|
這或許是 2019 年年末，國(guó)內(nèi)對(duì)人工智能最后也是最大的一次把脈。 2019 年 12 月 20 日，由鵬城實(shí)驗(yàn)室、新一代人工智能產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟主辦的為期兩天的「新一代人工智能院士高峰論壇」在深圳開幕。 這次會(huì)議延續(xù)去年強(qiáng)大的院士陣容，今年邀請(qǐng)了多達(dá) 10 位院士以及諸多人工智能領(lǐng)域?qū)W術(shù)和企業(yè)界的頂級(jí)專家，從各自的領(lǐng)域深度剖析了人工智能領(lǐng)域的發(fā)展現(xiàn)狀和未來(lái)值得探索的方向。 AI 科技評(píng)論從第一現(xiàn)場(chǎng)擷取部分學(xué)者和專家觀點(diǎn)，以饗讀者！由于內(nèi)容較多，本文先呈現(xiàn)部分內(nèi)容，更多信息敬請(qǐng)關(guān)注 「AI 科技評(píng)論」隨后的報(bào)道。 1、蒲慕明院士：腦科學(xué)與類腦智能研究
中國(guó)科學(xué)院院士、美國(guó)科學(xué)院外籍院士蒲慕明 蒲慕明院士談到：「我認(rèn)為下一代人工智能的一個(gè)很重要的發(fā)展方向就是，腦啟發(fā)的新型人工智能。我們國(guó)家在未來(lái) 10 年將啟動(dòng)的重大項(xiàng)目叫做腦科學(xué)與類腦研究，整體框架為『一體兩翼』，主體是腦認(rèn)知功能的神經(jīng)基礎(chǔ)，做全腦神經(jīng)連接圖譜，兩翼則是指研究?jī)?nèi)容分為腦重大疾病診斷和干預(yù)、腦機(jī)智能技術(shù)研發(fā)兩個(gè)方向?！?/p> 他指出理解大腦需要從三個(gè)層面上的神經(jīng)連接圖譜分析： 第一個(gè)是宏觀圖譜。通過核磁成像的技術(shù)可以看到毫米級(jí)的神經(jīng)束，每個(gè)神經(jīng)束都有成千上萬(wàn)的細(xì)胞纖維，傳導(dǎo)方向是雙向，但只了解神經(jīng)束的走向?qū)τ诶斫饽X功能并沒有太大貢獻(xiàn)。 第二個(gè)是介觀圖譜，空間分辨率要達(dá)到微米級(jí)別。用特殊方法來(lái)標(biāo)記不同的神經(jīng)元種類，了解不同神經(jīng)元的功能。介觀神經(jīng)連接圖譜是目前神經(jīng)科學(xué)的主要方向。 第三個(gè)是微觀圖譜，空間分辨率要達(dá)到納米級(jí)別。在微觀層面對(duì)神經(jīng)元軸突和樹突的分布以及突觸產(chǎn)生規(guī)律的研究可以得到很多有用信息的。 進(jìn)一步，他認(rèn)為類腦智能研究中要考慮三個(gè)層次的認(rèn)知： 第一個(gè)層次是對(duì)外界的認(rèn)知，包括感知覺、多感覺整合和注意、分類等，是許多動(dòng)物都擁有的認(rèn)知能力，對(duì)此可以從動(dòng)物模型中尋找一些信息和啟發(fā)； 第二個(gè)層次是對(duì)自我和非我的認(rèn)知，包括自我意識(shí)、共情心和理解他者能力，但可能只有靈長(zhǎng)類動(dòng)物才有，因此只能基于靈長(zhǎng)類動(dòng)物進(jìn)行研究，而這是我國(guó)未來(lái)在基礎(chǔ)神經(jīng)科學(xué)研究中最有優(yōu)勢(shì)的領(lǐng)域； 第三個(gè)層次是對(duì)語(yǔ)言的認(rèn)知，這是只有人類才具有的句法、文法以及無(wú)限開放式的語(yǔ)言結(jié)構(gòu)，對(duì)于研究人類語(yǔ)言的神經(jīng)機(jī)制和演化起源，構(gòu)建非人靈長(zhǎng)類轉(zhuǎn)基因動(dòng)物的模型是必要的。 