的区别：它的图像是灰度的，大部分是由0组成，用简单的模型进行分类，准确率就可以达到99%以上。
还有五花八门的度量指标，啥也不说了，直接上图。
当然，还有诸如数据预处理、调参策略等一系列问题，都会导致结果的不同。
研究一作Davis Blalock表示：
这些改进都是所谓的“微调”，而不是科研人员声称的“核心创新”，甚至有些改进方法可能根本就不存在。
于是乎，MIT的研究人员便开发了一套 方便开发、 标准化评价神经网络的剪枝方法。
ShrinkBench提供了标准化和可扩展的功能，可以用于训练、剪枝、微调、计算度量和绘图，而且都是使用 标准化的预训练模型和数据集。
正如另一位作者John Guttag所说：
如果你不能衡量某种东西，就很难让它往好的方向发展。
好了，现在要是再想在剪枝算法上，稍微搞个小进展就水一篇论文，可能不再那么容易了。
最近，Science也针对“水论文”一事发表文章，认为人工智能领域中的许多分支，其发展都是不稳定的：
正如Musgrave表示：
炒作浪潮一直存在。
反观那些经久不衰的算法，像 LSTM，自1997年被提出后，在语言翻译任务中取得了重大突破。
如果LSTM得到适当的训练，它的性能就能和20年后(现在)的算法相当。
类似的还有像2014年提出的 GAN，大幅提高了生成图像的能力。在2018年的一篇报告称，只要有足够的计算量，原有的GAN方法可以与后来的方法相媲美。
对此，Kolter认为，研究人员应当热衷于开创全新的算法，让这个新算法达到SOTA效果，而不是对现有算法做调整。
那么，如今这种论文灌水背后的原因，又是什么呢？
其中一个因素，便是MIT研究人员所指出的 评估标准问题——数据集不同、调整方法不同、性能指标和基线都不同，这种比较是不可行的。
而另外一个原因，便是 AI领域的爆炸性增长，论文数量远超有经验的审稿人数，评审人员应当坚持跟一个合理、科学的基准，做更好的比较。
以为学术乱象只有这些？
不，还有一股“造假风”。
5月20日，国外网友便曝出了一个学术造假大事件：
8篇文章，不同作者，不同医院，不同癌症种类，不同蛋白表达，愣是完全一样的结果，发了8篇论文。
UAB医学院糖尿病中心博士后研究员、营养学博士，微博网友“晨光us”对此表示：
如此丧心病狂的造假，简直让人看得窒息。
然而，更令人悲哀的是，论文作者全部来自中国……
而且从文章署名来看，从一线医生到主任副主任医师、医院副院长，还有多篇是国家自然科学基金资助。
如此造假，简直不简单。
网友也表示：
突破了我对学术造假的所有认知。
无独有偶，前不久在知乎中还曝出南京邮电大学教授，三年半发表300篇IEEE论文，一时成为热议话题。
其弟子“黄同学”论文造假、冒充北大学生，也一并上了热搜。
……
如此学术乱象，你怎么看？
传送门：
ShrinkBench项目地址：
https://github.com/jjgo/shrinkbench
ShrinkBench论文地址：
https://arxiv.org/abs/2003.03033
参考链接：
https://www.sciencemag.org/news/2020/05/eye-catching-advances-some-ai-fields-are-not-real
https://weibo.com/roger1130?referflag=0000015010&from=feed&loc=nickname&is_hot=1#_rnd1591086111501
https://twitter.com/MicrobiomDigest/status/1266140721716719616
https://www.zhihu.com/question/397548354/answer/1248933002
https://www.toutiao.com/i6835125799020921355/
