<mark id="oztn4"></mark>
2
| 本文作者： 李尊 | 2016-10-22 20:36 | 專題：2016中國計算機大會(CNCC 2016) |
雷鋒網按：本文根據高文院士今天上午在 CNCC 2016 上所做的大會特邀報告《人工智能--螺旋上升的60年》編輯整理而來，在未改變原意的基礎上略有刪減。
高文，北京大學信息科學技術學院教授。中國工程院院士、ACM/IEEE Fellow。1991年獲日本東京大學電子工程學博士。曾任國家八六三計劃智能計算機主題專家組成員、組長，973項目首席科學家。曾任中國科學院計算技術研究所所長、中國科學技術大學副校長、中國科學院研究生院常務副院長。曾任第四屆、第五屆國務院學位委員會計算機科學技術學科評議組成員、計算機學報主編，曾任或現任IEEE T-MM、IEEE T-CSVT、SPIC、JVCIR、IEEE T-IP編委等。是第十屆、十一屆、十二屆全國政協委員。目前兼任國家自然科學基金委員會副主任、中國計算機學會理事長、全國信息技術標準化技術委員會多媒體技術分委員會主任委員、IEEE 1857（AVS）標準工作組組長、數字音視頻編解碼技術標準（AVS）工作組組長。
高文院士作為2016中國計算機大會特邀講者發表報告《人工智能--螺旋上升的60年》
電子計算機的發明不僅大大改變了人們的工作方式，同時也極大改變了人類的學習、生活和工作方式。計算機科學研究的終極目標之一是實現與人類智能水平相當甚至更高的智能—人工智能。經過60年的研究，人工智能經歷了起起伏伏，呈螺旋式發展態勢。近幾年由于深度學習的貢獻，人工智能到達了一個新的頂峰。
人工智能三大派別
人工智能領域中關于派別部分，先說兩個比較重要的派別，它們分別是
符號主義（邏輯主義）
連接主義
符號主義
主要內容是關于符號計算、演算和邏輯推理，用演算和推理的辦法來證明。比如說像機器證明就是符號主義。
連接主義
連接主義也就是我們今天大家所說的非常紅火的神經網絡、神經元網絡、深度學習，這些都是連接主義。
行為主義
其實第三個主義我們也不能忽略，但目前提及較少，叫行為主義。目前中國人工智能學會，還有一個中國自動化學會，他們也在做人工智能相關內容。如果提及派別的話，很容易聯想到行為主義，其實是從控制界衍生出來的。
智能
提到人工智能，離不開智能的概念。通常我們說的的智力其實是智能，人類作為高級動物，區別于其他動物最本質的特征，就是人是有智能的。那么，我們說的智能是指什么呢？
有一類定義叫做智力三因素，其將智力分為是
成分智力
經驗智力
情境智力
成分智力
指思維和對問題解決所依賴的心理過程，成分智力和受教育程度直接相關，或者正相關。
經驗智力
經驗智力其實它和受教育程度并不直接相關，有的人沒有受過高等教育，同樣可以有非常多的經驗智力。
情境智力
情境智力也就是我們經常說的一個人的情商，即個人根據環境的調整所發揮出來的水平表現，這叫情境智力。
人工智能
現在我們知道了人智力的三個方面，那么人工智能就需要在這三個方面都得到良好的發展。
目前很顯然并沒有實現，我們現在說的深度學習、神經網絡，其更多的是經驗智力，成分智力和情境智力都遠遠不行。
人工智能我們說它是一種機器智能，是由機器來仿真或者來模擬人智能的系統或者學科。人工智能的研究實際上包括很多了，包括推理、知識、規劃、學習、交流、感知、移動、操作等，這些是我們做人工智能研究基本的東西。
多元智能理論
如果把智能再細分一下，其實涉及很多方面。有一種理論是哈佛大學心理學家給出的，其給出定義把人類智能稱為多元智能。其中多元智能涉及到至少9個方面，包括
邏輯方面的能力
語言文字方面的能力
空間改革的能力
音樂能力
肢體運作能力
內省的能力
人際關系能力
自然探索能力
圖形圖像理解的能力
這9個方面實際上表明智能可以細分到這么多的層次。
現在有很多討論說，很快人工智能大概在10年、15年、20年就會超過人類。但是按照這個來分析，我們現在做的遠遠還不夠。
人工智能之父
