北大林作銓教授：從事AI研究30年，我如何看待人工智能

2017-07-06  by:CAE仿真在線  來源:互聯(lián)網(wǎng)

轉(zhuǎn)載自36Kr

作者:石亞瓊

AlphaGo再戰(zhàn)柯潔,AI繼續(xù)成為國內(nèi)外熱議的話題,當(dāng)下AI近乎顯學(xué),路人皆知,“名人輩出”。這種情況下,我們也希望能夠“回歸學(xué)界”,與學(xué)術(shù)界的科研人員聊一下大家關(guān)心的AI話題,希望獲得一些新的認(rèn)知收獲。

近期,我們拜訪了北大林作銓教授。他現(xiàn)為北大數(shù)學(xué)學(xué)院信息科學(xué)系一級(jí)教授,曾任信息科學(xué)系系主任。林教授從事AI研究30年,連續(xù)講授AI課近20年,帶博士研究生做AI問題的研究,見證了人工智能60年歷史的后半程。

林教授表示愿意從教學(xué)角度去做這次分享討論,因?yàn)閺慕虒W(xué)上老師需要了解不同研究和應(yīng)用的最新進(jìn)展,不會(huì)受自己研究偏好的影響,能更好講授知識(shí)。

以下為關(guān)于此次分享的整理。

戰(zhàn)前大家已普遍預(yù)測(cè)AlphaGo會(huì)戰(zhàn)勝柯潔。在圍棋上,一旦機(jī)器取勝,這個(gè)人機(jī)大戰(zhàn)游戲也就結(jié)束了,就象當(dāng)年的國際象棋一樣。我想可簡(jiǎn)單說一下這個(gè)道理。

圍棋是完美信息的博弈,即對(duì)弈雙方都看得見棋盤和走子變化。計(jì)算機(jī)圍棋的基礎(chǔ)算法是搜索,模擬人下棋的過程,如果將下棋的每一步看做搜索的一個(gè)決策點(diǎn),搜索過程形成一顆樹,樹展開每個(gè)可能的走子,從中尋找最佳的走法,獲取使對(duì)方不利己方有利的勝算。

這樣搜索的空間是很龐大的,尋找最佳走法所需花的時(shí)間是很長(zhǎng)的,比如,即使把全世界的計(jì)算機(jī)都拿來算一萬年也不可能窮盡整個(gè)搜索空間,換句話說,不管有多大的計(jì)算能力都不能窮盡搜索空間,這是所謂的難解問題。如果搜索樹很小,比如五子棋,可在很短時(shí)間內(nèi)考慮到所有的情況,這樣對(duì)弈雙方都能找到最佳走法,不管是人還是機(jī)器原則上雙方都會(huì)和棋了。因此,搜索算法研究的關(guān)鍵就是要想辦法減少搜索空間,通過啟發(fā)式方法來把搜索樹中一些不值得考慮的分枝剪掉,人下棋所謂靠直覺或經(jīng)驗(yàn),實(shí)質(zhì)上也是收縮搜索空間,因?yàn)槿讼缕逵幸恍┱路ɑ蚨ㄊ绞沟梦覀兛梢暂^快下手,不會(huì)走明顯的無用的俗手,這就是所謂的剪枝法,AI最初取得的重大突破之一。

既然不能窮盡搜索,剪枝有可能會(huì)剪錯(cuò)了,這是一種近似優(yōu)化的方法,就可應(yīng)用概率模型,在每一個(gè)決策點(diǎn)尋找下一個(gè)節(jié)點(diǎn)時(shí),把它變?yōu)橐粋€(gè)隨機(jī)模擬的過程,如果模擬得到最大期望效用的話就用這個(gè)決策點(diǎn)的走子,否則就剪枝,這就是蒙特卡羅樹搜索算法,這時(shí),計(jì)算機(jī)圍棋可以達(dá)到業(yè)余棋手的水平,但離職業(yè)棋手水平還有一段距離,普遍估計(jì)還得10年。

