【NSR】中国人工智能迎来黄金时代,跟风发展快但缺乏重大突破

【新智元导读】近日,中科院在其第一份英文科技类综述期刊 National Science Review(国家科学评论)上发布了一篇名《中国人工智能研究与发展》的文章。记录了蒲慕明、谭铁牛、陈云霁、曾毅、查红彬这5位研究者对当前中国人工智能发展的分析,讨论的主题包括“脑启发”式人工智能研究、人工智能的本质——可塑性、中国人工智能研究面临的主要挑战和与国外研究的差距等问题。

(文/Jane Qiu) 2016年,在人工智能的发展上,2016年我们看到了几个里程碑式的发展。今年3月,谷歌 DeepMind 的计算机程序 AlphaGo 战胜了围棋世界冠军李世石。10月,这家公司在Nature上展示了其最新的人工智能技术,让机器可以解决逻辑和推理的问题,比如在伦敦地铁里使用从来没见过的地图进行导航。

近年来的这些技术进展提供的巨大推动力,被用于全世界范围内发展界最前沿的学习机器。2015年,中国科学院(CAS)成立了脑科学与智能技术卓越创新中心。2016年年初,中国推出了“中国大脑计划”,这是一个为期15年的项目,关注脑图谱、神经学疾病和脑启发人工智能。

中科院神经神经科学所所长蒲慕明担任主席的一个论坛上,中科院副院长谭铁牛、北京大学机器感知与智能教育部重点实验室主任查红彬、中科院自动化所曾毅、中科院计算所陈云霁几位专家讨论了中国人工智能的最新研究和进展,未来会走向何方,以及面临的主要的挑战。

人类大脑与学习机器

蒲慕明:对于人工智能来说,今年是值得兴奋的一年。我有一个基本的问题:在我们离真正地完全理解人类大脑还有很长的路要走的情况下,我们现在该怎么做?

曾毅:我认为用“大脑启发的”来描述人工智能研究是非常精确的,这也是未来我们开发模型的基本方法。但是,人类的大脑是不断进化的产物,目前还没有完整地被优化。这是我为什么强调我们并不需要真的去复制大脑里的所有东西。我们需要借鉴大脑的运行机制,启发人工智能模型来提高性能和扩展认知能力,这看起来是非常独特和有用的。当然,在理解大脑这件事上,我们还处在非常早期的阶段。要真正地理解大脑的工作原理,可能还要花上几百年。但是我们现在也确实了解了一些:比如,多层次可塑性规则( plasticity principle at multiple scales)。并且,这些优秀的功能目前还并没有被融入到当下的人工智能模型和系统中。

陈云霁:我有一些不同的观点 ,因为我的研究主要聚焦于硬件。但是我同意:人工智能的发展需要长期的努力,在这个过程中,我们要不断地把已有知识融入其中,而不是等待直到某天我们能真正地理解人脑(才展开行动)。人工智能应该是应用驱动的、致力于解决具体实际问题的。

蒲慕明:谈到脑启发的人工智能,其实,在例如机器感知这些领域,人们早在20世纪40年代就已经开始研究了。但可塑性规则是一个相对较新的发现。

谭铁牛:确实。人工智能并不是一个新的话题。当下人工智能非常热,一部分是由于神经科学上的进步。虽然脑启发的人工智能研究方法很有潜力,但是可能这并不是发展会学习的机器的唯一方式。

蒲慕明:媒体在引导公众的想象上扮演了很重要的角色,比如在报道三月份AlphaGo的胜利时便是。但是,这种情况也说明了在这一领域有一种些事需要澄清:那就是目前的机器并没有那么有效,并且需要巨大的计算能力支撑(很少有人能承担AlphaGo所需要的运算能力)。当能源变得越来越短缺时,这个问题就会变得尤为突出。所以很多研究者都转向了人类的大脑(寻求启发),因为人类的大脑是非常高效的。