說到人工智能，有一位先生我們不能不提及，他就是人工智能的Founder——圖靈（Alan Turing）。他既是計算機之父，也是人工智能之父。目前我們用來判斷機器是否具有智能的測試就是他提出的，圖靈實際上是我們這個領域的開山鼻祖。
圖靈獎
圖靈獎到目前已經授予了60多位科學家，在這之中有8位科學家是做人工智能的。
上圖列舉的就是這8位科學家，舉例來說MIT教授Minsky Marvin，最早的連接主義就是他提出的，之后稱連接主義不行的觀點也同樣是他提出的，他是一名非常偉大的人工智能學家。
McCarthy、Newll、Simon、Feigenbaum他們幾位都是非常典型的符號主義代表，在他們的推動下包括最早先的機器證明、人工智能、通用人工智能機、知識工程，基本上都是他們在幾位親自推動下進步的。
另外一位Reddy主要是做語音識別的，他也是李開復、沈向陽的老師。他授獎的領域是大規模人工智能，實際上他是做多媒體的。
另外兩位中Valiant是2010年獲獎（機器學習理論），Pearl是2011年獲獎（概率計算和因果推理），這兩位昨天在周志華教授在介紹機器學習的時候也有專門提到過，他們的工作是未來人工智能的重點走向。
人工智能起源
1956年達特茅斯會議花了2個月的時間討論人工智能問題，最后形成了我們所說的人工智能領域。在達特茅斯會議參會十幾個參會人員中，有幾個人都獲得了圖靈獎。
在人工智能這60年中，其實可以說是經過了許多起起伏伏。
人工智能第一次浪潮（1956-1976）
第一次浪潮是1956年到1976年，這二十年間主要是符號主義、推理、專家系統等領域發展很快。
當時這個領域做的最好是斯坦福大學，后來人工智能有關的這些獲得諾貝爾獎獲得者多數與斯坦福大學有關。斯坦福大學對人工智能貢獻非常大，不過后來卡耐基大學（CMU）也發展的很快。另外MIT（Minsky教授）以及IBM、哈佛大學也都做出了許多非常不錯的工作。
當時大家對人工智能非常看好，非常熱。
人工智能初期著名預言
1958年，在人工智能誕生兩年之后，當時有兩位大師（Simon與Newell）提出了一個預言。當時這個預言很有名，其預言十年之內很多事情人工智能都能解決。比如說
十年內戰勝國際象棋冠軍
十年內發現和證明有意義的數學理論
十年內能譜寫優美的樂趣
十年內能實現大多數的心理學理論
其中，國際象棋冠軍這個早已實現，數學定理也實現了。但是另外兩個到現在為止沒有實現，這個可以說是過于樂觀了。
人工智能的優秀研究者
人工智能第一次浪潮時期主要進展
人工智能第一個浪潮時期主要是符號主義、機器證明、人工智能邏輯語言進步比較快，當時最大的一個成果是專家系統、知識工程。
人工智能第一次反思
但是20年以后，大家當時設計的理想目標很多都沒有實現，所以由此進入第一個低潮、冰河期。在這次反思中，很多大家認為可以做到的實際上沒有做到。所有很多人開始疑惑這個領域是否真的有這么厲害，開始進行反思。再加上當時兩面都受挫，其中
知識工程方面很多設定的遠大目標實現起來都困難重重
連接主義則是MInsky發表了文章《K-lines: A Theory of Memory》基本上否定了神經網絡大規模學習的能力
由于這篇文章影響，符號主義和連接主義基本可以說是從此消沉了。
人工智能第二次浪潮（1976-2006）
從1976年到2006年可以稱作人工智能的第二次浪潮。在這一次浪潮中符號主義沒有再起來，但是連接主義起來了。這中間包括幾個里程碑式的工作，其中Minsky先生是連接主義這個領域比較典型的代表。
人工智能的優秀研究者
Marvin Minsky
自組織網絡
在連結主義里面有各種各樣的神經元網絡，舉例來說上圖中的自組織網絡
自組織網絡經過訓練可以在非監督狀態下進行學習，得到分類的結果。
感知機（Perceptron）
上圖是最早期感知機的模式，實際上它也是最簡單的神經元網絡。
誤差反傳網絡（Back Propagation Net）
上圖是1986年提出的一個兩層神經元網絡（BP網絡），這個工作可以說是整個人工智能浪潮的奠基性工作。
