阿里云優(yōu)惠券 先領(lǐng)券再下單

目前人工智能正在從感知智能走向認知智能,將帶來新一輪的技術(shù)變革和社會經(jīng)濟變革。

4月7日,百分點科技特別邀請百分點認知智能實驗室名譽主任、自然語言處理(NLP)領(lǐng)域的國際著名學者、ACL終身成就獎得主、中國中文信息學會名譽理事長李生教授,以“人工智能正在由感知走向認知”為主題進行了講座分享。

|感知有所突破 認知還在路上

李生教授認為,人工智能經(jīng)歷了規(guī)則推理、機器學習和深度學習三個階段,基于多層人工神經(jīng)網(wǎng)絡(luò)的深度學習是目前人工智能最有效的學習算法。深度學習在識別(感知智能)上已有突破,但在理解(認知智能)上還有局限性,即將碰到天花板。

這是因為,人類對世界的認識可分為感性認識和理性認識兩種,感性認識只能看到事物的表象,理性認識能察覺到事物的本質(zhì),能更深刻、更全面、更可靠地反映事物的本來面目,從而引導人們按規(guī)律辦事,有效地改造世界。

人工智能是對人類智能的模擬,也因此,感知智能對應(yīng)著感性認識(識別),認知智能則對應(yīng)著理性認識(理解)。

目前,深度學習在人工智能兩大應(yīng)用技術(shù)——機器視覺和語言語音處理方面都取得了“識別”上的突破,同時也遇到一些“理解”上的挑戰(zhàn):

在圖像識別方面,深度學習甚至超過人類。有了深度學習之后,機器自動提取特征,解決了人工提取難度大、效率低的問題,圖像分割、目標檢測、目標跟蹤、圖像檢索、圖像增強和圖像濾波降維等都有了極大進展。但它自適應(yīng)性及泛化能力還不強,光線以及遮攔都可能降低其穩(wěn)定性。

同時,計算機視覺還有一個更重要方向——三維重建,它要求對圖像進行語義理解,通常用于與環(huán)境的有效交互。比如CT等醫(yī)學影像的三維重建,還有自動駕駛及VR、AR等方面,需要走重建與識別融合的道路。

在語音處理方面,語音處理(識別)屬于感知的范疇,而語言處理特別是文本語言的處理則需要更多對語義的理解。語言理解的實質(zhì)是語義理解(說話人的意圖),目前還十分困難,一方面是由于語言的歧義性(一詞多義)和多樣性(一義多詞);另一方面是高度依賴知識,除上下文內(nèi)容之外,還有語言知識(語法結(jié)構(gòu))、專業(yè)知識、背景知識、常識性知識和先驗知識等。

語義理解是自然語言處理(特別是機器翻譯)的重點也是難點,如何從形式與意義的多對多映射中,依據(jù)當前的語境找出一種最為合適的對應(yīng),是語義理解的核心問題。

也因此,無論是計算機視覺還是語音識別,都需要“理解”能力。但由于當前人工智能缺乏理解,導致“認知還在路上”。李生教授認為,人工智能進一步的發(fā)展必須逾越人類大腦思維能力鴻溝,解決不了推理問題機器就難以實現(xiàn)真正的認知。

具體來說,深度學習目前還是引領(lǐng)人工智能發(fā)展的核心技術(shù),作為多層神經(jīng)網(wǎng)絡(luò),受腦神經(jīng)科學的啟發(fā)而發(fā)展起來。深度學習是聯(lián)結(jié)主義代表,基于概率統(tǒng)計的算法,采用監(jiān)督學習方式,并需要用大量標注數(shù)據(jù)去訓練模型,再用訓練好的模型去測試未知數(shù)據(jù)。

但是,基于統(tǒng)計的數(shù)據(jù)驅(qū)動方法可能準確率很高,但其魯棒性差,經(jīng)不起干擾,性能高低主要取決于訓練數(shù)據(jù)的質(zhì)量。