谭铁牛:公众对类似AlphaGo这样的机器的反应存在一些错位。要知道,让机器在围棋上战胜人类并没有那么难。

查红彬:我同意。人类进化的目的并不是下围棋或者完成超级复杂的算术难题。这些并不是人类智能的基础要素。在人工智能的研究中,这是一个关键要素:人工智能的研究长期以来的着眼点都在于发展在具有清晰规则定义的情况下能够有较好表现的机器。很少有人会关注具有较少规则的行为能力,比如在家里做饭或者在田间劳动。

曾毅:当下的讨论依然是在阿兰·图灵1950年发表的学术论文《Computational Machinery and Intelligence 》的研究范围内进行的。他在论文中对对人工智能的定义包含三个方面:第一,图灵测试。简而言之,图灵测试是一种对计算机智能的测试方法,如果人类很难分辨出所提出问题的答案是机器还是人回答的,就证明这一机器拥有智能。第二是棋类游戏中的人机对战。第三是机器能像儿童一样进行学习——这一点非常关键,也是人工智能中最具有挑战性的一个方面。

蒲慕明:通常大家都认为,要训练人工神经网络海量的数据是必不可少的,但人类的大脑在做决定时,并不需要那么多的信息。我认为,这种认识是错误的。事实上,人类的大脑也是从大数据的训练中获得结果的,这种对“大数据”的训练,在人脑的网络结构中是不断演变的。

新生的婴儿拥有神经细胞,但是还没有发育出完整的神经网络。通过年复一年的学习,神经网络会被修正和调整,同时结构也会发生明显的改变。这是为什么人类神经网络如此有效的原因。我认为,人工智能发展的关键在于开发出架构可以通过学习不断改变的人工神经网络。

可塑性:人工智能的本质

谭铁牛:很多人都强调绘制大脑地图的重要性,以更好地理解大脑网络中各个神经细胞是如何互联的。但是,理解在不断的发展的情况下的神经网络的组成机制也许更为重要。像人脑一样的架构也许并不能带来像人脑一样的功能,因为架构是静态的,但是学习是一个动态的过程。

查红彬:我的研究聚焦于模式识别和计算机视觉。我认为,人工智能的一个关键要素是它的灵活性。毕竟,它需要在现实世界的场景下起作用,所以,适应动态的环境的能力确实是非常重要的。这种自学习的能力与类脑计算关系密切,其中包括两个重要的方面:第一,系统必须要是可塑的,正如人类的大脑一样。第二,机器要能跟其所在的社会和自然环境交互。当下,关于类脑计算的研究更多是关于学习大脑的结构,然后模仿一小部分功能。我认为我们需要更多地关注可塑性。

蒲慕明:我同意上面的观点。关键在于连接的可塑性,这与学习过程中的反馈和纠错有关,最终会带来结构的改变。不过,现在人们的关注点都在计算能力和速度,这些并不是人类智能的关键。

查红彬:如果机器只是为特定环境、固定规则设计,那么它们并不需要改变。要想拥有真正能对其所处的环境作出回应的、会学习的机器,你需要在整个网络中融入反馈机制。

浦慕明:环境反馈与学习相关。那么从监督式学习到无监督学习,面临的最大挑战是什么?

陈云霁:在AlphaGo之前,DeepMind 在Nature 上发表过一篇论文,介绍了一个算法程序如何使用大型数据库来学习玩经典的电子游戏。通过“看”视频,了解某一个动作是否会带来得分,程序最后“学会”了数10个游戏的玩法。这是实现强化学习的一种方法,但是,这种方法可能会局限在电子游戏和棋类游戏,因为这些任务都有简单的规则和直接的目标。在包含复杂环境输入的情景下,这些方法可能并不适用。我观察到的另一个现象是,许多人现在在研究感知人工智能(Sensory AI),但是,在认知这一块的研究要落后很多。

蒲慕明:这可能与神经科学的发展是相呼应的。在神经科学领域,感官知觉取得了非常大的进步,但是,在更高级别的认知上,我们现在所了解的依然很少,比如语言和决策。

曾毅:我们看到DeepMind 的算法在深度强化学习上取得了很明显的进步。但是,其中也有一些问题。

尽管机器可以通过和环境交互获得反馈,但是这个程序不能把他们所学到的东西从一个游戏迁移到另一个。每次遇到新游戏,它必须重头开始。但是人类不是这样的,人类可以把一个任务上所学到的知识迁移到新的无关联的任务。这是人类大脑的高明之处。

