<mark id="oztn4"></mark>
1
| 本文作者： 趙青暉 | 2016-12-23 23:34 | 專題：2016高工機器人年會：何謂機器人全新時代？ |
60年前的夏天，當時在美國的達斯矛斯開過一場研討會，在這個會議上，有一群年輕人搞了一個討論班，用了兩個月，討論人工智能要怎么做。在這個班里，最后幾個大家大部分人都拿了圖靈獎，這也是人工智能的一個起源的標志，到現在為止，人工智能的發展有三個浪潮，第一個浪潮就是從起源開始。
編者按：2016高工機器人年會的閉幕式主題報告會上，中國工程程院院士、北京大學教授高文在做了一個主題為“人工智能的前景與挑戰”的演講，在演講中高文院士回顧了過去60年的三波人工智能浪潮發展的歷史（這篇報告雷鋒網有更詳細的版本，請點擊鏈接），回顧過后就要展望未來，那么人工智能的未來會怎么樣？這也是高文院士今天所講的一個主要議題，以下為雷鋒網整理的高文院士的演講全文。
今天產業界都覺得人工智能大風來了，趕快前進不要掉隊。但是如果你冷靜下來想想，人工智能從研究方面還是有很多問題沒有解決的。當然這不是說不能用，仍然可以用，就看你怎么用，會用在哪里。
人工智能現在主要的缺陷或者不足還是在機器學習上的網絡上，神經網絡是學習的一個方法，這個方法確實可以解決很多問題，但是它的問題是你不知道它是怎么解決問題的，在神經網絡機器人的表達里面有很多東西是沒有辦法定性、解釋的，這是比較難的一個問題。怎么樣能把這個問題解決掉，人工智能可能又會來一波大的浪潮。不管怎么樣，怎么樣做好的知識處理，能夠做到知其所以然，這是現在面臨的一個比較大的問題。
這方面有人在做研究，例如這位圖靈獎的獲獎人，他是做分布式學習最重要的一位學者。另外一位在機器學習方面的圖靈獎的獲獎人是UCLA的教授。圍繞這兩個領域，做機器學習的人都在探索怎么把這個理論實用化，因為他們的理論太理論，沒辦法直接用，所以很多人都在探索這個問題。
最近有很多不同的基金或者國家面向人工智能或者深度學習方面都有不同的動作。
比如說美國的國家科學基金會（NSF）從今年開始對于機器學習原創工作仍然大力支持，但是對于簡單使用深度學習去解決問題的研究已經不再支持了。所以前段時間我去美國開會，馬里蘭大學的一位很知名的搞人工智能的專家就調侃說，現在都在說Deep Learing，Deep YES，Learning NO。因為它的學習嚴格的說不是學習，而是訓練，是用大數據在訓練一個結構，而不是真的知道知識是什么，這可能只是一個動作。
國內的自然科學基金業也在采取一些動作，包括我們會把和人工智能相關的一些研究列入支持。比如我們將會把智能科學單獨作為一個學科代碼，將來在整個自然科學申請體系里面列進去，每一個學科代碼在我們這里相當于是一個處的編制。
有的同事知道我另外一個身份是國家自然科學基金委員會的副主任，我現在分管信息學部，自然科學基金今年248億預算，8個學部，有的學部大一點，有的學部小一點。信息學部今年的預算是1/8左右，也就是說28-29億，現在四個處在分，每個處是不到5億。如果我多了一個信息科學代碼，那它就會從1/4變成1/5，所以大家可以知道我們將來對信息科學的支持力度會有多大。
當然沒有申請人也不會給錢，因為自然科學基金是競爭性的，沒有競爭就拿不到錢。所謂競爭，大概就是1/4，大概就是25-30%之間的申請率，平均3份以上選擇1份來支持。這是一個信號，我國今后會對人工智能或者機器人的研究會有比較大的資源注入進去。