而符號主義是研究并模擬人的思維方法,使用符號、規(guī)則和邏輯來表征知識,進行邏輯推理。因此,未來的機器理解也應(yīng)該像人一樣,走歸納與演繹融合的道路,將聯(lián)結(jié)主義與符合主義相結(jié)合,將統(tǒng)計與推理相結(jié)合。

|從學術(shù)界出發(fā) 在產(chǎn)業(yè)界落地

總體來說,當前人工智能仍然依賴算法,所用的深度學習算法還存在著不具備小樣本學習功能、泛化能力和抗干擾能力不強、不具備思考和知識推理能力等一系列局限性,人工智能的研究任重道遠。

近年來,深度學習不斷在網(wǎng)絡(luò)深度和網(wǎng)絡(luò)結(jié)構(gòu)上做文章,但不管怎樣,它還是受腦啟發(fā)而不是類腦,人工智能與人類智能比較起來還存在著沒有意識、不能思維、不能推理等一些根本性的差異。

因此,李生教授認為,不具有完全推理能力的人工智能不能算作真正的人工智能。人工智能的未來應(yīng)該是逐漸逼近人類智能,可能會有人腦思維和電腦思維兩種途徑,因此要從二者的差異入手,找出人工智能未來發(fā)展的出路。

未來需要研究與應(yīng)用并進,從學術(shù)界出發(fā)、在產(chǎn)業(yè)界落地,用產(chǎn)業(yè)落地來推動學術(shù)的進一步突破。研究與應(yīng)用并進,技術(shù)與產(chǎn)業(yè)需求結(jié)合,變成可以落地的應(yīng)用系統(tǒng)。

在互動交流中,被問及人工智能未來的發(fā)展方向時,李生教授表示,近年來人工智能主要是歸納綜合,還不是演繹推理,比如GPT-3等訓練模型體量大,能處理TB級的數(shù)據(jù)容量,但都屬于蠻力操作。

李生教授介紹,人工智能是個多學科交叉的技術(shù)領(lǐng)域,大家要不斷學習,啟發(fā)自己的思維,從現(xiàn)有的多學科研究成果中不斷獲取經(jīng)驗,從而實現(xiàn)創(chuàng)新實踐。生物需要智能,市場也需要智能,做一個學術(shù)界和商業(yè)界兼得的優(yōu)秀智能人才。

由于機器善于計算數(shù)據(jù),人類善于處理知識;機器對于解決靜態(tài)的,確定性的問題是強項,而人類經(jīng)常遇到的是動態(tài)的不確定性的問題。因此,要想突破人工智能的局限性,需要用腦科學牽頭,帶動計算機科學和數(shù)學等學科的深入研究。

未來要進行“兩個加強三個結(jié)合”,一方面要加強基礎(chǔ)理論研究,包括腦科學和認知科學、數(shù)學(微積分,線性代數(shù),概率統(tǒng)計,邏輯推理)和計算機科學(算法,結(jié)構(gòu));另一方面加強基礎(chǔ)設(shè)施建設(shè),包括芯片、傳感器、算法和平臺。

同時,在基礎(chǔ)理論上進行學科交叉,用腦科學帶動數(shù)學和計算機科學,其算法是核心,學習一點復(fù)雜性和不確定性理論,研究一下復(fù)雜性和不確定性算法。

具體來說,要將軟件算法與硬件芯片結(jié)合、知識推理與數(shù)據(jù)統(tǒng)計結(jié)合、機器計算與人類認知結(jié)合。 單純的經(jīng)驗論和單純唯理論都會束縛人工智能的手腳,只有在理論基礎(chǔ)上取得根本性突破,才能避免走進死胡同。

李生教授表示,人工智能的發(fā)展在于對人腦智能機理的逼近程度,是讓機器理解、掌握并運用人類知識。 機器永遠是人類的助手和工具,面對它、掌握它、用好它,人機融合才是發(fā)展的出路。

申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！