對(duì)于這些腦網(wǎng)絡(luò)特性，人工智能未來(lái)研究中有可以借鑒但目前還沒有借鑒地方呢？蒲慕明院士認(rèn)為有五個(gè)重要的點(diǎn)： 第一，神經(jīng)元很簡(jiǎn)單，有不同性質(zhì)和種類的神經(jīng)元，例如抑制性神經(jīng)元（信息反轉(zhuǎn)）、興奮性和抑制性神經(jīng)元亞型（不同放電特性）； 第二，神經(jīng)網(wǎng)絡(luò)有順向、逆向側(cè)向和的聯(lián)接，現(xiàn)在主要是正向的，而加入反向的聯(lián)接會(huì)帶來(lái)好處，而側(cè)向聯(lián)接尤其重要，并且也是有序的。 第三，神經(jīng)突觸的可塑性。這個(gè)方面除了傳遞效率的增強(qiáng)和削弱（LTP 和 LTD）的功能可塑性，突觸的新生和修剪的結(jié)構(gòu)可塑性也非常有用。 第四，記憶的貯存、提取和消退也非常關(guān)鍵，網(wǎng)絡(luò)中特定突觸群的效率和結(jié)構(gòu)修飾便是記憶的儲(chǔ)存，記憶提出是指電活動(dòng)的再現(xiàn)于儲(chǔ)存記憶的突觸群，而記憶消退則是指突觸功能與結(jié)構(gòu)修飾隨時(shí)間消退。另外根據(jù)輸出對(duì)學(xué)習(xí)相關(guān)的突觸群修飾，可進(jìn)行強(qiáng)化學(xué)習(xí)。 第五，赫伯神經(jīng)元集群概念的應(yīng)用，包括細(xì)胞群的建立、多模態(tài)信息的整合，不同信息的捆綁、同步的信息震蕩、時(shí)間相位差以及輸入信息的圖譜結(jié)構(gòu)等等都可以借鑒 最后，他更是對(duì)新型人工網(wǎng)絡(luò)架構(gòu)和機(jī)器學(xué)習(xí)算法提出了四點(diǎn)建議：
除此之外，他認(rèn)為 AI 界應(yīng)該提出一個(gè)新的機(jī)器人或智能標(biāo)準(zhǔn)，從語(yǔ)言和感知覺能力的整合、團(tuán)隊(duì)合作等更多維度去嘗試建立「新圖靈測(cè)試」。 2、高文院士：數(shù)字視網(wǎng)膜與云視覺系統(tǒng)演進(jìn)
中國(guó)工程院院士、鵬城實(shí)驗(yàn)室主任高文 首先，他指出了云視覺系統(tǒng)目前存在的兩大主要的挑戰(zhàn)： 第一，雖然視頻數(shù)據(jù)非常多，但是能夠?qū)ζ溥M(jìn)行規(guī)范并能夠從中挖掘出規(guī)律的大數(shù)據(jù)卻并不多。 第二，這些視頻數(shù)據(jù)中絕大多數(shù)都是正常視頻，而敏感視頻比較少，因而產(chǎn)生的價(jià)值并不大。 而深究到底，這兩大問題其實(shí)是整個(gè)視覺感知系統(tǒng)架構(gòu)造成的直接后果。對(duì)此，高文院士等人從高級(jí)生命體視覺系統(tǒng)的進(jìn)化歷史中尋找靈感，在設(shè)計(jì)新的第二代城市大腦或者說云視覺系統(tǒng)時(shí)，在中間的視覺神經(jīng)通道做工作。他們將這一想法稱之為數(shù)字視網(wǎng)膜。 他進(jìn)一步介紹，數(shù)字視網(wǎng)膜的定義包括八個(gè)基本要素，按照特征或功能可分為以下三組： 第一組特征是全局統(tǒng)一的時(shí)空 ID，包括全網(wǎng)統(tǒng)一的時(shí)間以及精確的地理位置兩個(gè)基本要素； 第二組特征是多層次視網(wǎng)膜表示，包括視頻編碼、特征編碼、聯(lián)合優(yōu)化三個(gè)基本要素； 第三組是模型可更新、可調(diào)節(jié)、可定義，即將模型可更新、注意力可調(diào)節(jié)以及軟件可定義三個(gè)基本元素組合到一起。 