江苏龙网

  1. 首页 > 人文 > >

图灵奖得主、AAAI候任主席展望“AI未来10年”

图灵奖得主、AAAI候任主席展望“AI未来10年”
文章图片
经典人工智能方法在未来会得到关注吗？经典方法和深度学习的关系将如何发展？新的突破点又在哪里？
【图灵奖得主、AAAI候任主席展望“AI未来10年”】就上述话题 ， 北京智源研究院邀请张宏江、图灵奖获得者JohnHopcroft、AAAI候任主席BartSelman共论AI ， 探讨“AI的过去和未来10年” 。 在具体讨论过程中 ， 采用了张宏江发问 ， JohnHopcroft、BartSelman回答的形式进行 。 在论坛最后 ， 两位教授还向中国的学者提出了中肯的建议 。
1
艰难的50年和腾飞的10年：经典AI和深度学习的不同境遇张宏江：今天我们非常幸运请到了图灵奖的获得者JohnHopcroft教授 ， 美国康奈尔大学的计算机科学教授BartSelman 。 今天我希望跟两位教授一起回顾人工智能过去几十年的发展 ， 并且介绍他们对于人工智能未来十年发展的方向和途径的看法 。 今天的主题叫“人工智能新的10年” ， 在谈新的十年之前 ， 请两位先谈一下对过去60年 ， 尤其是过去10年的回顾 。
BartSelman：这个领域的最初工作主要是由对理解人脑的思维和认知感兴趣的研究人员完成的 ， 在人工智能的早期有很多乐观主义者 ， 但在实际研究过程中遇到了很多意想不到的困难 。 这个领域在近几十年来纯粹是一门学术学科 ， 因为我们无法在任何可以与人类相比的地方获得很好的成果 ， 第一个转折点是IBM在1997年开发出国际象棋AI深蓝的时候 。 深蓝在国际象棋中打败人类 ， 这是当时的一个突破 。
大约在2012年 ， 多层神经网络即深度学习几乎都改变了整个领域 ， 使得我们可以实现视觉识别和语音识别等任务 。 人们发现 ， 深度学习算法几乎超越了所有类型的机器学习模型 ， 算力的发展是这段时期改变人工智能领域的原因 。 2012年 ， 我们让AI实现了感知 。 我不会说感知问题已经解决 ， 但我们离解决更近了一步 。 此外 ， 这些技术还能和经典人工智能的技术结合 ， 例如决策、规划、推理等 。
图灵奖得主、AAAI候任主席展望“AI未来10年”
文章图片
张宏江：JohnHopcroft教授 ， 您能基于BartSelman教授的观点分享一下您的看法吗？
JohnHopcroft：上世纪60年代初 ， 人工智能刚起步 。 当时约翰·麦卡锡创造了斯坦福大学的人工智能实验室 ， 有大量高素质的研究人员在研究符号逻辑 。 1964年 ， 人工智能的研究者只能训练单一的权重 ， 原因是根本没有算力 ， 缺乏大型数据集 ， 连手写字符数据集都没有 。 事实上我拿到博士学位时 ， 才做出了一个包含1000个10x10像素手写字符的数据集 ， 这和今天的数据集相比是很小的 ， 但是在那时已经是很大的了 。
2012年AlexNet出现了 ， 直到那时图像识别错误率才开始显著下降 。 AlexNet将图像识别错误率从25%降到了15% ， 这是一个巨大的进步 。 AlexNet有大约8个层级 ， 在2015年图像识别大赛的冠军ResNet则有1000个层级 ， 并且它只有3.6%的错误率 ， 而人类识别这些图像时有5%的错误率 。 这些技术已经被应用到了非常多的领域 ， 如医学、金融等 。
图灵奖得主、AAAI候任主席展望“AI未来10年”
文章图片
张宏江：在上世纪90年代 ， 我们发现经典人工智能方法不管用 ， 现在我们知道是因为没有足够的算力 ， 在过去这几年 ， 由于算力的发展 ， 我们获得了极大进展 。 那么现在 ， 我们在推理等经典人工智能方法的探索上处于什么阶段呢？
BartSelman：我觉得现在人们经常把AI等同于深度学习 ， 或者把深度学习等同于AI 。 过去十年来我们在推理等算法的研究上实际上已经有很大的进步 ， 并且已经有了实践应用 ， 例如英特尔、微软等企业 ， 只是并不广为人知 。 在社区中 ， 这些技术也被广泛应用 。
AlphaGo是深度学习成功的范例 ， 但实际上AlphaGo使用了树搜索算法 ， 这也是一种符号推理算法 。 这也是AI领域出现的巨大进步 ， 我们可以组合不同的算法 ， 例如推理、规划和深度学习方法等 。
