百分點科技認知智能實驗室李生教授：感知有所突破 認知還在路上

　 阿里云優(yōu)惠券 先領券再下單

目前人工智能正在從感知智能走向認知智能,將帶來新一輪的技術變革和社會經濟變革。

4月7日,百分點科技特別邀請百分點認知智能實驗室名譽主任、自然語言處理(NLP)領域的國際著名學者、ACL終身成就獎得主、中國中文信息學會名譽理事長李生教授,以“人工智能正在由感知走向認知”為主題進行了講座分享。

|感知有所突破 認知還在路上

李生教授認為,人工智能經歷了規(guī)則推理、機器學習和深度學習三個階段,基于多層人工神經網絡的深度學習是目前人工智能最有效的學習算法。深度學習在識別(感知智能)上已有突破,但在理解(認知智能)上還有局限性,即將碰到天花板。

這是因為,人類對世界的認識可分為感性認識和理性認識兩種,感性認識只能看到事物的表象,理性認識能察覺到事物的本質,能更深刻、更全面、更可靠地反映事物的本來面目,從而引導人們按規(guī)律辦事,有效地改造世界。

人工智能是對人類智能的模擬,也因此,感知智能對應著感性認識(識別),認知智能則對應著理性認識(理解)。

目前,深度學習在人工智能兩大應用技術——機器視覺和語言語音處理方面都取得了“識別”上的突破,同時也遇到一些“理解”上的挑戰(zhàn):

在圖像識別方面,深度學習甚至超過人類。有了深度學習之后,機器自動提取特征,解決了人工提取難度大、效率低的問題,圖像分割、目標檢測、目標跟蹤、圖像檢索、圖像增強和圖像濾波降維等都有了極大進展。但它自適應性及泛化能力還不強,光線以及遮攔都可能降低其穩(wěn)定性。

同時,計算機視覺還有一個更重要方向——三維重建,它要求對圖像進行語義理解,通常用于與環(huán)境的有效交互。比如CT等醫(yī)學影像的三維重建,還有自動駕駛及VR、AR等方面,需要走重建與識別融合的道路。

在語音處理方面,語音處理(識別)屬于感知的范疇,而語言處理特別是文本語言的處理則需要更多對語義的理解。語言理解的實質是語義理解(說話人的意圖),目前還十分困難,一方面是由于語言的歧義性(一詞多義)和多樣性(一義多詞);另一方面是高度依賴知識,除上下文內容之外,還有語言知識(語法結構)、專業(yè)知識、背景知識、常識性知識和先驗知識等。

語義理解是自然語言處理(特別是機器翻譯)的重點也是難點,如何從形式與意義的多對多映射中,依據當前的語境找出一種最為合適的對應,是語義理解的核心問題。

也因此,無論是計算機視覺還是語音識別,都需要“理解”能力。但由于當前人工智能缺乏理解,導致“認知還在路上”。李生教授認為,人工智能進一步的發(fā)展必須逾越人類大腦思維能力鴻溝,解決不了推理問題機器就難以實現(xiàn)真正的認知。

具體來說,深度學習目前還是引領人工智能發(fā)展的核心技術,作為多層神經網絡,受腦神經科學的啟發(fā)而發(fā)展起來。深度學習是聯(lián)結主義代表,基于概率統(tǒng)計的算法,采用監(jiān)督學習方式,并需要用大量標注數據去訓練模型,再用訓練好的模型去測試未知數據。

但是,基于統(tǒng)計的數據驅動方法可能準確率很高,但其魯棒性差,經不起干擾,性能高低主要取決于訓練數據的質量。

而符號主義是研究并模擬人的思維方法,使用符號、規(guī)則和邏輯來表征知識,進行邏輯推理。因此,未來的機器理解也應該像人一樣,走歸納與演繹融合的道路,將聯(lián)結主義與符合主義相結合,將統(tǒng)計與推理相結合。

|從學術界出發(fā) 在產業(yè)界落地

總體來說,當前人工智能仍然依賴算法,所用的深度學習算法還存在著不具備小樣本學習功能、泛化能力和抗干擾能力不強、不具備思考和知識推理能力等一系列局限性,人工智能的研究任重道遠。

近年來,深度學習不斷在網絡深度和網絡結構上做文章,但不管怎樣,它還是受腦啟發(fā)而不是類腦,人工智能與人類智能比較起來還存在著沒有意識、不能思維、不能推理等一些根本性的差異。

因此,李生教授認為,不具有完全推理能力的人工智能不能算作真正的人工智能。人工智能的未來應該是逐漸逼近人類智能,可能會有人腦思維和電腦思維兩種途徑,因此要從二者的差異入手,找出人工智能未來發(fā)展的出路。

未來需要研究與應用并進,從學術界出發(fā)、在產業(yè)界落地,用產業(yè)落地來推動學術的進一步突破。研究與應用并進,技術與產業(yè)需求結合,變成可以落地的應用系統(tǒng)。

在互動交流中,被問及人工智能未來的發(fā)展方向時,李生教授表示,近年來人工智能主要是歸納綜合,還不是演繹推理,比如GPT-3等訓練模型體量大,能處理TB級的數據容量,但都屬于蠻力操作。

李生教授介紹,人工智能是個多學科交叉的技術領域,大家要不斷學習,啟發(fā)自己的思維,從現(xiàn)有的多學科研究成果中不斷獲取經驗,從而實現(xiàn)創(chuàng)新實踐。生物需要智能,市場也需要智能,做一個學術界和商業(yè)界兼得的優(yōu)秀智能人才。

由于機器善于計算數據,人類善于處理知識;機器對于解決靜態(tài)的,確定性的問題是強項,而人類經常遇到的是動態(tài)的不確定性的問題。因此,要想突破人工智能的局限性,需要用腦科學牽頭,帶動計算機科學和數學等學科的深入研究。

未來要進行“兩個加強三個結合”,一方面要加強基礎理論研究,包括腦科學和認知科學、數學(微積分,線性代數,概率統(tǒng)計,邏輯推理)和計算機科學(算法,結構);另一方面加強基礎設施建設,包括芯片、傳感器、算法和平臺。

同時,在基礎理論上進行學科交叉,用腦科學帶動數學和計算機科學,其算法是核心,學習一點復雜性和不確定性理論,研究一下復雜性和不確定性算法。

具體來說,要將軟件算法與硬件芯片結合、知識推理與數據統(tǒng)計結合、機器計算與人類認知結合。 單純的經驗論和單純唯理論都會束縛人工智能的手腳,只有在理論基礎上取得根本性突破,才能避免走進死胡同。

李生教授表示,人工智能的發(fā)展在于對人腦智能機理的逼近程度,是讓機器理解、掌握并運用人類知識。 機器永遠是人類的助手和工具,面對它、掌握它、用好它,人機融合才是發(fā)展的出路。

申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！