不同于傳統(tǒng)的攝像頭只有一個(gè)流，即一個(gè)視頻壓縮流或一個(gè)識(shí)別結(jié)果流，這種數(shù)字視網(wǎng)膜存在三個(gè)流，即視頻編碼流，特征編碼流，模型編碼流，三者各自有分工，有的是在前端可以實(shí)時(shí)控制調(diào)節(jié)，有的是通過云端反饋出來(lái)進(jìn)行調(diào)節(jié)和控制的。 在過去兩三年中，高文院士等人對(duì)此也開展了大量工作，重點(diǎn)實(shí)現(xiàn)了以下四個(gè)使能技術(shù)方面的重要進(jìn)展： 第一個(gè)使能技術(shù)是高效視頻編碼技術(shù)，其中他們提出的場(chǎng)景編碼技術(shù)成為中國(guó)學(xué)者對(duì)世界所做出的的一大貢獻(xiàn)，將編碼效率提升到了一個(gè)新的水平； 第二個(gè)使能技術(shù)是是特征編碼技術(shù)，其中就包括他們與國(guó)際專家一同完成的兩個(gè)國(guó)際標(biāo)準(zhǔn) CDVS 和 CDVA，而 CDVA 更是為滿足支持深度網(wǎng)絡(luò)而建立的標(biāo)準(zhǔn)。 第三個(gè)使能技術(shù)是視頻和特征聯(lián)合編碼技術(shù)，這是由于視頻編碼和特征編碼使用的優(yōu)化模型不一樣，視頻編碼使用的是 2D 優(yōu)化模型，而特征編碼聯(lián)合使用的是 R-A 模型，兩個(gè)模型的曲線方向完全是不一樣的，對(duì)此他們提出了聯(lián)合優(yōu)化模型，將 R-A 和 2D 變成一個(gè)目標(biāo)函數(shù)，通過求最優(yōu)解就可實(shí)現(xiàn)聯(lián)合優(yōu)化。 第四個(gè)使能技術(shù)是 CNN 模型編碼技術(shù)，能夠?qū)崿F(xiàn)多模型重用、模型壓縮（差分編碼）和模型更新等優(yōu)勢(shì)。 最后，高文院士總結(jié)到，現(xiàn)在的云視覺系統(tǒng)不是太有效，對(duì)此我們可以通過類似于像數(shù)字視網(wǎng)膜的新的概念和技術(shù)來(lái)使其變得更加有效，包括降低碼率、減少延遲、提高準(zhǔn)確率、降低云計(jì)算成本以及讓低價(jià)值的視頻數(shù)據(jù)轉(zhuǎn)化為大數(shù)據(jù)等。 隨著數(shù)字視網(wǎng)膜已實(shí)現(xiàn) 1.0 版本，下一步該如何走向 2.0 版本呢？答案是：采用脈沖神經(jīng)網(wǎng)絡(luò)的思路來(lái)做數(shù)字視網(wǎng)膜 2.0。 3、湯曉鷗：人工智能，創(chuàng)新應(yīng)用
商湯科技創(chuàng)始人、香港中文大學(xué)教授湯曉鷗 「我現(xiàn)在都不知道怎么做演講了，大家往往只記得我講的笑話，其實(shí)我也提到了一些深?yuàn)W的人生哲理?！?/p> 臺(tái)下非?！笐?yīng)景」地發(fā)出一陣歡笑聲。 呼應(yīng)主題，湯曉鷗教授首先分享了他對(duì)于「創(chuàng)新應(yīng)用」的理解： 創(chuàng)新，便是做別人沒有做過的事情，帶來(lái)的結(jié)果是花錢，所以從這個(gè)意義上來(lái)說，創(chuàng)新的主要目的就是把錢花出去，這似乎是大學(xué)的功能； 應(yīng)用，則是要把創(chuàng)新落地到產(chǎn)品中，然后把產(chǎn)品賣出去，核心是賺錢，這是公司應(yīng)該做的事情。 然而創(chuàng)新和應(yīng)用這兩個(gè)看似矛盾的點(diǎn)如何并存于公司呢？他指出，對(duì)于于世界上絕大多數(shù)公司尤其是創(chuàng)業(yè)公司而言，根本無(wú)法像谷歌等大公司通過已經(jīng)成熟的業(yè)務(wù)應(yīng)用來(lái)賺取大量的收入，從而為每年用于創(chuàng)新所投入巨額的研發(fā)費(fèi)用買單。