查红彬:当我们提到无监督学习,概念上应该有所转变。我们总强调训练的效率和机器学习所花的时间。事实上,学习不是效率的问题而是和环境交互的问题。效率和可塑性是完全不同的另一种挑战,需要完全不同的解决方案。

曾毅:我认为人工智能的圣杯(Holy Grail)是开发通用智能系统,这种系统由人脑的机制启发,并且表现得像人类。真正的人类水平的智能系统应当可以处理环境信息,定义问题,然后自己找到解决方案。但是,真正的困难不仅是那些具有挑战性的更高级别的认知难题。真正的难点在所谓的莫拉维克悖论(Moravec‘s paradox)中得到了很好的阐释:正如Hans Moravec所说,“让计算机在智能测试或者下棋方面展现成人级别的水准,相对简单。但是让它们掌握一岁孩子的认知和迁移的技能,却十分困难甚至不可能。”

中国人工智能的黄金时代

蒲慕明:中国在人工智能领域做了什么?需要什么样政策是支持其发展?

谭铁牛:在中国,这是神经科学和人工智能的黄金时代。中国政府在非常认真地对待这件事。习近平主席多次提到“中国大脑项目”(China Brain Project)的重要性,这是未来十年国家最重大的科学项目之一。这是前所未有的。

曾毅:确实。政府在不同层面给予了很多支持。另外,著名的国家基金和几个自治市都有开展研究和发展人工智能的项目。例如北京有一个脑启发计算项目,涉及了几个中科院研究所,北京大学,清华大学等等。我们的产业伙伴和我们的机构(中科院自动化研究所)也成立了一个10亿人民币的专用风险基金,用于人工智能和机器人的发展。

蒲慕明:好像很多大学和机构都有人工智能项目。它们研究的关注点有什么区别?

查红彬:大学和研究所的战略计划并没有太大的区别,它们经常合作一起完成重大国家项目,不同的研究团队会分别关注模式识别、机器人硬件等领域。中国的研究者很关注西方国家的发展。一旦出现一个有前景的方向,每个人都会想加入。

蒲慕明:中科院计算研究所取得了令人振奋的进步。您能简单概括一下是什么样的进步吗?

陈云霁:我们研究所主要关注硬件发展。一个关键的成果是发展前沿芯片处理人工神经网络。20世纪80年代,人们在开发这样的硬件的时候,模拟的神经细胞和突触的规模非常小。通过虚拟化计算技术,现在我们研发出的处理器虽然很小,但是可以在神经网络中模拟不限数量的神经系统和突触。

蒲慕明:在中科院自动化研究所呢?您觉得有什么进展?

曾毅:脑启发智能是我们研究所的关注点。我们的长期目标是解密人类智能的规律和机制,以开发有通用智能的脑启发智能。最近一个里程碑式的突破是并行脑模拟器(Parallel Brain Simulator),它初步尝试在多层次——包括从原子、细胞神经系统、不同复杂度的神经环路、脑区域,到认知行为——来模拟认知大脑。我们已经证明当某些神经规律引入的时候——例如神经细胞的动态分配,突触的形成和消除,兴奋神经细胞和压抑神经细胞的适当比例——这个强化的神经网络精确度得到显著提高。

蒲慕明:这很有意思。它可以让你做什么呢?

曾毅:它可以让我们初步模拟老鼠大脑,包括7100万个或兴奋或压抑的神经体,1900亿个突触,和213个脑区域。我们也在研发强化神经网络模型(spiking neural network),这一模型具有认知功能,比如模式识别、推理和演绎,强化学习,还有工作记忆(working memory)。并行大脑模拟器也是一系列认知机器人的“大脑”,这个人工大脑的多个区域可以相互协调执行各种认知任务。

跟脑科学和智能技术卓越创新中心其他成员合作,我们还发布了联合大脑数据“Linked Brain Data”——这是用于大脑、神经科学、人工智能研究的一个知识引擎。致力于在不同层面提取、集成和分析在神经科学、心理学和认知科学研究方面的大脑知识。更特别的是,我们建立了一个大脑关联图,在多层面和多视角提供关于各种大脑建立区域(building blocks)、认知功能和大脑疾病的关联。

挑战

蒲慕明:主要的挑战有哪些?中国需要怎么提高研究成果?

