CN/EN
理事长沈向洋:未来5年可能是人工智能最有突破的时候
2021-04-25
分享:
4月25日上午,IDEA数字经济研究院理事长沈向洋出席2021人工智能与机器人国际研讨会并发表《从深度学习到深度智能》的主题演讲。演讲中,理事长沈向洋对过去十年人工智能发生的变化做了总结。他提到,当前我们在大数据利用和计算架构方面的创新有着很大的进步,但是通用人工智能的进展一直缓慢。此外,他表示深度学习只是狭义的人工智能,必须构建 robust AI才能实现真正的强人工智能。

深度学习取得进展的10年

“我们必须认真思考智能的真正含义是什么。如果把人工智能进行分类,可以分为弱人工智能和强人工智能。”理事长沈向洋说。

其中,弱人工智能对应的是深度学习。围绕单一任务点,需要大量数据做支撑,有时候不那么可靠,可移植性差/移植过后需要大量重新训练。强人工智能(robust AI)对应深度智能,强调系统化地解决宽泛的问题,具备灵活与动态的推理能力,可以很好地移植到不同场景。显然,当前需要的是强人工智能。我们想要综合各种来源的知识,期望AI能够对世界上正在发生的事情进行推理。就像人类一样,能够在一种语境中学习,在另一种语境中应用。

谈到深度学习,DNN(深度神经网络)是绕不开的话题,它的强大之处已经在语音、视觉、自然语言处理等领域得到了验证。而真正把深度神经网络用于语音识别的重要文章是2012年的《Deep Neural Networks for Acoustic Modeling in Speech Recognition》,这篇文章由包括Hinton在内的四个研究小组参与,那时的深度学习刚开始发挥威力。

自从这篇文章问世,深度学习不断取得进展。理事长沈向洋总结过去十年,尤其是DNN问世到现在这段时间“人工智能”的三大变化:一是在大数据利用方面有着惊人的有效性,表现在DNN的巨大进步离不开海量数据的支撑;二是对计算能力的需求日益增长,表现在我们设计的算法越来越依赖于算力处理数据;三是虽然DNN有巨大进展,但通用人工智能的进展缓慢。


从深度学习到深度智能

当前有没有从深度学习转向深度智能的机会?在理事长沈向洋看来,当前一些机器学习的结果对于每一个任务来说,已经不只是“分类器”,而是robust AI 智能体。例如它可以通过实践继续学习技能和知识(强化学习)以及探索示例(无监督学习)。这类智能体的特点是用比较少的学习次数,就能解决非常新的任务。

事实上,理事长沈向洋最近在思考robust AI时认为这三个方面在实现robust AI时大有可为:一是构建大规模的强机器学习仿真器。不仅是游戏,还有自动驾驶等复杂系统。二是对于机器学习本质的深度理解。从优化功能开始,思考我们从里面真正学到的是什么。三是基于神经与符号的混合模型(Hybrid Neural/Symbolic Model for Robust AI)。

雷蒙德微软研究院写了一篇论文,题目为《SOLOIST: Few-shot Task-Oriented Dialog with A Single Pre-trained Auto-regressive Model》。文章提出了一种新的方法,即能够利用迁移学习进行高效大规模构建面向任务的对话系统。在理事长沈向洋看来,这篇文章有两个亮点,其一是有个预训练模型GTG(Grounded Text generator);其二是该方法实现了真正的会话学习。理事长沈向洋相信:“接下来的5年可能是人工智能最有突破的时候,可以做出很多了不起的成果。”

部分图文源自《南方Plus》

TOP