张钹:人工智能进入后深度学习时代

选择字号:   本文共阅读 263 次 更新时间:2020-05-05 12:50:10

进入专题: 人工智能  

张钹  

   1.引言

   人工智能(artificial intelligence,AI)是一门怎样的学科?目前进展到什么程度?它又该向何处去?借《智能科学与技术学报》创刊号出版的机会,谈一点我的粗浅看法, 供读者参考, 并以此祝贺《智能科学与技术学报》创刊!

   AI 尽管有很多定义,不同的学者对它也有不同的理解,但是目前较普遍的一种认识是, AI 是计算机科学的一个分支,它的任务是研究与设计智能体(intelligent agents)。智能体是指能感知周围环境(perception),经理性思考(rational thinking)后,采取行动(action),使其达到目标的成功率最大化。由于实现 AI 的主要工具是计算机,因此很自然地,AI 一直在计算机科学与技术的领域中发展至今。

   从 1956 年诞生以来, AI 发展的道路跌宕起伏,原因其实很简单,就是我们对于人类的智能(自然智能)了解得太少。也就是说,我们是在对人类大脑工作机制了解很少的情况下,去研究与实现机器智能的,这当然是一项很难完成的任务。那么 AI的学者们如何去完成这项任务?和其他科学领域一样,采取的方法是:大胆假设、小心求证。通过不懈的探索, AI 的研究至今已经经历了两代,现正进入第三代,即后深度学习时代。

   第一代 AI 是由 AI 奠基者们共同创立的,最初的思路与假设,是由认知心理学家提出的,他们在已有脑科学和心理学知识的基础上提出一种假设,即物理符号系统假设(physical symbol system hypothesis,PSSH),内容如下: A physical symbol system (such as a digital computer) has the necessary and sufficient means for intelligent action[1]。

   基于这个假设,经过不同领域学者,特别是计算机科学家的共同努力,至今有一套建造 AI 系统的理论与方法,即以知识和经验为基础的推理理论与方法,通常称之为“符号主义”(symbolism)学派。回顾 60 余年不平凡的实践,我们对符号主义的理论与方法又有什么样的结论?由于人类的理性智能(行为)是以知识、经验与推理能力为基础的,因此符号推理模型适合模拟人类的理性行为。但其中也存在不少困难,比如,知识与经验大多数不易准确描述,专家的知识与经验十分匮乏且难以获取;人类的知识与推理机制充满不确定性以及存在大量的常识等,这些因素阻碍了符号推理理论与方法的发展与大规模应用,引起了 AI 一段时间里的停滞与挫折,即所谓“AI 的冬天”。不过,进入21 世纪之后,由于网络与大数据的出现,符号主义的理论和方法得到了一定程度的复苏,其中最有代表性的工作是 IBM 公司研发的 Watson(沃森)系统,该系统于 2011 年 2 月 14 日在美国电视知识问答竞赛节目危险边缘(Jeopardy)中战胜了前全美冠军 Brad Rutter 和 Ken Jennings。这个系统的成功之处在于使用了大量的数据(原始文本),如百科全书、词典、文学作品和有线电视新闻等,共 4 TB(折合成纸质出版物大约是 2 亿页)。这个系统不仅拥有大量的知识(包括原始文本),还有多种推理机制,能够实现分类推理、空间推理等简单的推理功能。IBM 的工作表明,在人机对话中,如果提的问题是明确的(没有模糊性和二义性),答案是唯一的,领域是有限的——在符合这些条件的情况下, 机器可以达到甚至超过人类的水平。 这意味着,机器将会在许多商业咨询服务中得到广泛的应用,如人工咨询问答系统等。符号主义在大规模应用上十分有限,除其自身一些缺点(如难以构建、就事论事、难以推广等)之外,还有部分原因是当时计算机的计算能力有限。尽管还存在许多弱点,符号主义依然是实现 AI 的一个重要模型,对于推动 AI的发展有着重大的意义。因此,在为创建和实现这个学派做出贡献的学者中,先后有 6 名获得了图灵奖,他们分别是:Marvin Minsky(1969 年), John McCarthy(1971 年),Allen Newell、Herbert A. Simon(1975 年),Edward Feigenbaum、Raj Reddy(1994 年),均来自美国。

   第二代 AI 是以深度学习为代表的统计学习理论与方法,这种模型的思路来自连接主义(connectionism),而后者是由神经科学家和数学家提出的[2-3],它建立在以下的假设基础之上:The central connectionist principle is that mental phe-nomena can be described by interconnected networks of simple and often uniform units。