AlphaGo取得了重大突破,把下圍棋走子過程看成識(shí)別問題,每下一子棋盤的變化容易被識(shí)別,這樣就可以用深度學(xué)習(xí)方法,簡(jiǎn)單點(diǎn)說,AlphaGo中所謂的價(jià)值網(wǎng)絡(luò)和決策網(wǎng)絡(luò)是用強(qiáng)化深度學(xué)習(xí)把搜索空間大大地減少,減少到用合理的計(jì)算資源可在較短時(shí)間找到最優(yōu)的搜索樹的路徑,相當(dāng)于該考慮的決策點(diǎn)都考慮到了,下一步棋先看了幾十步棋,不嚴(yán)格地說,近似窮盡了整個(gè)搜索空間,算法就“幾乎”不出錯(cuò),或出錯(cuò)的概率遠(yuǎn)比人小,人經(jīng)常會(huì)下惡手,這時(shí)候人就再也下不過機(jī)器了。

如果有人想繼續(xù)研究計(jì)算機(jī)圍棋,必須尋找比AlphaGo更好的算法才有意義,若只是重復(fù)AlphaGo的算法,即使性能提高了,這種做法基本上是浪費(fèi)資源,不如做計(jì)算機(jī)輔助的圍棋教學(xué)。

人機(jī)大戰(zhàn)是想挑戰(zhàn)人類下圍棋這種智能水平,從而想表明機(jī)器具有這種智能水平。柯潔若想贏,一種可能的方式應(yīng)該和AlphaGo研發(fā)人員合作,他們知道程序的缺陷可能在哪里,柯潔與他們一起研究戰(zhàn)勝機(jī)器的策略,這反過來挑戰(zhàn)AlphaGo,對(duì)AI的發(fā)展有幫助。但估計(jì)也比較難有結(jié)果,因?yàn)樯疃葘W(xué)習(xí)不能“理解”下棋的過程,所訓(xùn)練出來的神經(jīng)網(wǎng)絡(luò)參數(shù)也不能解釋。

AlphaGo戰(zhàn)勝柯潔沒關(guān)系,AI中還有很多這種戰(zhàn)勝人類的比賽,只是圍棋是一種中國文化,由于搜索空間最大難度也是棋類游戲中最難的,大家比較關(guān)注,但大家很快會(huì)習(xí)以為常,20年前國際象棋的人機(jī)大戰(zhàn)就是這樣?？梢灶A(yù)想,今后所有游戲比賽AI都可能戰(zhàn)勝人類,這就涉及到了人類與機(jī)器如何共處,大家該下棋打牌照樣如常。

AI研究選擇類似圍棋和定理證明這些代表人類智能活動(dòng)的領(lǐng)域進(jìn)行研究,其本意是想找到能解決廣泛一類問題的通用智能原理,如搜索的剪枝算法就是一個(gè)智能的基本原理,它能解決廣泛一類問題,而不只是下棋。AlphaGo對(duì)深度學(xué)習(xí)中的無監(jiān)督學(xué)習(xí)有很大的貢獻(xiàn),但想發(fā)展成通用AI技術(shù)很難,除非深度學(xué)習(xí)就能發(fā)展成通用AI,取代AI中其它研究,但這在我看來是不可能的。

這背后關(guān)系到對(duì)智能的定義,人類的智能是無法精確定義的。AI依賴于計(jì)算模型,如圖靈機(jī)這些計(jì)算模型給出了計(jì)算的數(shù)學(xué)定義,但找不到定義智能的模型。智能是一個(gè)直觀、主觀的概念,從圖靈測(cè)試提出開始,AI研究者希望通過計(jì)算機(jī)模擬人類的智能,找到智能的基本原理,就像當(dāng)年模仿鳥飛行制造出飛機(jī),找到空氣動(dòng)力學(xué)等原理,用空氣動(dòng)力學(xué)反過來可解釋鳥的飛行,潛水艇模仿魚兒,都是這個(gè)道理。因此,AI研究肇始就選擇如下棋等比較典型反映人類智能水平的領(lǐng)域進(jìn)行研究,并希望通過比賽戰(zhàn)勝人類,希望尋找到某種通用智能的機(jī)制,時(shí)至今日,如AlphaGo還只能表明在下棋方面找到某種方法,AlphaGo算法可容易復(fù)制到如中國象棋這類完美信息的游戲,但想推廣到更廣泛一類問題的解決就是新的研究問題了,比如推廣來打麻將或橋牌。

AI想達(dá)到的智能就是人類級(jí)別的智能。那么到底什么是人類級(jí)別的智能?問題在于人的智能是一個(gè)相對(duì)的概念,計(jì)算器比小孩做算術(shù)做得快,也可以說有智能,那并不是人類共同體的智能,AlphaGo戰(zhàn)勝人類,肯定是有智能的,但AlphaGo不能做其它,比如不能證明定理。