谭铁牛:人工智能和计算机科学、神经科学、认知科学和心理学息息相关。应该要有一个平台让来自不同学科的科学家可以经常互动并交流想法,这样最新的进展就可以让各个领域都知晓。所有的群体要认识到,他们可以从其它领域获得启发和灵感,只有这样他们才会有合作的动机。

蒲慕明:我观察到我们有一个很大的神经科学群体和一个很大的人工智能群体。但是在大会上他们很少聚在一起。

查红彬:这在中国是一个大问题。教育本身有部分原因,专业区分非常的狭隘。这就导致,我们的科学家会有一个很狭隘的观点,也很少对他们所研究领域之外的东西感兴趣。

蒲慕明:这个观点不错,但是我们也正在改进这个问题。中科院正在探索所谓的双导师体系。研究生有两个来自不同研究领域的导师,学生必须在每个实验室都花足够的时间。从人工智能方面看,同时在神经科学和计算科学上得到训练是非常重要的。这样的教育必须尽早开始。

陈云霁:这是个好主意。但是我认为这应该从本科生教育开始,设置更广泛和更灵活的教育机制,给学生更多的自由追求他们的兴趣。

蒲慕明:我认同。现在的本科生教育太专业化了。他们有很多专业课,但是常常毕业之后不得不切换到一个不同的领域。在我看来,研究者会经常切换领域。这是个常态而不是什么例外,有创意的想法就是这么产生的。

我们缺乏重大突破

蒲慕明:我们的人工智能研究比起发达国家怎么样?、

陈云霁:对比西方国家,中国的优势在于我们有一个巨大的市场,并且发展的非常快。这种对基础研究有一定推动作用。中国问题在于,人们倾向于跟随西方国家的潮流。我认为应该在我们认为有前景的、但是不是那么潮流或者短期内没有明显用处的领域努力数十年。比如,也许我们应该更多专注于认知人工智能,这一领域有任何突破都会引发革命性冲击。

曾毅:正如我们所讨论的,脑启发人工智能不是什么新鲜事。有些研究者用计算机模型研究认知心理学已经数十年了,现在人工智能领域用到了这些成果。我很同意陈云霁的观点,用数十年研究一个有效的人工智能系统。当前,中国非常缺乏这样的长期努力。中科院脑科学和智能技术卓越创新中心正在朝这个方向努力。

谭铁牛:中国在某些领域例如模式识别领域做了很多年,虽然它们直到最近才被称为脑启发人工智能。中国为此投入的资源非常可观,有着大量的研究力量和和大量的出版物。但是我们总追随西方,总关注于已有技术的一点小小提升。我们缺乏重大的突破,显然我们落后于西方国家。

蒲慕明:这是为什么呢?

谭铁牛:这要归因于中国战略框架和评估体系。还跟国家的科学文化特别是急功近利的心态也有关系。

查红彬:我认为还跟发展阶段有关。中国从很低水平起步,一直在追赶。随着整体水平的提高,这个状态会得到改善。中国研究者也可以有更多自由追求他们的兴趣。不用管西方的情况,去做一些有风险的项目。

谭铁牛:关键是建立平台把研究者聚拢,启发有创意的想法,分享新的成果。还有改革评估体系也是迫在眉睫的事,要鼓励科学家做长期的、冒险的项目。

曾毅:我认同。我不认为我们缺乏支持或者资金。我对发达国家的研究看得越多,我越感受到我们很缺乏差异化思维。我们特别习惯于跟风,很少有人想做一些需要数十年去验证的想法。我们似乎总是忙于不断的发一些以推广为目的的论文。但是差异化思考和有勇气研究以及大多数人不敢碰的想法,包括通用智能甚至机器意识,显然是很重要的。

蒲慕明:国际合作和国际竞争的关系是什么?我怀疑有的研究可能对军事应用有潜在影响。当与国外研究者合作的时候,这是个问题吗?