那該如何找到自己的生存模式 ？ 商湯便通過與各行各業(yè)進(jìn)行合作，以 AI+賦能來(lái)找到平衡創(chuàng)新和應(yīng)用的方法論。他進(jìn)一步以上班族「從早上八點(diǎn)到晚上十點(diǎn)」一天的日常需求，如駕車上班、樓宇辦公、午餐、外出開會(huì)、游戲娛樂、就醫(yī)問診、休閑購(gòu)物等生活場(chǎng)景，介紹了商湯與相關(guān)行業(yè)在自動(dòng)駕駛、智慧園區(qū)、室內(nèi)導(dǎo)航、智慧零售等各應(yīng)用領(lǐng)域的合作與開發(fā)成果。 基于自身的實(shí)踐經(jīng)驗(yàn)，湯曉鷗教授也針對(duì)「創(chuàng)新 or 應(yīng)用」這一兩難的議題給出了自己的經(jīng)驗(yàn)和思考：我們最初理解的創(chuàng)新一般都是出論文，做研究，在實(shí)驗(yàn)室里做別人沒有做過的東西，然而這樣的創(chuàng)新一旦放到市場(chǎng)上往往是不被接受的。 因此，他認(rèn)為最終的創(chuàng)新其實(shí)不僅僅是技術(shù)的創(chuàng)新，還應(yīng)該包括公司中工程的創(chuàng)新、產(chǎn)品的創(chuàng)新甚至是商務(wù)模式的創(chuàng)新、銷售模式的創(chuàng)新、合作伙伴合作方式的創(chuàng)新以及整個(gè)公司管理模型的創(chuàng)新在內(nèi)的綜合性創(chuàng)新。 「這樣我們才能夠在殘酷的市場(chǎng)環(huán)境中生存下來(lái)，才能在無(wú)比強(qiáng)大的競(jìng)爭(zhēng)對(duì)手面前找到自己的一塊生存空間。而前面，包括商湯科技在內(nèi)的很多公司前面，還有很長(zhǎng)的路要走。」 4、王海峰：自然語(yǔ)言處理前沿
百度首席技術(shù)官、深度學(xué)習(xí)技術(shù)及應(yīng)用國(guó)家工程實(shí)驗(yàn)室主任王海峰 「自然語(yǔ)言處理是人工智能非常重要，也是非常熱門的方向。」王海峰博士表示，自然語(yǔ)言處理是用計(jì)算機(jī)來(lái)模擬、延伸及拓展人類語(yǔ)言能力的理論、技術(shù)及方法，在國(guó)家《新一代人工智能發(fā)展規(guī)劃》中也被列為共性關(guān)鍵技術(shù)。 接著王海峰博士回顧了從基于人工規(guī)則到基于深度學(xué)習(xí)模型的自然語(yǔ)言處理的研究發(fā)展歷史： 基于人工規(guī)則的自然語(yǔ)言處理需要領(lǐng)域?qū)＜?、領(lǐng)域知識(shí)，并把這些知識(shí)建模到計(jì)算機(jī)系統(tǒng)中去，開發(fā)和遷移成本都非常高； 到了基于統(tǒng)計(jì)的自然語(yǔ)言處理時(shí)期，一定程度上可以實(shí)現(xiàn)自動(dòng)訓(xùn)練、模型選擇，當(dāng)時(shí)也出現(xiàn)了很多特征工程師專門去建設(shè)各種特征；另一方面，大量的統(tǒng)計(jì)機(jī)器學(xué)習(xí)的模型在不同的應(yīng)用中會(huì)取得不同效果，所以模型本身的選擇具有一定的局限性。 到了深度學(xué)習(xí)時(shí)代，自然語(yǔ)言處理變得更簡(jiǎn)單、更標(biāo)準(zhǔn)化和自動(dòng)化，一套模型針對(duì)不同的數(shù)據(jù)就可以得到比較好的結(jié)果，所以說深度學(xué)習(xí)跟以前的機(jī)器學(xué)習(xí)模型相比，一個(gè)很重要的特點(diǎn)就是有一套可以適用于不同領(lǐng)域、不同應(yīng)用的方法，這與人腦很像。 