早在50年前,學(xué)術(shù)界就討論這個(gè)問題,并提出了 AI需要更高的標(biāo)準(zhǔn)來衡量智能。30年前AI已將很多問題思考透徹了,知道了AI的難度很大,很多地方難于突破。首先,象人類一樣,AI需要擁有知識(shí),并運(yùn)用知識(shí)去解決問題,知識(shí)體現(xiàn)智能。AI研究中,除了目前的深度學(xué)習(xí),還有一些通過自動(dòng)控制做的機(jī)器人之外,AI的主體都是基于知識(shí)的系統(tǒng)。AI實(shí)踐表明,精確的專門的知識(shí)能夠處理,但人的常識(shí)難于處理,人類并沒有將全部常識(shí)寫出來,人們?cè)诮徽剷r(shí)也不需要把常識(shí)都說出來,否則言語行為將無從進(jìn)行,常識(shí)通常是只可意會(huì)不可言傳的。AI學(xué)者普遍認(rèn)為,應(yīng)以常識(shí)作為衡量AI是否達(dá)到人類級(jí)別的智能水平的標(biāo)準(zhǔn)。

深度學(xué)習(xí)帶來了一定的進(jìn)步,可以解決很多識(shí)別問題,如語音、圖像和對(duì)象的識(shí)別,這些是對(duì)外界環(huán)境的感知方面的常識(shí),還有更多的常識(shí)問題,如有關(guān)人的心智狀態(tài)的推理,就不是深度學(xué)習(xí)所能解決的。

AI追求通用智能,所謂的強(qiáng)AI,但還停留在專用智能上面,能做到類似AlphaGo能下圍棋,所謂的弱AI,從應(yīng)用看,弱AI已經(jīng)很成功很有價(jià)值了。相對(duì)來說,只是簡(jiǎn)單地應(yīng)用某項(xiàng)AI技術(shù),不能看成AI,如果是能在某方面達(dá)到了人類級(jí)別的智能程度就可以看成AI。

深度學(xué)習(xí)適于解決識(shí)別問題,如語音和語言文本,圖像和對(duì)象等,只要能把某類問題看成識(shí)別,如AlphaGo識(shí)別棋盤,一些AI醫(yī)療系統(tǒng)通過識(shí)別人的皮膚變化和醫(yī)療圖像診斷疾病,具有廣泛的應(yīng)用前景。但是,深度學(xué)習(xí)并不能拿來解決所有的AI問題,比如,AlphaGo算法不能發(fā)展來證明定理。

有人以為,靠深度學(xué)習(xí)單一算法,有可能解決AI的所有問題,做到通用AI,其實(shí)不切實(shí)際。歷史上,每一個(gè)AI算法做得好的時(shí)候,都有人想將其變成單一的通用算法,但很快都失敗了。這種情況在哲學(xué)中的各種單一論已屢見不鮮了。

深度學(xué)習(xí)是人工神經(jīng)網(wǎng)絡(luò)研究的第三次高潮,從2006年算起已經(jīng)發(fā)展了十年。有高潮就有低潮,前兩次人工神經(jīng)網(wǎng)絡(luò)的低潮都是被證明了它的局限性。深度學(xué)習(xí)的優(yōu)點(diǎn)很突出,它以一種表征學(xué)習(xí)的方法,通過在神經(jīng)網(wǎng)絡(luò)中逐層加深,以識(shí)別從低級(jí)到高級(jí)的特征,自動(dòng)抽取特征,這種識(shí)別問題以前應(yīng)用數(shù)學(xué)和傳統(tǒng)的模式識(shí)別也在做,但抽取特征需要人工的幫助,以語音和文本識(shí)別為例,深度學(xué)習(xí)比傳統(tǒng)方法,包括應(yīng)用數(shù)學(xué)和統(tǒng)計(jì)學(xué)習(xí)都做得好,把識(shí)別準(zhǔn)確率提高一個(gè)數(shù)量級(jí),如從85%提高到95%,這種進(jìn)步是很大的。以應(yīng)用數(shù)學(xué)一些方法來比,數(shù)學(xué)方法雖然更優(yōu)雅,可畢竟是要解決同樣的問題,既然比不夠深度學(xué)習(xí),那就是問題了。現(xiàn)在深度學(xué)習(xí)框架已搭到一千多層,實(shí)際應(yīng)用經(jīng)驗(yàn)驗(yàn)證確實(shí)是層次越深效果越好,從理論上,也可證明深度是有意義的。

