AI未来发展的三种模式 | CCF-GAIR人工智能前沿专场随笔

2017年7月7日-2017年7月9日，由中国计算机协会CCF主办、雷锋网和中国香港中文大学（深圳）联合承办的CCF-GAIR全球人工智能与机器人峰会，在深圳大中华喜来登酒店顺利举办。

此次大会围绕计算机视觉与NLP、自动驾驶、医疗机器人、金融科技、机器人与自动化五个主题展开，分为人工智能前沿专场、机器人专场、智能助手专场、金融科技专场、AI+专场、AI创投专场、未来医疗专场、智能驾驶专场、智能物流专场、机器学习专场、CV+专场。为期三天的大会是国内人工智能与机器人领域规模盛大、跨界最广的学术、产业和投资界的盛会。

本文为数据派志愿者、清华-伯克利深圳研究生院的王子亮所写的参会感想，为你分享人工智能前沿专场的精华内容。

AI复兴

回顾历史，人工智能自1956年由斯坦福大学J.McCarthy教授、麻省理工学院M.L.Minsky教授、卡耐基梅隆大学H.Simont和A.Newell教授、信息理论之父C.E.Shannon、IBM公司的N.Rochester等学者确立概念起，至今已有60年的发展历史。在这六十年中，人工智能的发展并非一帆风顺，经历了三次低谷。在这三次低谷之后，人工智能再一次迎来复兴。

产业界首先行动。这一次AI的复兴不再是由学术界引领，而是由产业界率先发起。以Google、Microsoft、Facebook、IBM等为代表的公司纷纷将研究重点转向人工智能：Google公司宣布从移动优先（mobile first）进化到人工智能优先（AI first）、Facebook于2015年成立人工智能研究实验室、IBM投资10亿美元组建Watson人工智能部门。

各国纷纷布局人工智能。2016年10月，美国白宫发布题为《准备迎接人工智能未来》的战略报告，同时发布的还有美国《国家人工智能研究发展战略计划书》。英国于2016年12月发布《人工智能：未来决策制定的机遇与影响》。法国于2017年4月制定国家人工智能战略。中国政府《“互联网+”人工智能三年行动实施方案》则提出到2018年建成千亿元级别人工智能市场等。

民间热度骤升。Google公司4亿英镑收购DeepMind，AlphaGo以4:1战胜围棋世界冠军李世石。升级版Master独孤求败，豪取60连胜，战胜围棋世界排名第一柯洁。人工智能一度成为民间最热门的话题，没有之一。

创业浪潮，投资宠儿。众多科技巨头、知名学府、创新创业公司都热衷投身于人工智能领域，人工智能也倍受资本市场欢迎，众多风投机构喜欢往这领域砸钱。

在这一场轰轰烈烈、全民AI的热潮背后，也许有着更深层次的变革：计算机在没有明确指导的情况下可以像人一样自主学习。机器获得了自主学习的能力。信息离开了人类，信息自己能够产生信息。

AI复兴的支柱

普遍观点认为，AI复兴的三大支柱是大数据、计算力的提升、算法的进步。那么真的是这样吗？Face++首席科学家孙剑认为：是也不是。

大数据？

图像识别领域有一个数据集叫CIFAR-10，这是一个不大不小的数据集，只有10类，每类6000张32x32像素的图片。很难说CIFAR是一个大数据，但是深度学习在这样一个数据集上依然能够做的很好。时至今日，依然有很多研究人员在这个数据集上做深度学习的研究，并取得了很好的进展。那么大数据是不是深度学习的必要条件？可能不一定是。

计算力的提升？

从搜索引擎时代就已经开始集群计算、计算云的构建。当时大公司的计算力就已经相当可观，但是为什么在搜索引擎时代没有发生人工智能的复兴呢。

算法大改进？

如果再比较一下算法的进展，比较一下今天主要运用的算法和90年代所运用的算法，会发现不管是网络结构、优化策略、基础理论上其实都没有太大的变化。

那么到底是什么带来了人工智能的复兴？

计算方式的变革——从冯诺伊曼计算机体系结构到神经网络计算的变革。

冯诺伊曼计算体系将CPU与内存分开，导致所谓的冯·诺伊曼瓶颈。那么如何突破这样的瓶颈呢？人类再一次借助仿生学的力量，人脑是一个非常优秀的并行计算系统。

神经网络计算中，包含三个非常重要的元素：激活函数、非线性单元和权重矩阵。通过这三个元素完成数据流的计算，而且在内存和处理器之前存在非常高的带宽。这样的计算方式整合了学习和推理能力，并且整个计算过程并不需要非常复杂的指令，只需要简单的向量和矩阵乘法就可以完成。正是这种计算方式的变革推动了人工智能的复兴。

AI将何去何从

群体智能

为应对新的挑战，群体智能提供了一种通过聚集群体的智慧解决问题的新模式。特别是由于共享经济的快速发展，群体智能不仅成为了解决科学难题的新途径，而且也已融入日常生活的各个方面。

正如伦敦大学学院的汪军教授在演讲中提出的：群体智能的社会。大家都了解AlphaGo，其中核心的技术叫强化学习。强化学习相比模式识别、监督学习最大的优势在于没有训练数据集的情况下仍然可以工作，智能体可以直接与环境交互，从环境获得反馈信息，在与环境的交互过程中不断进行学习。在单个智能体的研究与应用上，人类已经取得很大的突破。

但是当多个智能体处在同一环境中，同时与环境进行交互学习时，智能体将会如何行动？

有两种可能：一种可能是智能体单独优化各自的目标，另一种可能是智能体除了在优化自己的目标外，与其他智能体产生了合作，产生了某种策略。多智体之间如何合作，如何与敌人竞争，智能体之间如何通讯等等，都是非常值得人类研究的问题。

跨媒体智能

随着人类文明的进步以及科技的发展，信息的传播从文字、图像、音频、视频等单一媒体形态逐步过渡到相互融合的多种媒体形态，越来越显现跨媒体特性，而如何实现跨媒体分析与推理就成为了研究和应用的关键问题。

人机混合增强智能

由于人类面临的许多问题具有不确定性、脆弱性和开放性，任何智能程度的机器都无法完全取代人类，这就需要将人的作用或人的认知模型引入到人工智能系统中，形成混合—增强智能的形态，这种形态是人工智能或机器智能的可行的、重要的成长模式。混合—增强智能可以分为两类基本形式：一类是人在回路的人机协同混合增强智能，另一类是将认知模型嵌入机器学习系统中，形成基于认知计算的混合智能。

王子亮，数据派研究部志愿者，清华大学自动化系硕士生。专业方向是可穿戴医疗设备，对机器学习和大数据很感兴趣。