他進(jìn)一步指出，算力、算法和數(shù)據(jù)是驅(qū)動(dòng)自然語(yǔ)言處理技術(shù)突破的三大要素，而隨著自然語(yǔ)言處理技術(shù)的飛速發(fā)展，該研究領(lǐng)域也呈現(xiàn)出很多新的變化，如從傳統(tǒng) NLP 進(jìn)行層級(jí)式結(jié)構(gòu)分析，演變到直接的端到端語(yǔ)義表示；從過去局限于理解句子，發(fā)展到現(xiàn)在多文本、跨模態(tài)的內(nèi)容理解；機(jī)器翻譯實(shí)現(xiàn)了質(zhì)量飛躍、從科幻理想落地現(xiàn)實(shí)應(yīng)用等。 隨后，王海峰系統(tǒng)梳理了百度在預(yù)訓(xùn)練語(yǔ)言模型、機(jī)器閱讀理解、多模態(tài)深度語(yǔ)義理解、機(jī)器翻譯等自然語(yǔ)言處理技術(shù)發(fā)展，及開源開放、推動(dòng)產(chǎn)業(yè)應(yīng)用的豐碩成果。 5、五大院士把脈：人工智能的發(fā)展現(xiàn)狀以及未來(lái)能夠做哪些嘗試
吳建平院士：互聯(lián)網(wǎng)與人工智能之間是相通的 吳建平院士：我雖然研究的是互聯(lián)網(wǎng)，不是做人工智能的技術(shù)人員，但互聯(lián)網(wǎng)作為人工智能發(fā)展依賴的技術(shù)之一，我也談?wù)勎业目捶ā?/p> 今年是互聯(lián)網(wǎng)的 50 周年，是我們算機(jī)科學(xué)界是非常重大的紀(jì)念節(jié)日，而實(shí)際上在互聯(lián)網(wǎng)的發(fā)展歷程中，我們能夠找到人工智能的明顯痕跡?，F(xiàn)在很多通信手段都要在互聯(lián)網(wǎng)高層的協(xié)調(diào)下才能工作起來(lái)，如果沒有互聯(lián)網(wǎng)，通信系統(tǒng)便都是獨(dú)立的，那不可能有開發(fā)人工智能的重大機(jī)會(huì)。因而，除了算力和摩爾定律，我認(rèn)為互聯(lián)網(wǎng)同樣是人工智能發(fā)展的巨大因素之一。 與此同時(shí)，人工智能對(duì)于互聯(lián)網(wǎng)也意義重大，比如從 3 年前到現(xiàn)在，互聯(lián)網(wǎng)仍然使用的兩個(gè)著名路由控制：OSPF 和 BGP。二者都在 80 年代末期成為國(guó)際標(biāo)準(zhǔn)，其中涵蓋的機(jī)理大量采用了人工智能，其中以 OSPF 為典型，在任何圖譜結(jié)構(gòu)都能實(shí)現(xiàn)最優(yōu)的路由控制，不管采用什么方式都能達(dá)到最優(yōu)。 這其實(shí)就表明了，很多技術(shù)之間都是相通以及相互支援的：這一點(diǎn)值得我們深思。 趙沁平院士：為什么現(xiàn)在的人工智能都是弱人工智能？ 趙沁平院士：我從 90 年代初期就開始做人工智能，當(dāng)時(shí)人工智能還處于基于符號(hào)推理、知識(shí)處理的階段，當(dāng)然也有神經(jīng)網(wǎng)絡(luò)，但神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)還比較少，還比較弱勢(shì)。而現(xiàn)在，神經(jīng)網(wǎng)絡(luò)的取得了突破性的進(jìn)展，并且得到了很深刻的應(yīng)用。 腦科學(xué)是人工智能的研究方向之一，然而在人工智能中，人腦其實(shí)可以看做一個(gè)「黑箱」，而神經(jīng)網(wǎng)絡(luò)的研究將這個(gè)「黑箱」打開了一點(diǎn)，能夠看到視覺神經(jīng)，這是從腦科學(xué)角度比較初步地研究人工智能。 蒲慕明院士在演講中提到繪制人腦的圖譜非常復(fù)雜，我對(duì)此有兩個(gè)建議： 一個(gè)建議是不直接繪制成人的腦圖譜，而是繪制從胚胎開始一直到成人的腦圖譜，因?yàn)檫@體現(xiàn)了人腦圖譜的發(fā)展過程。