深度學(xué)習(xí)也有局限性。首先,深度學(xué)習(xí)是對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)進(jìn)行優(yōu)化,用數(shù)學(xué)表示為損失函數(shù),簡(jiǎn)單地說就是減少誤差,誤差減少是有極限的,換句話說,到一定深度就沒有意義了,這時(shí)它所能解決問題的局限會(huì)表現(xiàn)出來,因此,暴力地一味加多層次的蠻干并不見得是好辦法。

其次,在實(shí)際應(yīng)用中,以語音識(shí)別為例,即使做到99.99%的準(zhǔn)確率也不見得可比擬人,我們聽一個(gè)有口音的人講普通話識(shí)準(zhǔn)確率不高,有些聽不懂的地方,但不影響我們交流,因?yàn)槿嗽诼爼r(shí)是有理解的,而深度學(xué)習(xí)對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)不能解釋,因此就不能理解,這是為什么深度學(xué)習(xí)對(duì)語音識(shí)別的準(zhǔn)確率超過人類,像手機(jī)想用語音去取代觸摸屏輸入還是做不到。

再者,深度學(xué)習(xí)現(xiàn)在做成熟的主要是監(jiān)督學(xué)習(xí),用大數(shù)據(jù)集做算法的訓(xùn)練來優(yōu)化參數(shù),有現(xiàn)成的數(shù)學(xué)方法來建立相應(yīng)的模型,如卷積函數(shù)對(duì)應(yīng)卷積神經(jīng)網(wǎng)絡(luò),進(jìn)一步發(fā)展的無監(jiān)督學(xué)習(xí)更有用,但所需優(yōu)化的非線性函數(shù)在數(shù)學(xué)上同樣是問題,如果數(shù)學(xué)上沒有找到所需的函數(shù)形式,這需要有所突破,這種突破從數(shù)學(xué)上也是很重大的,現(xiàn)在無監(jiān)督深度學(xué)習(xí)只能應(yīng)用一般的強(qiáng)化學(xué)習(xí)方法,如AlphaGo所做的應(yīng)該就是這樣子。

最后,深度學(xué)習(xí)不等于機(jī)器學(xué)習(xí),機(jī)器學(xué)習(xí)只是AI的一個(gè)方面,深度學(xué)習(xí)之外的AI技術(shù)沒有一項(xiàng)是深度學(xué)習(xí)能做的,如推理這種反映人類高級(jí)智能的能力,深度學(xué)習(xí)做不了最基本的數(shù)學(xué)中的演繹推理。

由于深度學(xué)習(xí)的火熱似乎AI的其它研究方向顯得不重要了,其實(shí)不然。AI是屬于計(jì)算機(jī)科學(xué)的一個(gè)分支,旨在用計(jì)算機(jī)模擬人的智能,希望找出人的智能原理,并把計(jì)算機(jī)做得具有智能,讓人使用更方便。

以深度學(xué)習(xí)為代表的AI研究某種意義上已偏離了AI的方向,一來,深度神經(jīng)網(wǎng)絡(luò)本來想借鑒神經(jīng)科學(xué)中對(duì)大腦神經(jīng)網(wǎng)絡(luò)的了解來建立模擬網(wǎng)絡(luò),但花樣百出的人工神經(jīng)網(wǎng)絡(luò)已跟大腦神經(jīng)網(wǎng)絡(luò)不相干;二來,通過人工神經(jīng)網(wǎng)絡(luò)模擬智能,想促進(jìn)對(duì)大腦神經(jīng)網(wǎng)絡(luò)原理的認(rèn)識(shí),也無從談起了。學(xué)習(xí)是人類智能的基本特點(diǎn)之一,學(xué)習(xí)很復(fù)雜,基本上有兩種形式,一種是象嬰兒學(xué)習(xí),沒有先驗(yàn)知識(shí),從觀察示例開始,這方面可以說深度學(xué)習(xí)模擬得最好;另一種,人成長(zhǎng)過程,更多的是基于知識(shí)的學(xué)習(xí),有其它機(jī)器學(xué)習(xí)方法就是研究知識(shí)中的學(xué)習(xí),這是深度學(xué)習(xí)做不了的,因?yàn)樯疃葘W(xué)習(xí)不能運(yùn)用知識(shí)。

