0
| 本文作者： 宗仁 | 2016-10-20 22:20 | 專題：2016中國計算機大會(CNCC 2016) |
雷鋒網按：本文根據張鈸院士近日在 CNCC 2016 上所做的大會特邀報告《《人工智能未來展望，后深度學習時代》》編輯整理而來，在未改變原意的基礎上略作了刪減。
張鈸：CCF會士，2014CCF終身成就獎獲得者，中國科學院院士，計算機專家，清華大學類腦計算研究中心學術委員會主任。曾任信息學院學術委員會主任物聯網物聯網，智能技術與系統國家重點實驗室主任，中國自動化學會智能控制專業委員會主任，計算機學報副主賓，2011年德國漢堡大學授予自然科學名譽博士，2016年獲微軟研究員接觸合作貢獻獎等。從事人工智能理論、人工神經網絡、遺傳算法遺傳算法、分形和小波等理論研究，以及把上述理論應用于模式識別、知識工程、智能機器人與智能控制等領域的應用技術研究，共發表論文200多篇，中英文專著4部。
今年是人工智能60周年，如果用人生的起步來衡量的話，已經進入了老年，不過還是有很多人希望人工智能能提供成熟的成果和技術，用來發展產業、發展經濟進行科學研究。我今天做的報告，將通過分析時代的特點，這個時代下人工智能與計算機的可能命運，來重新認識人工智能，我們賴以生存的計算機，還有我們自己。
如今人工智能的春天又來了，不過和30年前在日本的那次相比，時間不同、地點不同，主題也不同，這一次是關于人工智能第二個成果，深度學習相關的。
從知識情報處理到深度學習
從第五代計算機到類腦計算機
從大容量知識庫到大數據
從高速符號推理到類腦芯片
從自然語言理解到感知（機器人）
我想這一次是不是我們的機會，我們能不能彎道超車還是又一個日本的“五代機”？我的看法是這兩個可能性都存在，關鍵我們怎么做。
中國有句老話，三十年河東，三十年河西，和30年前比現在有何不同？在我眼里兩點，一點是大數據，另一點是概率統計方法（及其理論）。正是因為這兩個因素催生了現在的深度學習大潮。
這個第一點大數據我不用宣傳，大家看這個圖就行。
這是在這種啟發下建立的神經網絡模型，這里神經網絡模型里要著重講下概率統計方法論，兩個詞，一個貝葉斯推理，一個概率統計，被“引進”了人工智能，并使得人工智能發生了革命性的變化。
其實很多人不知道，作為對當下人工智能有根本性貢獻的概率統計，30年前的它跟現在的它還有很多不同。就是下圖的四個里程碑。
我們現在能夠做深度學習，能夠在幾百萬、幾千萬的參數下做優化，很多人都以為是計算機變快，其實不完全是，而是要歸功于概念統計方法的變化。這個變化使得我們現在能把深度學習做好。就是上面四個里程碑的出現，大家一定要注意上面的四個里程碑。
后來這些里程碑進一步發展成神經網絡了，特別是深度學習，使用多層網絡進行學習。所謂深度，就是層數比較多。由于用的深度學習方法，把模式識別、圖像識別等識別方法的準確度提高了10%，這個事情又引起了深度學習的熱。
為什么呢？因為深度學習解決了一個問題，有相當一部分人，按中文的說法，我們知其然，不知其所以然。我能識別了了馬，但我們描述不了馬，然后怎么辦？那就用深度學習辦法：
它可以解決一些不能完全表述的問題，也就是說“知其然，不知其所以然” 的問題。
第二個它能針對不確定性的問題，我們不斷的變化，我可以不斷的再學習，最后，它能解決不能清楚表達的問題。
另外，深度學習還有一個完全改變傳統神經網絡的作用，它不僅僅做函數映射，更重要提取那些多層次重復的模式，這是我們講的真正公共的特征。
這樣使我們做模式識別可以達到很高的水平，后來這些用到模式識別、用到語音，包括用到文本（現在正在做，但是效果不如前面，但也有一些效果），效果都很不錯。
我們可以這么來說，深度學習這個第二個人工智能提供出來的成果，可以幫助我們解決在給定的數據庫下，有了可利用的大數據，在感知信息處理上，有可能達到人類的水平甚至超過人類的水平。