與此同時(shí)，我們還要繪制到低級(jí)動(dòng)物到高級(jí)動(dòng)物的腦圖譜，不僅是靜態(tài)的，也要是動(dòng)態(tài)的，當(dāng)然這是需要全世界的腦科學(xué)家們共同長(zhǎng)期努力的結(jié)果； 另一個(gè)建議是把人腦當(dāng)成「黑箱」，不斷地吸取腦科學(xué)研究的成果，并將這些成果及時(shí)地引入到人工智能算法等此類研究上。不止是腦科學(xué)，還要借鑒行為學(xué)研究、認(rèn)知科學(xué)等學(xué)科，當(dāng)然這是從更宏觀的層面來(lái)看。 除此之外，我還有兩個(gè)思考： 第一個(gè)思考是，為什么現(xiàn)在的人工智能都是弱人工智能？很多做人工智能的人的回答都是算法不夠通用、算法不夠強(qiáng)大。這當(dāng)然是一個(gè)因素，包括人也是一樣，人再能干也是有行業(yè)之分，更何況是計(jì)算機(jī)和算法。雖然不存在完全通用的算法，但是可能存在相對(duì)通用的，其中的關(guān)鍵在哪？在于知識(shí)的學(xué)習(xí)和積累。 比如一個(gè)小孩子從一開始只會(huì)吃奶到后來(lái)會(huì)用筷子，他學(xué)習(xí)和打通的是什么？可能是信息通路和腦的組合，這是值得研究的方向。 而在知識(shí)的積累方面，尤其是現(xiàn)在神經(jīng)網(wǎng)絡(luò)面臨數(shù)據(jù)欠缺的問題，這也會(huì)成為重要的研究方向，包括如何組織知識(shí)，如何將領(lǐng)域知識(shí)變成語(yǔ)言知識(shí)以及如何通過神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)來(lái)將這些知識(shí)「為 AI 所用」，這都是值得研究的。 第二個(gè)思考是，人工智能能不能達(dá)到像人一樣的智能水平，能夠?qū)⒅R(shí)逐漸通過自己的學(xué)習(xí)和演化組織成人腦那樣的一輩子可用的知識(shí)？ 目前還有很多我們可以研究的方向，我希望領(lǐng)域內(nèi)的研究者不要一哄而上研究熱門方向，而是要選擇相對(duì)冷的方向，我相信整個(gè)人工智能領(lǐng)域應(yīng)該是波浪式的發(fā)展、螺旋式的發(fā)展，而這需要我們所有人從各個(gè)方面和各個(gè)領(lǐng)域來(lái)一起為這個(gè)目標(biāo)努力。 張東曉院士：人工智能的未來(lái)是「AI+X」，還是「X+AI」？ 張東曉院士：我雖然不是人工智能的專家，但我對(duì)機(jī)器學(xué)習(xí)還比較熟悉。 今天非常高興看到 AI 在各行各業(yè)的應(yīng)用，「AI+X」中的「X」的可以是交通、能源、交融、教育等各行各業(yè)，有的應(yīng)用已經(jīng)非常成熟了，有的應(yīng)用現(xiàn)在還剛剛開始。 無(wú)論是將人工智能視作工具還是平臺(tái)，我都覺得它應(yīng)該不能包治百病，不能解決所有的問題，就像剛剛趙院士講到的，當(dāng)年計(jì)算機(jī)語(yǔ)言也是一個(gè)工具和平臺(tái)。 人工智能將來(lái)的應(yīng)用應(yīng)該是「AI+X」，還是「X+AI」？我覺得這是值得我們考慮和深思的問題。 比如我現(xiàn)在從事的能源行業(yè)，機(jī)器學(xué)習(xí)等人工智能技術(shù)還需要很強(qiáng)的行業(yè)背景和行業(yè)知識(shí)，而如果使用現(xiàn)有的機(jī)器學(xué)習(xí)算法來(lái)做學(xué)習(xí)和預(yù)測(cè)，效果可能就不是那么好了，甚至?xí)霈F(xiàn)很多非物理的答案。比如說濃度可以是負(fù)的，壓力也是可以超過正常的范圍。