深度學(xué)習(xí)之外的AI研究方向很多,舉個(gè)例子,知識(shí)圖譜是深度學(xué)習(xí)外的另一個(gè)時(shí)下熱門。谷歌收購了Freebase后提出知識(shí)圖譜名稱,并不是新東西,微軟稱為概念圖譜,都是要建造本體庫,也就是一種知識(shí)庫,可應(yīng)用到各種知識(shí)系統(tǒng),例如,在Web搜索中可通過知識(shí)圖譜理解一些網(wǎng)頁的知識(shí),建立一些知識(shí)卡片,使得搜索引擎更加智能化。這是下一代Web的目標(biāo),W3C組織早在近20年前就提出語義Web作為下一代Web,并提出現(xiàn)在知識(shí)圖譜常用的RDF等本體表示語言和標(biāo)準(zhǔn)。再往前看,語義Web和知識(shí)圖譜想解決的語義網(wǎng)絡(luò)早再30年前AI就研究清楚了,甚至再過幾年知識(shí)圖譜仍達(dá)不到當(dāng)時(shí)AI理論上已搞清楚的能力。學(xué)術(shù)研究總是超前的,知識(shí)圖譜可看成AI這方面研究開始落地生根了。知識(shí)圖譜應(yīng)用范圍和影響力將不比深度學(xué)習(xí)差,也能改進(jìn)機(jī)器學(xué)習(xí)方法。

AI還有一個(gè)當(dāng)下的熱點(diǎn),就是會(huì)話式AI系統(tǒng)。自從蘋果iPhone Siri以來,到現(xiàn)在以亞馬遜Echo/Alex音箱為代表的所謂智能音箱,會(huì)話式AI具有廣泛的應(yīng)用場(chǎng)景,很多企業(yè)都涌入這個(gè)領(lǐng)域。會(huì)話式AI其實(shí)很難的,屬于自然語言理解領(lǐng)域,幾十年來對(duì)自然語言理解研究進(jìn)展不大,因此AI主要進(jìn)行各種語音和文本語言處理,前段時(shí)間主要采用概率統(tǒng)計(jì)的方法,現(xiàn)在深度學(xué)習(xí)不僅在語音識(shí)別上獲得成功,也開始用到文本信息處理,如機(jī)器翻譯,用深度學(xué)習(xí)比用統(tǒng)計(jì)學(xué)習(xí)效果要好。

關(guān)于自然語言理解,有理論派和經(jīng)驗(yàn)派之爭(zhēng)。理論派以喬姆斯基提出的文法理論為代表,機(jī)器學(xué)習(xí)就是經(jīng)驗(yàn)派的代表,50年前就發(fā)現(xiàn)用機(jī)器學(xué)習(xí)根本學(xué)不出一些基本的語法,更別說更復(fù)雜的語義和語用,因此理論派甚至認(rèn)為,人一出生大腦就對(duì)語言有某種天然的結(jié)構(gòu)能理解語言,后天才能很自然地學(xué)習(xí)并運(yùn)用自然語言,AI學(xué)者堅(jiān)持認(rèn)為通過軟件可以逐步理解自然語言。40年前,蒙塔格(Richard Montague)企圖形式化英語,若自然語言(如英語)能被形式化,就可轉(zhuǎn)化為形式語言,可作為類似程序語言來使用,雖然蒙塔格達(dá)不到目的,由此以來,在自然語言理解方面積累了很多深?yuàn)W的理論,這些理論遠(yuǎn)比現(xiàn)有的各種自然語言處理系統(tǒng)理解得深遠(yuǎn),但還未能被應(yīng)用。

自然語言理解幾乎包含了AI研究各方面的內(nèi)容,可以說,如果自然語言理解問題解決了,AI問題也就解決了,用自然語言進(jìn)行達(dá)到人類程度的人機(jī)交互是個(gè)夢(mèng)想,還很遙遠(yuǎn)。

