本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請至雷鋒網(wǎng)官網(wǎng)申請授權(quán)。

經(jīng)典人工智能方法在未來會得到關(guān)注嗎？經(jīng)典方法和深度學(xué)習(xí)的關(guān)系將如何發(fā)展？新的突破點又在哪里？

就上述話題，北京智源研究院邀請張宏江、圖靈獎獲得者John Hopcroft、AAAI候任主席Bart Selman共論AI，探討“AI的過去和未來10年”。在具體討論過程中，采用了張宏江發(fā)問，John Hopcroft、Bart Selman回答的形式進(jìn)行。在論壇最后，兩位教授還向中國的學(xué)者提出了中肯的建議。

艱難的50年和騰飛的10年：經(jīng)典AI和深度學(xué)習(xí)的不同境遇

張宏江：今天我們非常幸運請到了圖靈獎的獲得者John Hopcroft教授，美國康奈爾大學(xué)的計算機(jī)科學(xué)教授Bart Selman。今天我希望跟兩位教授一起回顧人工智能過去幾十年的發(fā)展，并且介紹他們對于人工智能未來十年發(fā)展的方向和途徑的看法。今天的主題叫“人工智能新的10年”，在談新的十年之前，請兩位先談一下對過去60年，尤其是過去10年的回顧。

Bart Selman：這個領(lǐng)域的最初工作主要是由對理解人腦的思維和認(rèn)知感興趣的研究人員完成的，在人工智能的早期有很多樂觀主義者，但在實際研究過程中遇到了很多意想不到的困難。這個領(lǐng)域在近幾十年來純粹是一門學(xué)術(shù)學(xué)科，因為我們無法在任何可以與人類相比的地方獲得很好的成果，第一個轉(zhuǎn)折點是IBM在1997年開發(fā)出國際象棋AI深藍(lán)的時候。深藍(lán)在國際象棋中打敗人類，這是當(dāng)時的一個突破。

大約在2012年，多層神經(jīng)網(wǎng)絡(luò)即深度學(xué)習(xí)幾乎都改變了整個領(lǐng)域，使得我們可以實現(xiàn)視覺識別和語音識別等任務(wù)。人們發(fā)現(xiàn)，深度學(xué)習(xí)算法幾乎超越了所有類型的機(jī)器學(xué)習(xí)模型，算力的發(fā)展是這段時期改變?nèi)斯ぶ悄茴I(lǐng)域的原因。2012年，我們讓AI實現(xiàn)了感知。我不會說感知問題已經(jīng)解決，但我們離解決更近了一步。此外，這些技術(shù)還能和經(jīng)典人工智能的技術(shù)結(jié)合，例如決策、規(guī)劃、推理等。

張宏江：John Hopcroft教授，您能基于Bart Selman教授的觀點分享一下您的看法嗎？

John Hopcroft：上世紀(jì)60年代初，人工智能剛起步。當(dāng)時約翰·麥卡錫創(chuàng)造了斯坦福大學(xué)的人工智能實驗室，有大量高素質(zhì)的研究人員在研究符號邏輯。1964年，人工智能的研究者只能訓(xùn)練單一的權(quán)重，原因是根本沒有算力，缺乏大型數(shù)據(jù)集，連手寫字符數(shù)據(jù)集都沒有。事實上我拿到博士學(xué)位時，才做出了一個包含1000個10x10像素手寫字符的數(shù)據(jù)集，這和今天的數(shù)據(jù)集相比是很小的，但是在那時已經(jīng)是很大的了。

2012年AlexNet出現(xiàn)了，直到那時圖像識別錯誤率才開始顯著下降。AlexNet將圖像識別錯誤率從25%降到了15%，這是一個巨大的進(jìn)步。AlexNet有大約8個層級，在2015年圖像識別大賽的冠軍ResNet則有1000個層級，并且它只有3.6%的錯誤率，而人類識別這些圖像時有5%的錯誤率。這些技術(shù)已經(jīng)被應(yīng)用到了非常多的領(lǐng)域，如醫(yī)學(xué)、金融等。 

張宏江：在上世紀(jì)90年代，我們發(fā)現(xiàn)經(jīng)典人工智能方法不管用，現(xiàn)在我們知道是因為沒有足夠的算力，在過去這幾年，由于算力的發(fā)展，我們獲得了極大進(jìn)展。那么現(xiàn)在，我們在推理等經(jīng)典人工智能方法的探索上處于什么階段呢？    