神經網絡相關從業者都知道，在訓練的時候給出一個樣本，有輸入、輸出。給定一個輸入，輸出可能是對的，也可能是錯的。對的沒問題，錯了怎么辦？如何進行調整？
這在以前是很難的，之前雖然有很多經驗去進行調整，但是那個調整是否收斂？一直沒有證明。
BP網絡的出現第一次證明，神經元網絡可以通過BP網絡使得這個網絡可以收斂，在這個基礎上就能實現學習了。如果神經網絡的學習不能收斂，那就不能使用用。
人工智能第三次浪潮（2006至今）
在2006年眾所周知，Geoffrey Hinton聯合Yann LeCun、Yoshua Bengio發表了圖中所提到的論文，論文發表后，大家普遍認為神經元網絡可以解決很多問題。
人工智能第三次浪潮特點
雖然深度學習是從2010年開始變得熱門，但2006的文章可以說是直接推動了2010年深度學習一路發展到今天的高度。
2006年第三次浪潮中第一次有了深度學習，在這里要提到有兩個因素促成了深度學習的成功：
一個是硬件的進步
硬件越來越便宜，計算能力越來越強。
第二個是模型和參數調整技巧的進步
在以前做一個幾層的神經元網絡可能還問題不大，但是一訓練可能就要很長時間。
舉例來說20年前，漢字識別需要收集很多漢字識別的樣本。以前在機場到處讓人寫字，然后計算機掃描進去，再進行訓練。那時候訓練需要多長時間呢？如果放十幾臺機器的話要1到2個月，且收斂速度很慢。那時候只有4、5層，但現在100多層或者更多，可能幾十個小時就可以訓練出來了。
人工智能未來的基礎理論
往下到底做什么？這是我的一些判斷。
首先我們不能說到現在為止進步不大，進步很大，但是在整體來說還是非常小的進步。所以，我們需要有一些決定性的、革命性的工作，即非確定性的信息處理和新的機器學習方法。
在這里實際上要以知識處理為中心，要把前面的符號主義和連接主義這兩者結合起來，在這之中里面有兩個先驅者已經獲得了圖靈獎。
最近和NSF人接觸以后，發現美國現在對于深度學習這件事爭議非常大。目前NSF對于基礎理論的研究是仍然支持的，但是所有的應用領域的研究一律不再進行支持了。
這個給了我們一個信號，也許幾年以后真的會到沉寂期。
人工智能60的思考
人的知識可以分成四類，從兩個象限來看。
一個是可統計、不可統計。
人有些知識，有些可以去統計，有些你沒辦法統計。
另一個是可證明（可推理），與不可證明（不可推理）。
我們將知識放在兩個維度的空間上，橫向方向上只要是可推理的，我們可以通過機器學習的方法，最終完成這個推理。
凡是可統計的，在縱向方向可以通過大數據、統計的辦法得到一個好的結果。
也就是說，要么通過機器學習的辦法，要么通過統計的辦法，都可以解決一類的問題。
我們的知識實際上是分成四類
We know what we know
We know what we don't know
We don't know what we know
We don't know what we don't know
這四類知識里，我們現在對于可統計可推理的部分，原則上我們都可以找到答案，不管是用機器學習還是神經網絡的方法。
對那些可推理不可統計的部分，可以用舉一反三的辦法。
可統計不可推理的部分可以采用模糊識別的方法。
不可統計不可推理的部分就得靠頓悟了。這類知識不是任何人都可以得到，只有極少數人可能得到。
人工智能時代是否到來
今年是人工智能60周年，目前來看現在人工智能時代既到來了，也沒有到來。
人工智能離人類智能差距
與多元智能的定義對比，我們現在九個領域中，其中
邏輯、語言文字、圖形圖像方面做的比較好
空間、音樂與肢體運作方面則馬馬虎虎
內省、人際以及自然探索方面完全還不行
結合之前的內容來看，我認為
人工智能1.0是在可統計可推理的部分取得一定的成果。
人工智能2.0是在1.0的基礎上向不可統計不可推理的部分區域推進。
人工智能3.0，大概最多到4.0，后面一定會有相當一部分是難以做到的（頓悟），但是這也是今后發展的方向。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