回過頭來說深度學(xué)習(xí),現(xiàn)在監(jiān)督深度學(xué)習(xí)技術(shù)已經(jīng)比較成熟,有很多開源的開發(fā)平臺(tái),甚至設(shè)計(jì)專用芯片從硬件上直接提高計(jì)算性能。AI發(fā)展中一些相對(duì)成熟的技術(shù),未能帶來對(duì)AI的進(jìn)一步發(fā)展,就會(huì)歸入計(jì)算機(jī)科學(xué)其它分支,現(xiàn)在做深度學(xué)習(xí)大多是技術(shù)的應(yīng)用,做出來的水平也差不多,已有這種趨向。

AI各個(gè)研究方向都在繼續(xù)發(fā)展,我常跟學(xué)生說,任何研究領(lǐng)域都時(shí)熱時(shí)冷,AI由于其研究智能這個(gè)問題的特殊性命運(yùn)更是大起大落,看潮起潮落,AI研究者要保持恒溫。

若要我挑一個(gè)下一步AI學(xué)術(shù)研究方向,我想很可能是:“邏輯+概率+神經(jīng)元”。

先講下邏輯,按教科書的定義,邏輯學(xué)是研究人的思維,換言之,邏輯是研究智能的,可看成人類兩千多年來對(duì)智能研究的學(xué)科,直至上世紀(jì)初,發(fā)展到數(shù)理邏輯,邏輯成為數(shù)學(xué)基礎(chǔ),已偏離了原始目標(biāo),邏輯進(jìn)一步發(fā)展成為計(jì)算機(jī)科學(xué)基礎(chǔ),也自然成為AI的基礎(chǔ),因?yàn)閿?shù)理邏輯仍是至今最好的工具來表示知識(shí),AI邏輯進(jìn)一步發(fā)展從數(shù)學(xué)中走出來回到邏輯的原始目標(biāo),解決思維即智能的問題。邏輯在AI研究的作用主要體現(xiàn)在模擬人類擁有知識(shí),并運(yùn)用知識(shí)去解決問題,這方面研究是AI中的知識(shí)表示,命題邏輯表達(dá)能力不夠,一階邏輯具有強(qiáng)大的表達(dá)能力,但不能表達(dá)常識(shí),也難于實(shí)現(xiàn)。深度學(xué)習(xí)之前上一個(gè)AI研究熱點(diǎn)就是擴(kuò)展一階邏輯來解決常識(shí)推理問題。邏輯在AI中有很多應(yīng)用,如邏輯程序設(shè)計(jì)語言Prolog,只是大眾不知道而已,再之前,AI邏輯中的歸結(jié)方法能做定理機(jī)器證明,這在當(dāng)時(shí)引起的轟動(dòng)不下于阿爾法圍棋,因?yàn)閿?shù)學(xué)定理證明也是一個(gè)體現(xiàn)高級(jí)智能行為的領(lǐng)域,數(shù)學(xué)定理所代表的這部分知識(shí)可稱為理性知識(shí),也是AI要面對(duì)的,以深度學(xué)習(xí)為代表的機(jī)器學(xué)習(xí)方法對(duì)這種理性知識(shí)或定理證明顯然無能為力了。

接下來簡(jiǎn)單點(diǎn)講概率。概率論是古老的數(shù)學(xué)工具,AI實(shí)踐表明,概率仍然是處理不確定知識(shí)最好的工具,AI發(fā)展的概率圖模型有很多應(yīng)用。實(shí)際上,很多應(yīng)用領(lǐng)域缺乏工具時(shí),都可用概率統(tǒng)計(jì)來解決問題。概率從基礎(chǔ)上看是從公理出發(fā)來定義的,跟邏輯有關(guān),但概率只能表達(dá)相當(dāng)于命題邏輯的知識(shí),不能表達(dá)一階邏輯的句子,“邏輯+概率”已有一些研究結(jié)果,如一階概率邏輯和統(tǒng)計(jì)關(guān)系學(xué)習(xí),可把邏輯和概率的能力互補(bǔ)。