自动驾驶汽车领域在组合不同的人工智能方法的探索上更加开放 。 当然你也可以尝试用端到端的方法来训练自动驾驶系统 ， 但这太困难了 。 深度学习一般作为自驾系统的视觉系统 ， 但是控制系统和路径规划系统等则需要更多的经典人工智能方法 。
相比较而言 ， 深度学习确实是非常数据驱动的方法 ， 这跟经典人工智能中我们称之为知识的方法不同 。 知识就像牛顿定律或万有引力定律 ， 人类的认知需要很多真实的知识 。 而深度学习要获取知识并不容易 ， 深度学习目前如此有效 ， 是因为我们有大量的数据 。 我认为深度学习下一步需要学会获取知识 ， 这是个巨大的挑战 。
张宏江：人工智能是一个非常宽泛的领域 ， 深度学习仅仅是一部分 。 Hopcroft教授 ， 您在过去的50年里 ， 在计算理论上做了很多工作 ， 您愿意和我们分享一下 ， 从理论和算法的角度如何看待人工智能的进展吗？
JohnHopcroft：我首先再谈论一下深度学习 ， 深度学习真正的意义是在高维空间中更好地识别 。 比如你在看自行车的图像 ， 深度学习不会告诉你自行车的函数是什么 。 如果你展示的东西看起来像自行车 ， 但不能让你骑着它去地铁站 ， 它仍然会把它归类为自行车 。 为了解决这个问题 ， 我们需要将逻辑加入深度学习 。
深度学习可以将自行车进行分解 ， 它会告诉你自行车有轮子、链子、座椅、踏板等等 。 对这些部件 ， 你可以添加逻辑 ， 说踏板带动了链子然后带动轮子 ， 从而自行车可以移动 ， 车头可以让你把控方向和转弯 ， 座椅可以让自行车有运输功能 。 通过添加逻辑 ， 或许就可以构建关于自行车的函数 ， 这个函数的意义是将一个人从一个地点运输到另一个地点 。
关于人工智能理论 ， 单阈值逻辑单元可以用一个非常简单的算法来训练 。 如果图像集合是线性可分的 ， 那么阈值逻辑可以实现分类 。 如果图像集合不是线性可分的 ， 应该将集合映射到更高维的空间中 ， 使得集合是线性可分的 。 关于训练阈值逻辑单元的方式 ， 你也可以不将数据映射到高维空间中 ， 而在原始空间中运行算法 ， 这就是构建支持向量机的技术 。 直到深度学习发展之前 ， 这是人工智能领域的主要技术 。
还有关于过拟合的问题 ， 假设你有一个大型数据集 ， 该数据集告诉我中国所有人的年龄和薪资 。 我想要问在某个确定的年龄和薪资上有多少人 ， 但是不想保存整个数据集 ， 因为我想把数据集放到手机上 。 因此我取数据集的一小部分 ， 并且在适当地扩展之后 ， 相信答案会非常接近真值 。 答案的真假取决于我们要问的问题的范围 ， 并且需要多大规模的样本的数学取决于问题的复杂性 。
如果大家对这些数学感兴趣的话 ， 可以看看我所写的书 。 在这本书的第五章 ， 包含了所需要的数学知识 。 在我的照片下面写着剑桥（Cambridge）的地方 ， 可以得到PDF的链接 。
图灵奖得主、AAAI候任主席展望“AI未来10年”
文章图片
JohnHopcroft主页：https://www.cs.cornell.edu/jeh/
2
张宏江：Selman教授 ， 我们知道您之前发表过美国人工智能研究未来20年的白皮书 ， 可以分享您对AI未来发展趋势以及重点的看法？
白皮书地址：https://arxiv.org/abs/1908.02624
BartSelman：我认为人工智能研究的未来趋势是社区化 ， 在业界有很多大型的研究团队在快速组建 。 美国正在构建国家AI基础设施 ， 为不同的学术研究团队提供试验台 。 大多数研究项目无论是人力还是财力对于个人都是无法承受的 ， 需要大量资金用于基础设施软件和机器开发 ， 所以必须共享资源 ， 允许协作 。 除了仍然要强调知识和深度学习的结合以外 ， 我认为自我意识学习是未来人工智能发展的重点 。
张宏江：您所说的自我意识学习到底是什么意思？为什么您认为这是未来20年人工智能发展的首要任务？
BartSelman：这是一个我们还没有解决的问题 。 人类能以不同的方式学习 ， 例如我们去学校学习新技能 ， 这相比于数据驱动学习而言是非常不同的类型的学习 。 人类不需要学习上百个例子就可以掌握新技能 。 自我意识学习就是指 ， AI会反省自己的学习方式 ， 然后调整它的学习行为 。


    推荐阅读


    上一篇：iOS 14隐私提醒被网友捧上天，但是这在MIUI 12面前真是弟弟

    下一篇：坏消息接踵而至，iPhone突然遭遇“四面埋伏”，苹果做梦都没想到