張鈸：后深度學(xué)習(xí)時(shí)代的人工智能

張鈸：后深度學(xué)習(xí)時(shí)代的人工智能

1956年，在美國達(dá)特茅斯學(xué)院舉行的一次會議上，“人工智能”的研究領(lǐng)域正式確立。六十年后的今天，人工智能的發(fā)展正進(jìn)入前所未有的大好時(shí)期。通過分析這個(gè)時(shí)代下人工智能與計(jì)算機(jī)的發(fā)展軌跡，人們可以重新認(rèn)識人工智能、認(rèn)識計(jì)算機(jī)、認(rèn)識自身。

深度學(xué)習(xí)：跨時(shí)代的技術(shù)

今天，我國的人工智能熱潮與30年前日本興起的人工智能熱潮相比，發(fā)生了變化——時(shí)間不同、地點(diǎn)不同、主題也不同。這次人工智能的大發(fā)展與深度學(xué)習(xí)緊密相關(guān)，體現(xiàn)在：

（1）從知識情報(bào)處理轉(zhuǎn)變?yōu)樯疃葘W(xué)習(xí)；

（2）從第五代計(jì)算機(jī)（日本提出的概念）轉(zhuǎn)變?yōu)轭惸X計(jì)算機(jī)；

（3）從大容量知識庫轉(zhuǎn)變?yōu)榇髷?shù)據(jù)技術(shù)；

（4）從高速符號推理機(jī)轉(zhuǎn)變?yōu)轭惸X芯片；

（5）從自然語言理解轉(zhuǎn)變?yōu)楦兄C(jī)器人）。

兩次人工智能熱潮最大的不同點(diǎn)在于：大數(shù)據(jù)技術(shù)和概率統(tǒng)計(jì)方法（及其理論）兩個(gè)因素催生的深度學(xué)習(xí)大潮。可以說，大數(shù)據(jù)與概率統(tǒng)計(jì)方法共同推動了神經(jīng)網(wǎng)絡(luò)模型的創(chuàng)建和發(fā)展。特別是概率統(tǒng)計(jì)方法中的貝葉斯統(tǒng)計(jì)學(xué)，它在被“引進(jìn)”人工智能領(lǐng)域后，促使人工智能發(fā)生了革命性的變化。

現(xiàn)代計(jì)算機(jī)能夠進(jìn)行深度學(xué)習(xí)，能夠在幾百萬幾千萬的參數(shù)下對程序進(jìn)行優(yōu)化，很多人都以為是計(jì)算機(jī)變“快”了，其實(shí)要?dú)w功于概率統(tǒng)計(jì)方法的變化。這個(gè)變化使得計(jì)算機(jī)能把深度學(xué)習(xí)做好。所謂深度，就是網(wǎng)絡(luò)層數(shù)比較多。

深度學(xué)習(xí)可以解決一些不能清楚表述的問題，讓計(jì)算機(jī)擺脫“知其然，不知其所以然”的窘境——它能讓計(jì)算機(jī)針對不確定性的問題，針對不斷的變化而不斷地再學(xué)習(xí)。另外，深度學(xué)習(xí)還有一個(gè)完全改變傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的作用——它不僅僅能函數(shù)映射，更重要的是能自動提取多層次重復(fù)的模式（特征），不依賴于人工設(shè)計(jì)。

由于使用深度學(xué)習(xí)方法，語音識別、圖像識別的準(zhǔn)確度提高了10%左右，模式識別能力達(dá)到新的高度，掀起了人工智能的進(jìn)一步發(fā)展熱潮。

后深度學(xué)習(xí)時(shí)代的人工智能

后深度學(xué)習(xí)時(shí)代的人工智能，就是要把人工智能從狹義的、只能解決一定范圍內(nèi)的問題，推廣到更寬廣的范圍，從弱人工智能到強(qiáng)人工智能，再到通用人工智能。這項(xiàng)工作面臨三個(gè)主要挑戰(zhàn)（見表1）：

要解決這三項(xiàng)挑戰(zhàn)，可以考慮兩種解決辦法：

一是把人工智能中“知識驅(qū)動”與“數(shù)據(jù)驅(qū)動”兩個(gè)方法結(jié)合起來，因?yàn)檫@兩個(gè)方法是互補(bǔ)的。其中，“數(shù)據(jù)驅(qū)動”的優(yōu)點(diǎn)是可以從數(shù)據(jù)中提取模型。“知識驅(qū)動”的方法是用離散的符號表示，而基于數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)方法是用高維空間向量表示，如果能把兩種方法“溝通”起來，有可能極大地推動人工智能技術(shù)的發(fā)展與應(yīng)用。

另外一個(gè)辦法是回到神經(jīng)網(wǎng)絡(luò)的本源。借助于人腦神經(jīng)的工作機(jī)制研究，進(jìn)一步推動深度神經(jīng)網(wǎng)絡(luò)模型的深入發(fā)展。

后深度學(xué)習(xí)時(shí)代的計(jì)算機(jī)

當(dāng)前，計(jì)算機(jī)發(fā)展有幾個(gè)瓶頸：一是能耗大，二是串行處理的工作方式。我認(rèn)為，現(xiàn)代的電子計(jì)算機(jī)還需要在很長一段時(shí)間里依賴馮·諾依曼結(jié)構(gòu)。

現(xiàn)在業(yè)界最熱門的話題是量子計(jì)算、類腦計(jì)算。不要以為量子計(jì)算一問世，現(xiàn)在的計(jì)算機(jī)就快要淘汰了。實(shí)際上，量子算法目前只有一二種可用的算法，所以它不能完全代替現(xiàn)在的計(jì)算機(jī)，就像量子通訊不能完全代替現(xiàn)在的通訊一樣。

而現(xiàn)在的類腦計(jì)算，正確地講應(yīng)該叫Brain Inspired Computing，而不是Brain-like。當(dāng)前，連大腦的運(yùn)行機(jī)制都沒有研究清楚，怎么可能開展完全的類腦計(jì)算呢？類腦計(jì)算研究的開展，需要學(xué)科的交叉，我特別推薦數(shù)學(xué)、認(rèn)知科學(xué)、心理學(xué)、神經(jīng)科學(xué)和語言學(xué)等領(lǐng)域的學(xué)者積極開展交叉學(xué)科研究，從而推動人工智能理論的進(jìn)一步發(fā)展和創(chuàng)新。

（根據(jù)張鈸院士在CNCC 2016大會上所做的特邀報(bào)告《人工智能未來展望，后深度學(xué)習(xí)時(shí)代》整理）

表1 人工智能的三個(gè)挑戰(zhàn)