2
| 本文作者： 史中 | 2017-01-14 23:07 |
雷鋒網(wǎng)按：六十年前初識計算機的時候，人們就在想：是否有一天我們可以創(chuàng)造出一種人工智能，達到甚至超越我們?nèi)祟惖闹悄芩健?/span>
幾十年過去了，AI 經(jīng)過了幾個寒冬。我們?nèi)匀粵]有了卻幾十年前的心愿。今天，人工智能再一次火爆全球，我們似乎看到了人類科學正在加速沖向那個奇點。產(chǎn)業(yè)界和學術(shù)界都在不遺余力地進行 AI 研究，甚至流行的美劇《西部世界》也在討論人工智能。
站在今天的時點上，人工智能到底有什么突破，未來的人工智能會向什么方向前進呢？
四位人工智能界的泰斗大牛在未來論壇2017年會的圓桌對話上發(fā)表了自己的看法。
他們分別是：
李飛飛 美國斯坦福大學計算機科學系終身教授、人工智能實驗室主任
李凱 普林斯頓大學 Paul & Marcia Wythes 講席教授，美國工程院院士，未來論壇科學委員會委員
沈向洋 微軟全球執(zhí)行副總裁，微軟人工智能及微軟研究事業(yè)部負責人，未來論壇理事
張鈸 清華大學計算機系教授、中國科學院院士、清華大學智能技術(shù)與系統(tǒng)國家重點實驗室學術(shù)委員會名譽主任
【畫面從左至右分別為：主持人洪小文、李飛飛、李凱、沈向洋、張鈸】
雷鋒網(wǎng)在第一時間記錄整理了四位大牛的精彩發(fā)言。他們似如山巔上的先知，通過他們的預言，似乎可以窺見人工智能的下一個春天。
---
Part1：對于目前人工智能的理解
---
大家都說人工智能可以做很多事情，我想先說說人工智能目前還不能做什么。
人工智能學科從創(chuàng)立到現(xiàn)在，只往前走了兩步。
以前人工智能只是建立在數(shù)學模型的基礎(chǔ)上。而推理模型在數(shù)學模型的基礎(chǔ)上，把問題變成：如果可以把這個問題清晰地表述出來，用陳述性或過程性的語言，那么計算機就能解決它。
當這個模型被提出來，人工智能解決問題的能力提高了一大步。這樣，可解的問題就遠比用數(shù)學表達的問題多得多。
實際上，當時對人工智能的估計過高。因為人們發(fā)現(xiàn)，能“清楚表達”的問題很少。及時是理性思考，有很多問題都不能表述。
這又讓人工智能向前邁了一步，而且這一步比前一步大得多。
之前，我們可以用計算機解決的問題是“知其然又知其所以然”的問題。而有了深度學習，我們也可以解決“知其然而不知其所以然”的問題。特別是可以解決感知、視覺、聽覺等方面的問題，例如：張三長什么樣子，這個實在是不好表述。
我們身邊充滿“說不清道不明”的問題，用新的深度學習技術(shù)可以解決很多這類問題。但是，我們的人工智能還沒有到頂峰。
目前的人工智能有三個限制條件。
1、確定性
2、完全的知識和信息
3、封閉化、特定化的問題
一個典型的人工智能可以解決的問題就是：阿法狗下圍棋。
圍棋有著確定的規(guī)則和目標；
對方如何下子，盤面的信息，完全可以知道；
而所有答案的可能性是一個封閉的。
處理帶有這三個限制條件的問題，計算機肯定比人類好。但是如果缺一個條件，計算機就非常難完成了。例如打橋牌，答案不是封閉的，計算機就很難做了。
一年以前，如果我和微軟小冰聊天。我說我叫張鈸，小冰就會傻眼了。因為他沒有我的信息。我如果說我是章子怡，小冰應(yīng)該可以聊下去。所以，盡管小冰很厲害，但是和人的智能還是差得多。
深度學習目前有兩個很難克服的重要缺點：
1、魯棒性差。機器學習過的內(nèi)容，和沒學習過的內(nèi)容，在識別效果方面差距太大。例如一個模式識別系統(tǒng)，經(jīng)過訓練可以很好地識別馬、牛、羊。你給它一塊石頭，它有可能認為是馬。
2、機器數(shù)據(jù)輸入和輸出結(jié)果差距太大。人的智能是舉一反三，而機器是舉一百反一。給幾百萬的數(shù)據(jù)，識別幾萬個目標。這和人類是背道而馳的。
所以，現(xiàn)在的人工智能還有很長的路要走。
很多朋友都知道我剛剛生了我們家的老二，還不到一歲大。
作為人工智能研究者，我很高興能體會當媽媽的感覺。之前張鈸老師說感知代表了很多“不知其所以然”的問題，在現(xiàn)在大規(guī)模數(shù)據(jù)標注的情況下，都可以解決。
我覺得人工智能的下一步應(yīng)該是認知。
認知包括很多我們還不太清楚怎么用數(shù)學和人工智能表達的。比如：知識系統(tǒng)的建立、情感的產(chǎn)生和交流、好奇心和創(chuàng)造力驅(qū)動的學習，還有 learning to learn。這些都是認知的范疇。