Bart Selman：我覺得現(xiàn)在人們經(jīng)常把AI等同于深度學(xué)習(xí)，或者把深度學(xué)習(xí)等同于AI。過去十年來我們在推理等算法的研究上實際上已經(jīng)有很大的進(jìn)步，并且已經(jīng)有了實踐應(yīng)用，例如英特爾、微軟等企業(yè)，只是并不廣為人知。在社區(qū)中，這些技術(shù)也被廣泛應(yīng)用。

AlphaGo是深度學(xué)習(xí)成功的范例，但實際上AlphaGo使用了樹搜索算法，這也是一種符號推理算法。這也是AI領(lǐng)域出現(xiàn)的巨大進(jìn)步，我們可以組合不同的算法，例如推理、規(guī)劃和深度學(xué)習(xí)方法等。

自動駕駛汽車領(lǐng)域在組合不同的人工智能方法的探索上更加開放。當(dāng)然你也可以嘗試用端到端的方法來訓(xùn)練自動駕駛系統(tǒng)，但這太困難了。深度學(xué)習(xí)一般作為自駕系統(tǒng)的視覺系統(tǒng)，但是控制系統(tǒng)和路徑規(guī)劃系統(tǒng)等則需要更多的經(jīng)典人工智能方法。

 相比較而言，深度學(xué)習(xí)確實是非常數(shù)據(jù)驅(qū)動的方法，這跟經(jīng)典人工智能中我們稱之為知識的方法不同。知識就像牛頓定律或萬有引力定律，人類的認(rèn)知需要很多真實的知識。而深度學(xué)習(xí)要獲取知識并不容易，深度學(xué)習(xí)目前如此有效，是因為我們有大量的數(shù)據(jù)。我認(rèn)為深度學(xué)習(xí)下一步需要學(xué)會獲取知識，這是個巨大的挑戰(zhàn)。

張宏江：人工智能是一個非常寬泛的領(lǐng)域，深度學(xué)習(xí)僅僅是一部分。Hopcroft教授，您在過去的50年里，在計算理論上做了很多工作，您愿意和我們分享一下，從理論和算法的角度如何看待人工智能的進(jìn)展嗎？

John Hopcroft：我首先再談?wù)撘幌律疃葘W(xué)習(xí)，深度學(xué)習(xí)真正的意義是在高維空間中更好地識別。比如你在看自行車的圖像，深度學(xué)習(xí)不會告訴你自行車的函數(shù)是什么。如果你展示的東西看起來像自行車，但不能讓你騎著它去地鐵站，它仍然會把它歸類為自行車。為了解決這個問題，我們需要將邏輯加入深度學(xué)習(xí)。

深度學(xué)習(xí)可以將自行車進(jìn)行分解，它會告訴你自行車有輪子、鏈子、座椅、踏板等等。對這些部件，你可以添加邏輯，說踏板帶動了鏈子然后帶動輪子，從而自行車可以移動，車頭可以讓你把控方向和轉(zhuǎn)彎，座椅可以讓自行車有運輸功能。通過添加邏輯，或許就可以構(gòu)建關(guān)于自行車的函數(shù)，這個函數(shù)的意義是將一個人從一個地點運輸?shù)搅硪粋€地點。

關(guān)于人工智能理論，單閾值邏輯單元可以用一個非常簡單的算法來訓(xùn)練。如果圖像集合是線性可分的，那么閾值邏輯可以實現(xiàn)分類。如果圖像集合不是線性可分的，應(yīng)該將集合映射到更高維的空間中，使得集合是線性可分的。關(guān)于訓(xùn)練閾值邏輯單元的方式，你也可以不將數(shù)據(jù)映射到高維空間中，而在原始空間中運行算法，這就是構(gòu)建支持向量機(jī)的技術(shù)。直到深度學(xué)習(xí)發(fā)展之前，這是人工智能領(lǐng)域的主要技術(shù)。

還有關(guān)于過擬合的問題，假設(shè)你有一個大型數(shù)據(jù)集，該數(shù)據(jù)集告訴我中國所有人的年齡和薪資。我想要問在某個確定的年齡和薪資上有多少人，但是不想保存整個數(shù)據(jù)集，因為我想把數(shù)據(jù)集放到手機(jī)上。因此我取數(shù)據(jù)集的一小部分，并且在適當(dāng)?shù)財U(kuò)展之后，相信答案會非常接近真值。答案的真假取決于我們要問的問題的范圍，并且需要多大規(guī)模的樣本的數(shù)學(xué)取決于問題的復(fù)雜性。