后深度學習時代的人工智能，就是想把人工智能從這個狹義的，只能解決一定范圍的方法，推廣更寬廣的范圍去，這就是我們現在講所謂的弱人工智能、強人工智能、以及通用人工智能。那我們要做這個工作面臨什么挑戰？基本上面臨三個挑戰。
1）一個是概念統計方法帶來的困難。
我們剛剛說概率統計方法，對人工智能起到了革命性的變化，但是也給人工智能帶來極大的挑戰，這就是概念統計本身的原因——通過大量的數據，它只能搞出來重復出現的特征，或者是數據中間的統計關聯性，它找出來的不是本質上的特征、語義上的特征，它找出來的關系，也不是因果關系，而是關聯關系。
這樣做的后果是什么？這里有深度網絡做出來的手寫數字識別系統，各種各樣的2它都能認出來，它聲稱它這個性能超過了人，識別能力很超前 。
但你們看，當我們用這種噪聲去欺騙它，它可以用99.99%的置信度確認它是2，這在人是不可能發生的，為什么機器會發生，因為機器去認識這種0和1，不是根據0和1本身的性質來認識，而是通過黑白分布的統計性質來認識它，因為這排噪聲跟2的統計是一樣的，所以才有這樣的錯誤。
這個在模式識別上沒有問題，但如果用到決策就會出現大錯，它甚至可以把一塊石頭看成是馬。這個問題非常嚴重，也就是說深度學習區分的是重復的模型，但大腦區分的是語義的特征，這兩種區分有本質的區別，但是有關聯。
2）第二個，生數據帶來的問題。
大數據有很多好處，其實大數據帶來很大問題。我們現在大數據跟以前的大數據不一樣，大量的數據是生數據。我們看網絡上傳來的數據都是摻雜了很多噪聲，有騙人的，有各種垃圾，這種數據叫生數據。大家看下機器對于生數據和經過加工的數據的魯棒性表現相對很差，不像人。
如果我們用右邊的圖去訓練這個神經網絡，它能很好認識的貓；如果用左邊的圖，它很難認識，因為它不知道貓在哪兒。這個吳教授在我們學校做報告的時候，我跟他開玩笑說，你老說你的好成果，不說你的毛病，它為什么能在貓臉與人臉的識別上都識別地非常好，因為它用訓練例的時候，是經過精心挑選的，沒有背景，沒有經過加工。因此，這三樣東西的識別都做地非常好。但如果正例、負例都隨便取，那它的識別率只有百分之十幾，幾乎不認識，可見機器跟人的認識形式是很不一樣，它非常不魯棒。
3）第三個，推廣能力，領域遷移。
這兩種方法都是就事論事，都很難推廣到不同領域，這就是我們的挑戰。我們要從一個弱的智能到通用智能，必須要克服這種困難，如果解決這種困難，目前來講兩個解決辦法。
1）一個辦法，是人工智能的這兩個方法結合起來，因為這兩個方法是互補的。
因為知識驅動跟語義掛鉤，是理解；數據驅動是黑箱的方法，不理解，但可以保持從數據中提取模型。那么，前面那個必須有人工做模型，這個地方關鍵在哪兒？知識驅動方法是用離散的符號表示，深度學習是用高維空間里頭的向量，這兩個東西我們如果能把它 “溝通” 起來，就會把人工智能推動非常大地一步，現在世界上很多機構也在做這件事。
2）另外一個辦法，就是回到神經網絡的本源。
它是根據神經網絡和深度學習借助于人腦神經的工作機制來形成的，人的神經網絡有一套辦法，這套辦法可以借鑒到現在的人工神經網絡來，這個工作，世界上也有很多機構在做。
我們一般把計算方法、深度學習，這兩個東西如果能夠溝通起來，現在主要做的溝通，這兩個方法結合起來就會把人工智能推廣大大的應用。
第二個，我一個文本看起來洋洋灑灑數萬頁，我為什么知道這里面說的是什么，因為不同局部的，我怎么從局部的信息，把它整合成為全局的認知，這個大腦里面也有一套辦法，這里面也涉及到很多研究。如果我們把這些研究移植到這個地方來，把人工智能往前走一步。
現在對計算機有這么幾個批評，一個你能耗太大，大腦這么大強，才25W，你這一個計算機得多少？另外一個批評，就是對馮諾依曼結構，人腦里面是處理跟存儲在一起，你處理跟存儲分開，所以對對現在的計算機說三道四。
