人工智能現在發展到哪個階段了?存在哪些問題與局限性?如何突破?

 

[[349108]]

 

近日，清華大學人工智能研究院院長、中國科學院院士張鈸(bó)教授在“紀念《中國科學》創刊70周年專刊”上發表了聯合署名文章——《邁向第三代人工智能》。

 

 

什么是第三代人工智能?

通過這篇文章，首次全面闡述了第三代人工智能的理念與發展方向。

文章認為，第三代人工智能的發展路徑是融合第一代的知識驅動和第二代的數據驅動的人工智能。

 

 

 

 

1956年8月，在美國漢諾斯小鎮寧靜的達特茅斯學院中，約翰·麥卡錫、克勞德·香農、赫伯特·西蒙等一眾大牛科學家們聚在一起，主要討論一個影響人類甚至是地球未來的議題：如何用機器來模仿人類學習以及其他方面的智能。

因為時代背景的限制，會議開了兩個月的時間，也沒有達成普遍共識，但是這次會議討論的內容，是有一個明確的討論主題：人工智能。

人工智能元年是1956年，也是由此而來的。

在人工智能60多年的發展歷史中，一直存在兩個相互競爭的范式：

第一是符號主義，也就是第一代人工智能。

到上個世紀八十年代之前一直主導著AI的發展。作為第一代知識驅動的人工智能，主要是利用知識、算法與算力三個要素來構造AI。

第二是連接主義(或稱亞符號主義)，也就是第二代人工智能。

從上個世紀九十年代逐步發展，到本世紀初進入高潮，大有替代符號主義之勢。第二代數據驅動的人工智能，利用數據、算法與算力三個要素構造AI。

由于第一代與第二代人工智能都有明顯的局限性，都是分別從一個側面來模擬人類的智能行為，因此，都還是弱人工智能。

因為以今天的科技研究與視角來分析，這兩種范式只是從不同的側面模擬人類的心智 (或大腦)，具有各自的片面性，不可能觸及人類真正的智能。

同時利用知識、數據、算法和算力等4個要素， 建立新的可解釋和魯棒的AI理論與方法，發展安全，可信，可靠和可擴展的AI技術，這是發展AI的必經之路。

正是在這樣的背景之下，提出了第三代人工智能的概念，通過發展安全、可信、可靠與可擴展的AI技術，建立一個全面反映人類智能的AI，需要建立魯棒與可解釋的AI理論與方法。

其發展思路是，把第一代知識驅動和第二代的數據驅動結合起來，從原來的三要素升級到同時利用知識、數據、算法與算力四個要素，來構建比前代更強大的人工智能。

第三代人工智能，存在雙空間模型與單一空間模型兩個方案。

第一、雙空間模型。

該模型是一種類腦模型，符號空間模擬大腦的認知行為，亞符號(向量)空間模擬大腦的感知行為，人類大腦中的認知行為與感知行為其實是無縫融合的。

如果第三代人工智能能夠實現這種融合，AI就很有希望達到與我們人類相似的智能。

目前，雙模型空間，需要重點攻克三個問題：

1、知識與推理;

知識與推理，是理性智能的基礎，這里面，涉及NLP、知識圖譜技術，尤其是各領域相對成熟的“語料庫”建設，是非常重要的環節。

2、感知;

目前的深度學習只能做到 “感覺 (sensation)”, 達不到“感知 (perception)”。

一字之差，天壤之別。

機器識別的是外部標注的 “寄生語義 (parasitic semantics)”，為了達到感知的水平，需要從局部到全局，能夠識別出物體的“內在語義(intrinsic semantics)”，這一點上，目前的深度學習技術，還有很長的路要走。

3、強化學習;

強化學習是用來模擬人類的學習行為, 通過 “交互 – 試錯” 機制, 與環境不斷進行交互，進而學習到有效的策略。

目前已經在視頻游戲 、棋牌游戲、機器人導航與控制、人機交互等領域取得了諸多成果, 并在一些任務上接近甚至超越了人類的水平。

但是在不確定性、不完全信息、數據或者知識匱乏的場景下, 目前強化學習算法的性能往往會出現大幅度的下降，這也是目前強化學習所面臨的重要挑戰。

第二、單一空間模型。

該模型以深度學習為基礎，將所有的處理都放在亞符號(向量)空間。

模型的優勢在于充分利用計算機的計算能力，提高處理的速度。

其難點在于，目前的深度學習模型與我們人類大腦的學習機制還是存在很大差異，如果要克服深度學習所帶來的缺陷，需要把如下幾個關鍵問題討論清楚：

1、符號表示的向量化;

知識通常以自然語言的離散符號形式表示, 為了實現單一空間模型, 首先要將符號表示的詞、短語、句子和篇章等轉換為向量, 或者將知識圖譜轉換為向量表示.

這里面需要解決的問題有：不可解釋、會發生重大錯誤、魯棒性差等問題。

2、深度學習方法的改進;

深度學習目前的主要工作只是在做簡單的函數擬合, 其局限性在于缺乏像人一樣對問題的理解能力。

因此通過理解機器學習模型的內部工作機理, 發展數據驅動和知識驅動融合的第三代人工智能理論框架, 將成為提高人工智能算法魯棒性的重要途徑之一。

3、貝葉斯深度學習的突破;

貝葉斯深度學習是將貝葉斯學習的基本原理與深度神經網絡的表示學習有機融合的一類方法，將不確定性建模和推斷與深度表示學習有機融合, 其關鍵挑戰在于推斷和學習算法，目前已經在多種復雜場景下，取得了價值與突破。

為了實現第三代人工智能的模型，在綜合了上述兩種模型的優劣后，就采用了三空間融合的模型，也就是把雙空間模型與單空間模型融合。

這樣做的優勢在于，既可以最大限度地借鑒我們人類大腦的工作機制，又可以充分利用計算機的算力，通過兩者融合后的倍增效應，希望能夠打造更強大、更接近人類大腦的AI模型。

我們期望三空間融合模型，能夠盡快從實驗室階段邁向商業化階段，實現更大的價值，造福人類。

關注東方林語，一起了解更多AI知識。

附參考閱讀:

《邁向第三代人工智能》全文如下