而一旦加上行業(yè)的知識(shí)，比如說物理原理+專家的知識(shí)+工程控制條件，算法得到的學(xué)習(xí)效果就非常好，比如說在可解釋性、可拓展性，遷移學(xué)習(xí)等各個(gè)方面都會(huì)取得非常好的效果。 現(xiàn)在可能我們需要像商湯、百度這樣的公司，但是我覺得更需要一些行業(yè)的、專業(yè)的公司，這樣才能更好地推動(dòng)推動(dòng) AI 在不同行業(yè)中的應(yīng)用，才能改變整個(gè)應(yīng)用的前景。 蒲慕明院士：絕大多數(shù)做腦科學(xué)/AI 的科學(xué)家都是游客 蒲慕明院士：我先回答一下趙院士的問題和提出的建議，假設(shè)人類大腦結(jié)構(gòu)搞清楚了，不光是成年人的結(jié)構(gòu)，還包括結(jié)構(gòu)怎么形成，每個(gè)人有不同的網(wǎng)絡(luò)、不同的能力、不同的創(chuàng)造力是怎么形成？這其實(shí)是無(wú)盡的科學(xué)問題，下個(gè)世紀(jì)可能都解決不了，但是是大家努力的方向。 趙院士又提到很關(guān)鍵的問題，就是智能，包括自主力、創(chuàng)造力和思維等怎么樣在人工系統(tǒng)中實(shí)現(xiàn)？以及能不能實(shí)現(xiàn)？這是一個(gè)問題。而從傳統(tǒng)的人工智能來(lái)看，圖靈說「我不知道什么叫機(jī)器，什么就像人，我只要在平面上跟我對(duì)話，分不清楚是人還是機(jī)器，它就達(dá)到了人類語(yǔ)言的能力」。假設(shè)有機(jī)器人可以和我們聊天、可以同憂樂并且也能體現(xiàn)創(chuàng)造性的思維，我們就可以說：它從系統(tǒng)上反映了人的層面。至于它是不是有自我意識(shí)和更高級(jí)的創(chuàng)意在那里，這其實(shí)并不是科學(xué)的定義。 下面我主要就腦科學(xué)方面談?wù)勎业目捶ā?/p> 我國(guó)是在全世界的人工智能應(yīng)用是領(lǐng)先的，數(shù)據(jù)和市場(chǎng)都大，但是我們更要看到人工智能十年、二十年之后的發(fā)展。走在人工智能前沿的大公司看到的并不是今年或明年要賺多少錢，而是十幾二十年后是否還能領(lǐng)頭。這就需要投入一批科研人員做前沿研究，而類腦人工智能便是啟發(fā)于腦科學(xué)的其中的一個(gè)非常好的方向。這也是為什么現(xiàn)在像谷歌、微軟等大公司都雇了一大批神經(jīng)科學(xué)的人才去做這方面的研究，會(huì)是因?yàn)樗麄円庾R(shí)到這一方向的前景和重要性。 然而就腦科學(xué)而言，全中國(guó)的科研人員僅為美國(guó)的二十分之一（同樣水平的科研人員）、歐洲的三分之一或者四分之一。 并且現(xiàn)在存在的一個(gè)非常關(guān)鍵的問題是做腦科學(xué)和做人工智能的研究者來(lái)自兩個(gè)不同的領(lǐng)域，彼此之間很少交流。就目前來(lái)看，我國(guó)這兩個(gè)領(lǐng)域的科研人員彼此之間還很難進(jìn)行「對(duì)話」，所以我希望鵬城實(shí)驗(yàn)室能夠帶頭建立一個(gè)機(jī)制，讓兩個(gè)領(lǐng)域的人開展交叉學(xué)習(xí)，讓人工智能領(lǐng)域的人學(xué)學(xué)腦科學(xué)，讓腦科學(xué)領(lǐng)域的人學(xué)學(xué)人工智能。 無(wú)論是做腦科學(xué)還是做人工智能的科研人員，我認(rèn)為可以分為三類人： 第一類是探險(xiǎn)家，這類人非常少，并且其中絕大多數(shù)探險(xiǎn)家都在歐美國(guó)家； 第二類是導(dǎo)游，他們是領(lǐng)軍式的科學(xué)家，以前做過探險(xiǎn)家，找到過一方天地，可以帶一批人去看看好風(fēng)景，這其實(shí)是我們非常需要的，但是往往大多數(shù)導(dǎo)游也是國(guó)外的； 第三類是游客，絕大多數(shù)科學(xué)家屬于這一類，他們被導(dǎo)游帶著玩山游水，找到一個(gè)好玩的地方可能去附近探索一下，但是也不敢走太遠(yuǎn)，怕掉隊(duì)，就只能一直跟著導(dǎo)游走。 