我想給大家吃一個定心丸，現代的計算機，我們這個人工智能學會（里的人）還是可以靠它維持很長時間的。首先，現在大家討論最熱的一個是個量子計算、一個是類腦計算。大家不要量子計算一出來現在的計算就不行了，不對了。因為量子算法，目前只有一個算法，它就是因子分解，它可以把指數變成多樣性，其它的都沒用。其它的，這個計算機即使它出來，只有涉及到因子分解那些算法，它有可能加快，其他它目前還沒有算法，算不了。所以量子計算機現在絕對代替不了現在的計算機，就像量子通訊代替不了現在的通訊一樣。
我想給大家吃的第二個定心丸，現在講的類腦計算，正確地講叫Brain Inspired Computer，而不是Brain like，大腦你都不知道什么樣子，你like誰呢。
如何建造計算，實現人工智能的兩種途徑，計算機方式或者學大腦的方式。數據提高了，加一個網絡芯片，目前做這個工作的人基本上都得保留一些馮諾依曼架構，不能把馮諾依曼立馬取消了。當然也有人直接從右邊往左邊做，這個是屬于基礎研究的一類，我們要做的話，這個類腦就需要學科的交叉，我特別推薦要數學、認知科學、心理學、神經科學和語言學等。
最后說一下，人工智能究竟有多大的希望呢？取決于我們對認知的世界的認知，取決于我們對自身的了解多少？
好了，我們把我們對自身的了解分成兩個部分，左邊部分是“我們知道we know”，右邊那部分叫做“我們不知道”，所以我們把它畫大一點。
我們知道的東西的白色的部分，這就是“我知道的知道”，這就是知其所以然更知其所以然，這就是白盒。（We know what we know）
比如說下國際象棋，就是我們能說清楚，我們知其所以然，又知其所以然，這個用傳統的人工智能模型可以解決它。
我們知道的下方黑色部分，是“我們不知道的知道”。（ We don't know what we know）。
這是黑箱，感知就是這樣，我們知其所以然，不知其所以然，我們知道那是張三，但我們說不清楚張三鼻子多高眼睛多大，那怎么辦，用深度學習。
從黑箱到白箱中間有個灰色地帶，好多問題有的說清楚，有的說不清楚。最典型的就是圍棋，圍棋有一部分能說清楚，而象棋都能說清楚，馬為什么這么走，卒為什么要向前走，圍棋絕大部分一顆白子為什么要落在這個地方，大師也說不清楚，他會說這是我的棋感。
棋感怎么做？這就是AlphaGo的重大貢獻，把棋感當作模式識別來做，你看到這個版面以后，你就應該知道怎么落子，這個版面就是一個模式，現在我們現在可以說，大師下圍棋下得好，不是因為它太聰明了，而是他的模式識別能力非常強，棋子有一點點變化，他就知道變了，就知道我的策略要變，這個就是用傳統模型+深度學習，AlphaGo就是這么做的，蒙特卡洛搜索＋深度學習。這就是我們不知道的知道。
還有藍色的部分，我們是不知道，但是我們（清楚地）知道我們不知道。（We know what we don't know）
比如情感、意識等等，這個也能夠用深度學習的方法來模擬，至少做到表面模擬。人工智能能做的這么多，這就是人工智能的厲害之處，為什么大家注意到，過去除了白色的部分，其它部分我們都不能做，人工智能卻能夠做這一切。
但是唯獨黃色這部分，我們都不知道我們不知道。（We don't know what we don't know）
我們都不知道怎的情況下怎么做呢？腦科學研究覆蓋了所有，所以，我們的信息是建立在這個基礎上，我們不知道的我們不知道，變成我們知道的我們不知道，再把它變成我們知道的我們知道。傳統的算法只占在白色部分的一小部分，也就是說可以建立數學模型的問題，所以，我們為什么說人工智能寄予這么大的希望，原因就在這兒。
我就說這么多，謝謝大家。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