如果大家對這些數(shù)學(xué)感興趣的話，可以看看我所寫的書。在這本書的第五章，包含了所需要的數(shù)學(xué)知識。在我的照片下面寫著劍橋（Cambridge）的地方，可以得到PDF的鏈接。

John Hopcroft主頁：https://www.cs.cornell.edu/jeh/ 2
 

未來10年：數(shù)據(jù)和知識的相遇 

張宏江：Selman教授，我們知道您之前發(fā)表過美國人工智能研究未來20年的白皮書，可以分享您對AI未來發(fā)展趨勢以及重點的看法？

白皮書地址：https://arxiv.org/abs/1908.02624

Bart Selman：我認(rèn)為人工智能研究的未來趨勢是社區(qū)化，在業(yè)界有很多大型的研究團(tuán)隊在快速組建。美國正在構(gòu)建國家AI基礎(chǔ)設(shè)施，為不同的學(xué)術(shù)研究團(tuán)隊提供試驗臺。大多數(shù)研究項目無論是人力還是財力對于個人都是無法承受的，需要大量資金用于基礎(chǔ)設(shè)施軟件和機(jī)器開發(fā)，所以必須共享資源，允許協(xié)作。除了仍然要強(qiáng)調(diào)知識和深度學(xué)習(xí)的結(jié)合以外，我認(rèn)為自我意識學(xué)習(xí)是未來人工智能發(fā)展的重點。

張宏江：您所說的自我意識學(xué)習(xí)到底是什么意思？為什么您認(rèn)為這是未來20年人工智能發(fā)展的首要任務(wù)？   

Bart Selman：這是一個我們還沒有解決的問題。人類能以不同的方式學(xué)習(xí)，例如我們?nèi)W(xué)校學(xué)習(xí)新技能，這相比于數(shù)據(jù)驅(qū)動學(xué)習(xí)而言是非常不同的類型的學(xué)習(xí)。人類不需要學(xué)習(xí)上百個例子就可以掌握新技能。自我意識學(xué)習(xí)就是指，AI會反省自己的學(xué)習(xí)方式，然后調(diào)整它的學(xué)習(xí)行為。 

例如，AI會反思：我不太明白學(xué)習(xí)的微積分的知識，我想問一些問題，我想做一些微積分的練習(xí)來提高。這個過程中使用的學(xué)習(xí)例子很少，不需要數(shù)以百萬計的例子。這些學(xué)習(xí)風(fēng)格是人類獨有的，而當(dāng)前的人工智能并沒有掌握。

張宏江：當(dāng)我們回顧過去50多年的歷史，人工智能有一個非常緩慢的發(fā)展過程，然后10年前深度學(xué)習(xí)的出現(xiàn)使領(lǐng)域飛速發(fā)展?，F(xiàn)在要發(fā)展自我意識學(xué)習(xí)，您認(rèn)為我們還要再花費50年時間嗎？您認(rèn)為自我意識學(xué)習(xí)中，算力仍然是最重要的因素嗎？

Bart Selman：我認(rèn)為可能要再花費10年到20年的時間，這很難預(yù)測，畢竟一些研究需要基礎(chǔ)層面的突破?，F(xiàn)在和過去50年非常不同的是，我們已經(jīng)有了數(shù)據(jù)，所以我對未來還是非常樂觀的。

我覺得算力還是必要的組成。我認(rèn)為自我意識學(xué)習(xí)，也就是說將深度學(xué)習(xí)和知識、推理結(jié)合起來，還需要很多新的idea。在機(jī)器翻譯領(lǐng)域，深度學(xué)習(xí)做的非常好，可以達(dá)到90%以上的準(zhǔn)確率。問題是最后的10%的提升，可能需要相當(dāng)不同的方法。在自動駕駛系統(tǒng)中，機(jī)器做出的決策必須是非常準(zhǔn)確的，容不得一絲馬虎，這樣才能確保乘客的安全。所以對于最后的10%的提升，我們還需要做額外的工作。

張宏江：數(shù)據(jù)和知識之間是有差別的，這我很贊同。Hopcroft教授，您可以就人工智能的未來談?wù)勀愕目捶▎幔?/p>

John Hopcroft：農(nóng)業(yè)發(fā)展需要很長時間，而制造業(yè)發(fā)展只需要幾百年，人工智能只用了50年的時間就發(fā)展到了今天的地步。所以我認(rèn)為接下來的發(fā)展會非?？?，就像你建立工具來支持更有效的工作。 