確實，我們?nèi)斯ぶ悄苡钟瓉砹舜禾?，但下面確實還有很長的路要走。
我認為下一步人工智能的發(fā)展，需要加強對情感，情緒的了解，要走進認知學，心理學。我說的不僅是腦科學，而是認知學。因為我們目前對人的情感理解非常少，而這對于人工智能來說是很重要的。
作為人工智能學者，能夠得到這么多關(guān)注，我很高興。但是我也擔心這樣的“泡沫”會帶來什么。如果是更多的機會和研發(fā)投入，當然是好事；如果是過度承諾或者不切實際的產(chǎn)品研究工作，可能會對這個領(lǐng)域有些不好的影響。
我參加過很多論壇，大家都在問：人工智能什么時候能超過人？一般專家都會推斷通用人工智能超過人的時間，一定在他去世之后的某個時點，例如：五十年后。到了要驗證正確與否的時候，他已經(jīng)不在了，也就不會有人追究他了。（笑）
但人們提出這個問題的時候，有一個假設(shè)條件，那就是：假定人自身的智能不再往前走了。
但是，實際上人的智能還是往前發(fā)展的。如果現(xiàn)在我們對人的大腦有了新的了解，就可以很快幫助我們提高自己的智能。而人堆大腦的了解，也可以幫助提高人工智能的水平。
深度學習，實際上是把我們對人腦神經(jīng)網(wǎng)絡(luò)非常簡單的理解變成算法。然后加之以數(shù)據(jù)，發(fā)現(xiàn)智能效果很好。但是，這些人腦神經(jīng)的只是都是三四十年以前的知識。而我們在期待腦科學有新的突破，這些新的知識一定可以推進人工智能的一大步。所以說，智能這條路是很長很長的。無論對于機器，還是對人。
我在工業(yè)界工作，對人工智能的發(fā)展還是持非常樂觀的態(tài)度的。
雖然張鈸老師講人工智能存在種種問題，但是我們現(xiàn)在有數(shù)據(jù)，有新的算法。我很相信，
五年之內(nèi)，語音識別技術(shù)一定可以超過人；
十年之內(nèi)，機器視覺一定比人好。
可以據(jù)此我們可以想象未來是怎樣的圖景。
站在今天來看，我們所有的商業(yè)應(yīng)用都被顛覆了。從銷售市場，到人事招聘，到用戶服務(wù)，所有的商業(yè)環(huán)節(jié)都被 AI 改變了，所以從商業(yè)角度來看，我看到的是更多的機會。
---
Part2：這次人工智能的復興，要感謝深度學習和大數(shù)據(jù)。那么，深度學習到底是什么，未來可以看到它怎樣的發(fā)展？為了人工智能的終極目標，除了深度學習意外，我們還需要哪些其他的研究方向？
---
五十年后的事情可能我說不清楚，但是我可以說說三五年之后的事情。很多人說究竟現(xiàn)在是人工智能的春天還是夏天？有人說春天，因為正在蓬勃發(fā)展。有人說夏天，因為有點熱過頭了。
但是我說現(xiàn)在是人工智能的秋天。秋天有兩個含義。
人工智能現(xiàn)在有果實可摘。為什么我覺得很樂觀？因為我覺得人工智能所需的三個資源都是無限的。
1、大數(shù)據(jù)
2、算法
3、計算力
未來相當一部分人都會往這個方向去做，會在包括語音、圖像方面取得很好的成果。
做科學研究，我們要知道冬天要來了。這意味著我們要考慮下一個春天要播種什么種子。也就是說，后深度學習時代，我們要搞什么事。
說到腦科學。人腦有很多層次。其中的智能分布還有大量內(nèi)容我們并不了解，這些從頂下下，側(cè)向連接等等模式，我們都還不了解。
目前，我們對腦科學只學了一點，就有了這么多成果。如果我們研究更多，一定會有更多的成果?；趯θ四X的深度研究，結(jié)合神經(jīng)科學和腦科學，我們要發(fā)展新的計算模型。
這兩個能力對于現(xiàn)在的人工智能是很重要的?，F(xiàn)在為止驅(qū)動人工智能就有兩招：數(shù)據(jù)驅(qū)動和知識驅(qū)動。下面的發(fā)展就要把兩招結(jié)合起來。特別是自然語言處理，離不開知識驅(qū)動，只靠數(shù)據(jù)是不夠的。
如果這兩個能做好，人工智能就會迎來下一個春天。
說到深度學習，“深度學習”大概在2006年被提出來，但是在2006年之前，“神經(jīng)網(wǎng)絡(luò)”這個概念已經(jīng)存在了二三十年。神經(jīng)網(wǎng)絡(luò)領(lǐng)域里，很重要的里程碑是back-propagation。在九十年代，計算機視覺方面做出了 Convolutinal neuron networks，今年的 Deeplearning 基本是這個結(jié)構(gòu)。