對于未來來說，現在的人工智能和未來的人工智能到底階段上怎么來劃分？或者說我們現在做了多少事，未來還有多少事需要做？
不要認為我們解決了人工智能的所有問題，我們解決的問題還是很小一部分。是哪一部分呢？我們把這個矩陣做成四部分來看。
左上角部分叫做可統計、可推理的知識，或者可統計、可推理的世界。什么叫可統計？只要數據多了，一統計就找到規律了。什么是可推理？它的因果關系能歸納出來。當然這個可推理既是可能是基于大數據的推理，也可能是基于符號的推理。現在它可以用了，因為有了深度學習，我們又有了前些年的邏輯演算的基本算法，這是可以做的。
這一部分工業界可以用了，拿去做機器人、去做各種各樣的知識決策系統都是可以的。
還有另外三部分，包括不可統計可推理。什么東西是這樣的？要么數據不完備，要么數據里面特征的描述還沒有找到更好的辦法，可能里面是很稀疏的東西，表達根本沒有辦法統計出來，在里面是游離狀態，但是是可推理的，可以寫出正確的規則。這些靠大數據解決不了問題，但是只能靠傳統的邏輯來做。這方面又相當脆弱，許多東西需要進一步去驗證。
左下角是可統計不可推理。這個意思就是我有大數據，通過大數據都能把規律統計出來，但是用語言表述出它的因果關系不行，有點復雜。當然隨著時間的推移，可能也變成可推理。至今這里有相當一部分用神經元網絡可以解決，但是用推理的辦法還很難解決。這方面曙光有一些，但是也需要更多的沉淀。
右下角是比較難的一部分，未來機器人在這方面很難有作為。為什么？連我們自己都說不清楚。比如說人類有很多頓悟，這些頓悟通過統計能證明它產生？不可能統計出來。通過理論證明這個東西產生嗎？不可能。也不知道什么人在什么環境下突然想明白一件事，這個機器做不了，沒有模型和數據，所以這些東西是未來機器人不可能涉足，不可能勝過人的。我講到這里，大家都很容易理解，將來機器人會超過人，你就知道哪些可以哪些不可以。
這個問題得看從哪個角度說。
答案可以是肯定的。比如你僅僅是期望計算機能夠做的事比人做得更好，很多事情是可重復，可統計，可推理的，把這些事交給計算機去做，它一定做得比人強。例如下圍棋，盡管比較難，但是它是經驗和知識積累的過程。也就是說，慢慢的，機器一定會勝過人。昨天我在香港和一個教授還在討論，會以后沒有人下圍棋呢？為什么這樣想呢？他說人和人下很有樂趣，和計算機下盤盤輸，為什么下？我說為什么要和計算機下？還是和人，你還是冠軍。
答案也可以是否定的，對于上圖那幾個下面的象限區域的很多事，計算機還不行，我們認為那些還是需要進一步研究的。
這是我們對AI的看法。現在大家可能知道，10月13日，白宮曾經發布兩個和人工智能有關的報告。12月20日，白宮又發布了一個報告，叫做人工智能自動化與經濟。這篇報告中說，人工智能總體來說，不管你是否接受，不管你是否看好，這件事就要發生了。我們現在要做的是，如果這件事發生了，我們怎么去應對它。
我認為這個報告出的非常及時，列出了人工智能對經濟有五個方面的影響。例如對總的生產率增長的影響是積極的，對就業市場的影響會發生變化，對不同層次的人變化不一樣，影響分布是不均衡的，所以不同層次、部門、領域、區域的都會不一樣。人工智能會導致一些工作職位的消失，也會產生一些新的類型的工作。勞動力市場將會被攪亂，一些工人短期會失業，失業的時間肯定更長，這就看政策到底怎么調整。
對政策到底有哪些影響？就看人工智能一旦起來到底對哪些人有影響。
