回顾
自从1956年达特茅斯人工智能夏季研讨会首次提出“人工智能”的概念以来,两起两落,到现在第三次浪潮,人工智能已经可以算是完成特定任务的“弱人工智能”了,看人脸、听语音、下围棋、甚至是限定场景下的自动驾驶与四肢协调运动。
这些都只能说是目前较为复杂的弱人工智能体,强人工智能和超人工智能远未来到。
强人工智能(Strong AI),又被称作通用人工智能(Artificial General Intelligence)或全人工智能(Full AI),指的是可以像人一样胜任任何智力性任务的智能机器,特别是在不确定的情况下可以自动做出判断和决定,并符合实际情况。而超人工智能(Artificial Super Intelligence,ASI)则是在几乎所有领域都大大超过人类认知表现的任何智力。
显而易见,人工智能如何认知和决策的基础理论仍未真正突破,与之相关的认知决策关键技术、规模化低成本推广的工程化技术、AI可信安全的可靠性技术等等都还有很长的路要走。我们简单回顾一下现在的主要进展。
进展
1.人工智能理论方面:相关的研究还很少,尤其是国内。目前看起来智能模型的建模主要依赖于神经网络对数据特征的高维提取和利用,可能涉及到复杂网络如图论计算,数据的非线性概率分布与计算等方面,还有很长的路要走。否则我们就能停留在盲人摸象的阶段,只知道鸟儿会飞,却不知道空气动力学是什么,更谈不上高效设计制造各种飞行器。
2.认知决策技术方面:认知方面,从人脸识别、语音识别、多伦对话,到环境态势的语义感知,整体都在向语义的方向前进,即构建类似于人类认知世界的知识体系,将原始数据抽象到语义层面进行重构使用。决策方面,目前以强化学习为主流技术路径,探索单智能体和多智能体协同问题的解决,不断挑战更加复杂和接近真实的任务场景,仿真方面以打游戏为主,真实任务方面以无人装备的自动驾驶、编队协同等为主。
3.规模化低成本推广的工程化技术方面:重点强调在算法工程师不足、样本数据匮乏、硬件计算能力有限的情况下如何充分发挥智能模型的能力。目前主要有自动化学习、迁移学习、轻量化计算等方向的探索研究,这方面仍然起步阶段,距离实用还很远,但却是人工智能大范围推广的必由之路。
4.AI可信安全的可靠性技术方面:这里主要有两类问题低扰动情况下的稳定运行问题和有攻击的强对抗条件下的稳定运行问题。这方面考虑的人就更少了,大家还在焦头烂额的考虑如何实现无干扰情况下的AI能力实现,扰动和对抗情况下的稳定表现,路更加漫长。
5.算力、数据、网络等基础设施方面:计算硬件以GPU为主,TPU虽称很强但未商业发售,面对打星际等任务时算力成本高企,一般的企业都无法支撑,新型的低成本算力要靠摩尔定律的半导体技术发展实现了。数据方面欠缺最多,也是大部分AI项目失败的主要原因,特定领域训练的模型想要应用到目标领域,通常找不到足够的高质量数据支撑模型训练,目前杨强教授提出了联邦学习的解决路径,期待看到成效。网络传输带宽和稳定性都还有很大差距,5G技术和基础设施建设逐渐提升网络支撑能力。
小结
参考互联网一路走来的历程,从20世纪60年代末DARPA提出互联网概念以来,即使是网络技术的基本理论瓶颈较小的情况下,网络连接方式、编程语言、数据库等等几经更迭,才逐渐发展到当今的全球互联,但网络安全仍然是非常头疼的问题。
人工智能技术的落地推广无疑还有非常漫长的路要走,而且目前来看,算力、数据和网络貌似已经逐渐无法满足算法发展的需求了,或许又要进入一个缓慢发展的阶段,随着算法理论和配套设施的螺旋式发展,终有一天我们会看到强人工智能的出现。
或许是有生之年。