在未來，我們需要解決可解釋性問題、偏見問題、常識問題、責(zé)任問題、持續(xù)學(xué)習(xí)問題，此外還包括AI取代人類工作后出現(xiàn)的各種社會問題。

張宏江：Selman教授，您對于我們何時能實現(xiàn)通用人工智能有什么見解呢？    

Bart Selman：未來10年，我們將更加注重專業(yè)能力。但到未來20年，我們會集中發(fā)展常識、知識、真正的語言理解等領(lǐng)域。真正的語言理解，即機(jī)器會像人一樣閱讀。一旦這個問題解決了，人類就能實現(xiàn)下一次人工智能發(fā)展的飛躍。機(jī)器一旦掌握如何理解語言，對我而言，就相當(dāng)于實現(xiàn)了通用人工智能。 

張宏江：Hopcroft教授，您有什么要補(bǔ)充的嗎？

John Hopcroft：在接下來的10年里，人們可能會聚焦于如何利用工程技術(shù)的最新成果解決特定問題。但我們也需要基礎(chǔ)研究，甚至是人工智能領(lǐng)域外的基礎(chǔ)研究。在過去的25年里，基于人類大腦發(fā)育的研究也是很重要的?，F(xiàn)在人們知道在兒童生命的頭兩年，大腦會學(xué)習(xí)如何學(xué)習(xí)。在未來，真正的進(jìn)步可能來源于生物學(xué)，但真實情況仍然是不確定的。

張宏江：Selman教授，您能否談?wù)?，美國近期在人工智能的政策上做出了哪些正確的決定？    

Bart Selman：我認(rèn)為美國做對的決定是，對人工智能領(lǐng)域的研究堅持投資60年，即使什么成果也沒有，這是一件非常困難的事情，我們不一定知道下一步的發(fā)展方向。

如果我們繼續(xù)投資于各種各樣的研究項目，會得到下一個突破。而如果只是投資到某些喜歡的領(lǐng)域，特別是目前最喜歡的領(lǐng)域，可能不會實現(xiàn)突破。研究突破是革命性的，不是進(jìn)化性的。我相信這就是人工智能的未來，更大的規(guī)模，以及更加協(xié)作的人工智能研究項目。 

張宏江：您能否也說說中國在人工智能支持政策上有哪些做對的地方？ 

Bart Selman：我認(rèn)為中國在人工智能支持方面做得很好，如果要提建議的話就是，不要局限于一個領(lǐng)域。看看人工智能的歷史，有很多非常困難的問題是從人工智能的歷史中就提出的，實際上還沒有解決。所以我鼓勵新一代研究者熟悉歷史，走向比數(shù)據(jù)驅(qū)動更廣泛的領(lǐng)域，例如類腦學(xué)習(xí)、one-shot learning等等。除了深度學(xué)習(xí)，還有一些非常重要的領(lǐng)域，即使你專注于深度學(xué)習(xí)，也不要太狹隘。    3
 

給中國研究者的建議 

張宏江：您建議允許人們探索不同的領(lǐng)域，即使可能會失敗，也可以從這些失敗中學(xué)習(xí)。最后一個問題，你們會給中國的人工智能研究人員提什么建議呢？ 

John Hopcroft：我的建議就是遠(yuǎn)離指標(biāo)，中國的研究人員非常感興趣于發(fā)表的論文數(shù)量和得到的研究資金數(shù)量。遠(yuǎn)離這些指標(biāo)，并關(guān)注其它的一些更有價值的層面。

張宏江：非常好的建議，所以不要只追求數(shù)字。那Selman教授，您有什么建議呢？

Bart Selman：我會建議中國的研究人員多關(guān)注有創(chuàng)造意義的研究，并愿意考慮其他人沒有考慮到的問題，我也同意Hopcroft所提的建議?？纯茨切]有解決的問題，看看那些最難解決的問題，下一個突破比下一個增量式論文更有價值。    

張宏江：非常感謝John Hopcroft教授和Bart Selman教授，我們回顧了過去幾十年在人工智能上取得的突破，以及我們對下一個10年的展望。在未來，我們或許會看到，人工智能社區(qū)走向全球化，經(jīng)典人工智能未來可期，并與深度學(xué)習(xí)協(xié)同發(fā)展，人工智能的各個領(lǐng)域會迎來百花齊放的盛況，新的突破點潛藏其中，或者在領(lǐng)域之外會帶來驚喜。