最后講神經(jīng)元。1943年McColluch和Pitts發(fā)表神經(jīng)元的數(shù)學(xué)模型的論文,主要就是要證明神經(jīng)元組成的網(wǎng)絡(luò)具有命題邏輯的表達(dá)能力。1951年數(shù)理邏輯學(xué)家Kleene基于神經(jīng)元模型,發(fā)展出正則表達(dá)式和有限自動(dòng)機(jī),并證明了其等價(jià)性,因此人工神經(jīng)網(wǎng)絡(luò)由于等價(jià)于有限自動(dòng)機(jī)可作為一種計(jì)算模型,象正則表達(dá)式在程序語言和自然語言處理中隨處可見,深度學(xué)習(xí)用來進(jìn)行如機(jī)器翻譯這種文本處理是有理論根源的。從根本上說,神經(jīng)網(wǎng)絡(luò)并不完全是所謂的連接主義方法,并不與邏輯和概率所代表的符號(hào)主義截然分開。1969年Minsky和Papert證明了人工神經(jīng)網(wǎng)絡(luò)連命題邏輯中“異或”這種表達(dá)式都表達(dá)不了,這刺破了神經(jīng)網(wǎng)絡(luò)的泡沫,導(dǎo)致神經(jīng)網(wǎng)絡(luò)研究的第一次低潮。從另一方面看,深度學(xué)習(xí)所代表的神經(jīng)網(wǎng)絡(luò)能很好地解決識(shí)別問題,比如語音識(shí)別,對(duì)于這種識(shí)別問題邏輯是毫無用武之處的,只有經(jīng)過深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)獲得并變成知識(shí)才能進(jìn)一步用邏輯來做推理。深度學(xué)習(xí)仍有許多處理不了的問題,甚至還沒有命題邏輯的表達(dá)能力,這些問題現(xiàn)有最好的方法仍是用各種概率模型,而一些深度神經(jīng)網(wǎng)絡(luò)早就結(jié)合了概率模型。深度學(xué)習(xí)本質(zhì)上是歸納學(xué)習(xí),歸納學(xué)習(xí)哲學(xué)上稱為歸納推理,從邏輯上把歸納學(xué)習(xí)看成歸納推理,可在學(xué)習(xí)過程中用到知識(shí)。

總之,從技術(shù)上,邏輯如知識(shí)圖譜為代表的工作表現(xiàn)為圖形式,概率已有各種圖模型,深度神經(jīng)網(wǎng)絡(luò)也是圖模型并與一些概率圖模型很密切的關(guān)系,假設(shè)能以圖模型把三者結(jié)合在同一框架中,那是很了不起的工作,可獲得現(xiàn)在AI所能看到的最好的結(jié)果。當(dāng)然,“邏輯+概率+神經(jīng)元”不是簡(jiǎn)單的集成,那是沒有學(xué)術(shù)意義的,需要新的突破。不僅學(xué)術(shù)研究,現(xiàn)在AI學(xué)術(shù)界與工業(yè)界有緊密的互動(dòng),這種新方向的研究成果也有可能從一些公司中產(chǎn)生。

說到這里,這個(gè)研究方向有我的個(gè)人偏好,不一定是正確的方向,只是我感興趣的問題。

這個(gè)問題涉及太多,不是短時(shí)間能說清楚的,簡(jiǎn)要聊聊。AI在企業(yè)中應(yīng)用,有一個(gè)商業(yè)模式問題?，F(xiàn)在很多AI初創(chuàng)公司都趕深度學(xué)習(xí)這趟車,如語音人臉識(shí)別等等,所用技術(shù)都一樣,性能差不多,顯然這些公司大多數(shù)終將倒閉?；贏I的商業(yè)模式設(shè)計(jì)比較難把握,要能把AI技術(shù)貫穿到整個(gè)商業(yè)活動(dòng)中,看到盈利可行性。例如,汽車出行模式就較好用到AI技術(shù),而共享單車模式顯得簡(jiǎn)單粗暴,不如十幾年前有過的能夠基于AI技術(shù)的分時(shí)資源共享系統(tǒng)。