按照美國的判斷，對每個小時40美元以上的工作影響不大，只有4%，對美國小時20-40美元之間的影響是31%，但是對于低于20美元的勞動力影響非常大，達到83%。所以政府要有所應對。應對的策略，包括鼓勵投資開發，也包括對新的工作類型進行培訓、對轉型期間的工人提供幫助，讓他們能夠通過再學習得到就業。
這是美國的研究，回到今天我們的主題，人工智能帶來的機遇對全社會，當然也包括對于自動化領域，特別是機器人領域，機遇是非常多的。如果我們說過去這幾十年比較大的浪潮，第一波是PC浪潮，給信息領域帶領顛覆性的影響。緊接著是互聯網浪潮，成就了一大批互聯網公司，例如谷歌、百度。之后馬上出了一波新的浪潮，叫移動互聯網，比如說今天的蘋果、華為等等都是這波起來的公司。下一波是什么？一定是在AI，下一波公司能夠再出現像蘋果、華為，一定是AI。
是否用AI做機器人？當然可能，也有可能是做別的，浪潮就在這里。
我們現在做機器人，絕大部分的行為是設計出來的，我們把它叫做Designed Robot，要前進、拐彎都是按規律設計出來的。這沒有錯誤，但是不是AI。什么是AI機器人？或者叫學習機器人呢？就是機器人做好以后，他不知道要干什么。你訓練他干什么他就干什么。就像小孩一樣，小孩出生了，你說他將來是數學家、物理學家、技術工人、農民？他什么都不是，但什么都可能是，就看你教他什么。我們以后的機器人也應該是做出來的時候什么都不是，你教他做什么他就是什么，你教他開車他就會開車，你教他上流水線操作，他就會流水線操作。這一天一定會來，就看誰在上面花的功夫更大，或者準確更充分。
我們怎么樣能讓系統和人具有同樣的知識能力和水平？現在大部分是軟件知識，有一個系統，你會給它大數據的集合，它進行不斷的訓練，不斷的和聊天、對話。這些機器人開始的規則比較簡單，大數據進去，不斷的會話調整反饋，就能慢慢抓住聊天對象的注意力，讓你跟著它轉。這可能是現在的一些情況。
真正到了AI階段，就不是軟件知識，而應該是開放知識。現在人類之所以一直在進步，是因為知識本身是開放的，我們得到了一些知識，然后把它教給學生，寫成書給社會，社會得到這些知識之后就會不停的進步。在這個基礎上，別人再去加新的知識。所以一定是開放的，如果不開放，這個社會就不能進步。這個道理一樣落到機器人和AI方面。
人工智能對于教育和就業的機遇比較多，因為現在整個社會需要非常多的學習人工智能的博士，現在在美國博士上百萬年金都拿得到，在國內也能拿到接近百萬。有時候我們開玩笑，老老實實教了一輩子書，剛畢業的學生就比我們的薪水高。需求太大就水漲船高，所以需要教育提供更多的人才。
對于研究方面的挑戰更大一點。主要研究，最近工程院在出一個報告，叫AI 2.0，準備從 1.0 向2.0 過度，要做的事是這里綠色的區域，淺藍區域是現在可以直接拿去用的東西，綠色的區域還做得不是太好。
最后高文院士用一張PPT對這次演講進行了總結。
PS：第104期硬創公開課雷鋒網邀請到庫柏特科技CEO，武漢大學特聘副教授李淼，這次李教授帶來的公開課主題是《制造業中的機器智能》。12月26日下午3點，雷鋒網機器人垂直欄目“新智造（公眾號：新智造）”將準時開課。
掃描下方海報上的二維碼，關注“新智造”公眾賬號后，回復“報名”兩字，添加“公開課”管理員為好友，通報姓名、公司（學校）、職位（學位）、聯系方式，審核通過后即可進群。（機器人相關從業者、學者，以及對機器人領域有濃厚興趣或實踐經驗的讀者優先。）
專題