現(xiàn)在有年輕的科學(xué)家跟我說，他們每年都需要發(fā)論文、評(píng)職稱、申請(qǐng)獎(jiǎng)項(xiàng)，哪敢冒探險(xiǎn)家的風(fēng)險(xiǎn)？但我認(rèn)為，做「 50% 的游客+ 50% 的探險(xiǎn)家」是能夠做到的。 高文院士：現(xiàn)在計(jì)算機(jī)走不了太遠(yuǎn)，未來(lái)有兩條出路
高文院士：我講兩個(gè)觀點(diǎn)。 第一個(gè)觀點(diǎn)，蒲院士在報(bào)告里講提到希望建立「新圖靈測(cè)試」機(jī)制，這其實(shí)是個(gè)非常好的建議，對(duì)于評(píng)價(jià)人工智能能不能真的做到位、能否和人類的能力相當(dāng)很有意義。 因?yàn)樵趫D靈那個(gè)年代，環(huán)境和技術(shù)實(shí)現(xiàn)的條件和現(xiàn)在沒法比，所以圖靈測(cè)試只對(duì)自然語(yǔ)言對(duì)話的一種測(cè)試，可能實(shí)際上圖靈想的東西肯定不是局限于哪一點(diǎn)，但是落到紙上就是基于自然語(yǔ)言的對(duì)話，并以此來(lái)判定機(jī)器能不能達(dá)到人類的能力。但是現(xiàn)在的場(chǎng)景下，圖靈測(cè)試應(yīng)該不僅限于自然語(yǔ)言的交互，還應(yīng)該包括視覺交互等方面。 現(xiàn)在我們也希望給組內(nèi)的專家一些課題，希望他們重新設(shè)計(jì)一個(gè)新的圖靈測(cè)試，把所有和視頻、圖像、自然語(yǔ)言融合在一起，然后再去測(cè)試。 而圖靈測(cè)試以外時(shí)，圖靈當(dāng)時(shí)還有一段非常巧妙的描述，讓一個(gè)機(jī)器學(xué)習(xí)，怎么學(xué)習(xí)呢？——兒童學(xué)習(xí)級(jí)，分為 1 歲的機(jī)器、2 歲的機(jī)器，隨著年齡的增長(zhǎng)，機(jī)器的學(xué)習(xí)能力也往上增長(zhǎng)。 所以圖靈的希望其實(shí)更是，機(jī)器能夠像人一樣成長(zhǎng)。但是現(xiàn)在搞機(jī)器學(xué)習(xí)的研究者，基本上就是把這件事忘了，上來(lái)就是識(shí)別人臉之類的。 從做人工智能回到本源，研究像人的成長(zhǎng)過程這樣的學(xué)習(xí)，可能對(duì)發(fā)現(xiàn)強(qiáng)人工智能會(huì)有幫助。 第二個(gè)觀點(diǎn)，我非常同意蒲院士說的腦科學(xué)和人工智能的交叉研究。 他在報(bào)告中也提到，他之前在《自然》上發(fā)了一篇論文，非常長(zhǎng)，但是引用率很低。我當(dāng)時(shí)就在想，可能他沒怎么參加過人工智能的會(huì)議，如果經(jīng)常參加的話引用率可能就上去了。 所以兩個(gè)領(lǐng)域的研究者聯(lián)合起來(lái)，去做一些學(xué)習(xí)和研討，這是非常好的思路。 我之前也在一些場(chǎng)合說過，現(xiàn)在計(jì)算機(jī)往前走，肯定走不了太遠(yuǎn)，會(huì)面臨各種各樣的限制，要想變得更強(qiáng)大，只有兩條出路：一條是采用類腦模型做的加速器，來(lái)處理人工智能當(dāng)前無(wú)法解決的問題；另一條是結(jié)合量子學(xué)，是采用全新的計(jì)算方式——算力上去了，一些大的、難的問題就能解決。而這兩條出路，都需要人工智能與其他學(xué)科的交叉研究。 |
|
|