谭铁牛:这当然要平衡。我的观点是:和世界最好的研究团队合作,会让我们更快的取得进展。

蒲慕明:在我们研究所,很多人不敢跟西方的研究者合作。他们担心自己的好想法会被西方研究者偷走,毕竟西方研究者有语言优势可以更快的发表成果。

谭铁牛:我们在人工智能领域也有类似的问题。我认为在国际合作方面是有技巧的,哪些可以说哪些不该说都应该清楚。当我们跟西方研究者合作的时候,我们应该学会保护自己的利益,不论是在知识产权,还是商业利益或者军事应用。

原文链接:http://nsr.oxfordjournals.org/content/early/2016/12/16/nsr.nww076.full.pdf

原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2016-12-28

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏灯塔大数据

大数据行业人士必知10大数据思维原理

大数据思维原理是什么?简单概括为10项原理,当样本数量足够大时,你会发现其实每个人都是一模一样的。 一 数据核心原理 从“流程”核心转变为“数据”核心 大数据...

44450
来自专栏灯塔大数据

2016 美国大选预测失败意味着什么?14 位专家帮你分析数据科学的未来

本文中一共采访了14位数据科学和预测分析领域的专家。除了表示大数据和预测分析技术将在2017年度得到更大的发展之外,他们普遍提到了通过大数据分析对2016美国...

29540
来自专栏大数据文摘

Linkedin如何用大数据变现

25190
来自专栏大数据挖掘DT机器学习

做数据挖掘工作需要具备哪些思维原理?

大数据思维原理是什么?笔者概括为10项原理。 一、数据核心原理 从“流程”核心转变为“数据”核心 大数据时代,计算模式也发生了转变,从“流程”核心转变为“数据...

37090
来自专栏数据科学与人工智能

【陆勤践行】怎样成为一个数据科学家:针对大学毕业生的指导(译)

刚毕业的大学生们,恭喜你们!欢迎成为劳动者的一员。在你所有可能申请的工作中,“数据科学家”这个风骚无比的职位也许最难得到的一个,同时也许是最具有潜在丰厚回报的一...

20180
来自专栏企鹅号快讯

机器学习在现实生活中到底有哪些应用?

【IT168 资讯】 通俗的说,机器学习就是基于一些高度复杂的算法和技术,在一个非生命的物体、机器或系统中构建人类行为。制造一台能够符合数十亿用户期望的人脑复制...

23770
来自专栏企鹅号快讯

如果机器人拥有痛觉,这个世界会怎样

如果机器人拥有痛觉,这个世界会怎样脑极体2017-12-28 09:35收藏1评论1人工智能 ? 我们常常会思考一个问题,当我们重重的击打机器人的外壳、甚至用烈...

20860
来自专栏机器人网

如果机器人会感觉“痛”,我们会不会更爱惜它们?

我们常常会思考一个问题,当我们重重的击打机器人的外壳、甚至用烈火炙烤它们时,它们会感到“痛”吗? 在电影《超能查派》里,当机器人查派还是没有思想的机械战警时,它...

34870
来自专栏机器人网

机器学习深不可测,在现实生活中到底有哪些应用?

通俗的说,机器学习就是基于一些高度复杂的算法和技术,在一个非生命的物体、机器或系统中构建人类行为。制造一台能够符合数十亿用户期望的人脑复制品的机器绝不是一件容易...

28660
来自专栏AI科技大本营的专栏

观点 | 转行人士如何在人工智能领域保持一定的竞争力?

前几日,AI科技大本营推送了一篇《年薪25万只是白菜价,这几个专业的毕业生正被疯抢》的文章,引起了AI领域众多学习者和从业者的热议,有赞同的,也有怀疑的,但营长...

389100

扫码关注云+社区

领取腾讯云代金券