   经过几十年的徘徊与曲折前进,在各个领域的研究人员,尤其是计算机科学家的努力下,最终形成了一套人工神经网络的理论与算法,使 AI 在 21世纪初进入了欣欣向荣的深度学习时代。回顾 60多年的 AI 历史,我们又该如何评价这个时代?人工神经网络模型适用于模拟人类的感知,由于它能够处理和利用大数据,因此获得了广泛的实际应用。比如在给定的数据库(图像库或语音库)下,图像识别和语音识别的准确率可以达到甚至超过人类的水平。尽管深度学习有许多优势,但是通过它构建的 AI 系统往往表现出以下致命的弱点:不可解释性、脆弱性(顽健性很差)、很容易被欺骗和攻击、需要大量的数据等。这些弱点使其只能在有限的场景下使用,如完全信息、确定性信息、静态(或按照确定性规律演化)环境、限定领域等。在发展第二代 AI 中做出重大贡献的 5 名学者先后获得了图灵奖,他们分别是: Leslie G. Valiant(2010年),Judea Pearl (2011 年),Yoshua Bengio、Geoffrey Hinton、 Yann LeCun(2018 年),其中 4 位来自美国, 1 位来自加拿大。

   深度学习的上述弱点是致命的,是学习机制本身带来的,因此是本质性的。近几年, AI 学者开始思考下一代(即第三代)的 AI。在 2016 中国计算机大会(CNCC2016)上,我们最早提出了“后深度学习时代”的概念,本文中的许多观点均是在那次会议上提出的。 2017 年 DARPA(美国国防高级研究计划局)启动可解释人工智能(explainable AI)计划,发展可解释、可信的人工智能技术。 2018 年9 月, DARPA 启动 AI Next(下一代人工智能)战略,提出发展第三波(third wave)人工智能基础理论和技术;同期还启动了 LwLL(learning with less labels)项目,以提升机器学习在数据利用方面的高效性。那么,第三代的 AI 应该是怎样的?大体说来,有以下几点:建立可解释、顽健的人工智能新理论与新方法;发展安全与可信的人工智能新技术;推动人工智能的创新应用。通过什么途径才能达到这个目标?大体说来,有两个途径,一个是与脑科学,特别是神经科学结合,探索新的模型和原理;另一个是,把知识驱动与数据驱动结合起来,发挥各自的优点,克服各自的弱点,达到互补的目的,以实现向后深度学习时代的转变。2.结束语当 AI 进入新的时代——后深度学习时代,各国都将处于同一起跑线上,谁能跑到最前面并引领AI 的发展,完全取决于其创新能力,特别是原始创新能力。因此加强基础理论研究至关重要,因为只有理论上取得进展,才能带来关键技术的突破,从而引发新一轮的创新应用,充分把握新时代给予我们的机遇与挑战。

  

   参考文献

   [1] NEWELL A, SIMON H A. Computer science as empirical inquiry: symbols and search[J]. Communications of the ACM, 1976, 19(3): 113-126.

   [2] WARREN M, PITTS W. A logical calculus of ideas immanent in nervous activity[J]. Bulletin of Mathematical Biophysics, 1943, 5 (4): 115-133.

   [3] DONALD H. The organization of behavior[M]. New York: Wiley. 1949.

   作者简介

  

   张钹(1935- ),男,福建福清人,中国科学院院士,清华大学教授、博士生导师,清华大学人工智能研究院院长,主要研究方向为人工智能、人工神经网络等。 

  

  

  

    进入专题: 人工智能  

本文责编:yangjiaxin
发信站:爱思想(http://www.aisixiang.com),栏目:天益笔会 > 科学精神 > 科学评论
本文链接:http://www.aisixiang.com/data/121167.html
文章来源:《智能科学与技术学报》 2019年3月 第1卷 第1期

1 推荐

在方框中输入电子邮件地址,多个邮件之间用半角逗号(,)分隔。

爱思想(aisixiang.com)网站为公益纯学术网站,旨在推动学术繁荣、塑造社会精神。
凡本网首发及经作者授权但非首发的所有作品,版权归作者本人所有。网络转载请注明作者、出处并保持完整,纸媒转载请经本网或作者本人书面授权。
凡本网注明“来源:XXX(非爱思想网)”的作品,均转载自其它媒体,转载目的在于分享信息、助推思想传播,并不代表本网赞同其观点和对其真实性负责。若作者或版权人不愿被使用,请来函指出,本网即予改正。
Powered by aisixiang.com Copyright © 2021 by aisixiang.com All Rights Reserved 爱思想 京ICP备12007865号-1 京公网安备11010602120014号.
工业和信息化部备案管理系统