更多企業(yè)應(yīng)用AI到產(chǎn)品,智能產(chǎn)品模式是由iPhone為標(biāo)志,是一個(gè)革命性的工業(yè)產(chǎn)品,普遍接受相對(duì)于以黑莓為代表的功能手機(jī),iPhone稱得上智能手機(jī)。原來預(yù)測(cè),下一個(gè)代表性的智能產(chǎn)品可能是智能電視,但現(xiàn)在市場(chǎng)上的所謂智能電視都不是真正的智能電視。家電市場(chǎng)幾十年來經(jīng)過充分的市場(chǎng)競(jìng)爭(zhēng),為了尋找賣點(diǎn)占有市場(chǎng)一直是很新潮的,從20年前的信息家電到現(xiàn)在的互聯(lián)網(wǎng)/物聯(lián)網(wǎng)家電,無所不用其新,但現(xiàn)在的電視機(jī)是智能電視嗎?顯然不是,只是能上互聯(lián)網(wǎng),把智能手機(jī)的做法幾乎照搬到電視機(jī)上,電視機(jī)企業(yè)并不清楚作為一種電視服務(wù)如何設(shè)計(jì)智能電視產(chǎn)品模式,不清楚客廳人機(jī)交互如何象iPhone那樣做到革命性的突破,不能用AI技術(shù)使得電視服務(wù)變聰明,讓用戶獲得好的體驗(yàn)。這個(gè)問題沒搞好,顯得非常可惜。至于各種其它家電產(chǎn)品,如智能冰箱、智能電飯煲等等,由于其應(yīng)用場(chǎng)景不夠復(fù)雜到需要智能,稱為智能家電純屬噱頭。現(xiàn)在大家最關(guān)注的是智能音箱和智能汽車,智能音箱有自然語言理解問題,跟聊天機(jī)器人有關(guān),在比較狹窄的特定領(lǐng)域可以做得很好,如亞馬遜的智能音箱。至于智能汽車,由于不需涉及太多的知識(shí)處理,主要用深度學(xué)習(xí)和計(jì)算機(jī)視覺技術(shù)等機(jī)器人技術(shù)反而可行,但涉及更多包括立法等社會(huì)問題,智能車不象十年內(nèi)就能滿大街跑。

企業(yè)智能化上有政府各種計(jì)劃,下有企業(yè)競(jìng)爭(zhēng)需求,尤其是傳統(tǒng)企業(yè),如制造業(yè),這是一個(gè)很現(xiàn)實(shí)的問題。對(duì)比企業(yè)信息化的發(fā)展,20年前對(duì)企業(yè)信息化還有爭(zhēng)議,認(rèn)為企業(yè)搞信息化是個(gè)黑洞,很燒錢,產(chǎn)出難于衡量,但是,現(xiàn)在搞得又大又強(qiáng)的企業(yè)都是信息化搞得好,就無爭(zhēng)議了。很多企業(yè)信息化還沒搞完,又要搞智能化,信息化是智能化的基礎(chǔ),但又不能等傳統(tǒng)的信息化做完了再搞智能化,那競(jìng)爭(zhēng)又落后了,可以預(yù)見,今后智能化做得好的企業(yè)更有競(jìng)爭(zhēng)力。另一方面,現(xiàn)有的企業(yè)管理軟件產(chǎn)品都缺乏AI技術(shù),特別是一些大型軟件幾乎不可能基于AI重新構(gòu)架開發(fā),只能為了市場(chǎng)營銷需要做了一些智能化功能,不能滿足企業(yè)智能化的需要。此外,許多初創(chuàng)公司做的智能化管理軟件需要更多在企業(yè)中應(yīng)用完善,傳統(tǒng)企業(yè)可能不敢被當(dāng)試驗(yàn)品?？偟膩碚f,跟企業(yè)信息化一樣,很多企業(yè)可能要走彎路、甚至碰壁,付出不菲成本。

企業(yè)搞智能化首先是一個(gè)戰(zhàn)略和規(guī)劃的問題,企業(yè)內(nèi)部若沒有相應(yīng)的人才,只能找咨詢公司要方案,而咨詢公司也缺少AI人才和經(jīng)驗(yàn),這樣一來,企業(yè)智能化首要的問題是先找到既有信息化經(jīng)驗(yàn)又懂AI還能結(jié)合企業(yè)經(jīng)營管理做好戰(zhàn)略規(guī)劃的人才。無論如何,市場(chǎng)競(jìng)爭(zhēng)使然,總有一些企業(yè)會(huì)先搞起智能化,并最終獲得成功。

相關(guān)標(biāo)簽搜索：北大林作銓教授：從事AI研究30年，我如何看待人工智能 機(jī)械設(shè)計(jì)培訓(xùn) 機(jī)械設(shè)計(jì)課程 機(jī)械設(shè)計(jì)視頻 機(jī)械設(shè)計(jì)技術(shù)教程 機(jī)械設(shè)計(jì)資料下載 SolidWorks UG inventor軟件應(yīng)用 Fluent、CFX流體分析 HFSS電磁分析 Ansys培訓(xùn) Abaqus培訓(xùn)