現(xiàn)在大部分成功的深度學習是神經(jīng)網(wǎng)絡(luò)是有監(jiān)督學習。有完全的數(shù)據(jù)標注以后做的。
很多人都在思考如何做無監(jiān)督的學習，之前也有很多工具。深度學習革命性的一點是取代了對特征的加工。像之前的 SVM，都是“Engineering Feature”，而深度學習是直接學習數(shù)據(jù)。
深度學習不操作數(shù)據(jù)本身，而是對結(jié)構(gòu)本身進行操作。這就造成了一種感受，深度學習本身結(jié)構(gòu)太復雜了，例如152層，1001層。這里有巨大的空間，可以突破結(jié)構(gòu)的層面。我認同張鈸老師說的，數(shù)據(jù)和知識的結(jié)合。
現(xiàn)在我們的 AI 都是用邏輯的方法來判斷情感。因為邏輯代表 IQ，而情感代表 EQ。人類的情感是非常豐富的。未來，從情緒到情感，最是人工智能未來前進的方向。
任何工作都有近期和遠期。近期人工智能的發(fā)展，我很認同李飛飛講的，和深度學習有關(guān)。機器學習和以前的專家系統(tǒng)有一個非常不同的地方。專家系統(tǒng)是用軟件把人的知識寫到系統(tǒng)里。機器學習輸入的是算法+知識，輸出的是程序。
我和李飛飛和做的時候，我們兩個是比較另類的的研究者。大多數(shù)人在算法上做，我們覺得應(yīng)該發(fā)展知識。知識就相當于上學的時候的教科書?？傄腥藢懡炭茣?strong>如果沒有人寫教科書的話，學習方法再好，老師再好，你學的是一年級的教科書，也不可能成為博士。所以我覺得很多領(lǐng)域都需要有人寫教科書。
學術(shù)界很多人的目標不是產(chǎn)生巨大的貢獻和影響力。需要寫很多文章，這樣可以拿到很多資金。我們做的時候沒有資金——申請的時候被拒絕了。
近期人工智能要想發(fā)展，一定需要有人做知識的積累和總結(jié)。
長遠來看，我認同兩位的意見，對人的大腦，人的智力是怎么工作的，要有更多的了解。這樣才會幫助整個 AI 向前走。
我很贊同各位的說法。在商業(yè)上，接下來三五年毫無疑問 AI 可以幫助我們解決很多問題。但是秋天過了，冬天我們要做什么呢？
我覺得有兩點。
第一點，我覺得數(shù)據(jù)很多、算法互通，確實是取之不盡的。但是在計算能力這件事上，我們應(yīng)該更加重視。幾十年下來的摩爾定律，讓我們可以把人工智能做到了今天，這是非常了不起的飛速增長的五十年。但是工業(yè)界普遍會認為，計算能力會慢慢降下來。這也是大家為什么都在非常認真地去做量子計算，也要到十年、十五年才能看到突破。
今天我們 AI 向前走必須要考慮的問題是：計算能力的瓶頸。
第二點，我們要考慮為什么做 AI。是不是計算能力的增強，就一定會產(chǎn)生智能。從人腦的結(jié)構(gòu)來看，我們應(yīng)該定義一個小目標：利用符號學和深度學習做一些結(jié)合，希望在腦科學和人工智能結(jié)合上，解決幾個了不起的問題。我自己想要解決三個和人腦息息相關(guān)的病。
兒童孤獨癥
中年憂郁癥
老年癡呆癥
人工智能如果能解決這三個問題，就是相當了不起的成就。
有關(guān)計算能力方面我想做一下補充。
同樣的一個題目，在我們腦里解決一點不費勁，為什么在計算機里面就要這么多的計算資源來弄？我們要思考的是這個問題，而不是拼命加快計算機。
我覺得，正是因為我們過去走的這條路，迫使我們必須加快計算力。我的觀點是，我們過去做的計算機，從空間結(jié)構(gòu)來講是最簡單的，馮·諾依曼結(jié)構(gòu)。而大腦的空間結(jié)構(gòu)最復雜。你想用一個空間結(jié)構(gòu)最簡單的東西去做空間結(jié)構(gòu)復雜的工作，它花去的代價就是計算時間的增加。世界上沒有免費的午餐。
過去我們使用大量的計算時間來換取同樣的結(jié)果，現(xiàn)在能不能改變思路。把計算機做一下改變，例如 IBM 公司正在做，讓神經(jīng)網(wǎng)絡(luò)的復雜度提高，換來能耗和時間的降低。
至于量子計算，我覺得不要指望，量子計算不可能代替現(xiàn)在的計算機。我們要在現(xiàn)在的計算機基礎(chǔ)上進行改造，也就是研究是不是能夠加快計算機的運行。
更多人工智能內(nèi)容，請關(guān)注雷鋒網(wǎng)。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
