公众号购物做网站还是小程序,做公司网站要多少钱,软件开发的五个阶段,无锡网站建站公司来源#xff1a;中国人工智能学会陈小平中国科学技术大学机器人实验室主任、教授以下是陈小平教授的演讲实录#xff1a;非常高兴有这个机会进行中、新学术交流。本报告包括四方面内容。第一#xff0c;关于人工智能#xff08;简称AI#xff09;的两种类型#xff0c;一… 来源中国人工智能学会陈小平中国科学技术大学机器人实验室主任、教授以下是陈小平教授的演讲实录非常高兴有这个机会进行中、新学术交流。本报告包括四方面内容。第一关于人工智能简称AI的两种类型一种是Thinking machines另一种是Intelligent machinery。它们之间有比较大的区别智能机器人属于后者。第二用人工智能的观点来看机器人领域我们认为核心挑战是降射英文是grounding但是我对“降射”给出了不同于文献中的其他定义。第三在这样一种挑战下现有人工智能技术有没有可能大规模产业应用这是有争论的。有人认为是不能应用的我们的观察是在满足封闭性条件的场景中现有人工智能技术已经可以大规模应用了。第四封闭性要求是比较强的有些应用很难满足封闭性要求所以存在另一个挑战如何超越封闭性我会和大家分享中科大机器人团队在过去10 年中为超越封闭性所做过的一些尝试主要有开放知识和融差性原理这两方面的研究。关于两类人工智能这个观点是图灵提出来的。图灵在1950年的文章中提出图灵测试这是非常重要的。可是在1948年图灵还有一篇文章我觉得更加重要这篇论文始终没有正式发表。这篇手稿的标题就叫做Intelligent machinery智能机器。图灵提出智能机器就是“用机器替代人的每一个部分”而且举了具体的例子——无人驾驶汽车。所以无人驾驶汽车是图灵设想过的。但是他分析后认为在当时的技术条件下是没办法研究Intelligent machinery 的所以提议先研究没有感知和行动能力的thinking machines 思维机器。图灵测试就是针对Thinking machines 的他还建议了一些具体的研究课题包括围棋、语言学习、机器翻译等。所以实际上图灵考虑了两类人工智能——思维机器和智能机器。我把两类AI 的根本区别总结在图1里。事实上人工智能涉及三层空间——现实层、数据层和知识层。如果只考虑上面两层即数据层和知识层这就是思维机器如果同时考虑全部三层就是智能机器。它们之间最重要的差别是智能机器要涉及感知和行动而思维机器则不涉及感知和行动至少不涉及行动。机器人自然属于智能机器要同时涉及三层空间。图1 人工智能的三层空间在过去的六七十年时间里人工智能有三次浪潮。我们回顾一下主流的研究有两大类一类是训练法包括深度学习还有一类是强力法包括推理和知识系统。强力法是第一、二次浪潮的主力现在关注的人较少但强力法并没有消失只不过换了一个赛道我称之为“大知识”国际上流行的术语是Knowledge technologies。2017年AlphaGo Zero 获胜我认为这标志着第三次浪潮的结束和第四次浪潮的开始。我们是这样看待当前和未来人工智能发展态势的。关于第四次浪潮其他的学者也有类似的看法比如深度学习团队从2017年开始就在多次演讲中提到他们的深度学习2.0计划。在2020年8月29日中国人工智能大会的特邀报告中Y.Bengio 教授给出了一个更加完整的DL2.0方案。值得注意的是该方案中他们计划研究的目标功能居然都属于强力法与强力法途径不同的是他们想用深度学习来实现这些功能。强力法有模型、推理机/ 搜索算法和优化三个主要成分其中模型是关键。对于思维机器来说模型就是知识库存储的是抽象知识对于智能机器来说模型包含知识库和模型降射两部分其中模型降射是知识库到现实世界的对应。图2中有一个推理机推理程序还有知识库 降射。假设想让机器人在就餐过程中帮助我们就需要编写一个知识库描述就餐的相关知识比如“餐具可以盛食物”“米饭是食物”等。写了这些知识之后就可以向推理机提问比如“碗能不能盛米饭”这个问题在知识库里是没有描述的但经过推理, 强力法AI 会回答yes。再问“碗能不能盛汤”推理机回答yes问“碗能盛什么”回答“能盛米饭、汤……”。一般而言凡是知识库在逻辑上隐含的所有碗能盛的东西推理机都能找出来所以编写知识库不需要写出全部知识还可以向推理机提问更复杂的问题。上述这些都是思维机器研究的内容可以不涉及降射。图2 强力法的降射挑战对于智能机器人来说只有知识库不够还必须考虑降射。知识库里的每一个符号所代表的现实世界中的对象都要通过降射对应起来。比如知识库中的符号bowl 代表现实世界中的碗这个对应就要通过降射来实现否则机器人只知道一个空洞的符号bowl却在现实世界中找不到碗于是也就无法完成用户交给它的相关任务比如“盛饭”“盛汤”等。表面上看这件事情很简单其实包含着很大的难题。比如有一个碗看起来像盘子但其实是宋代的汝窑碗所以也是碗也要在降射里把它和bowl 对应起来这样机器人才能够找到这只碗。更有挑战性的是下面这个例子破碗是不是碗通常认为破碗也是碗于是我们在降射中把破碗也和bowl 对应起来。这么做的结果是什么刚才看到了推理机推出的一个结论是碗能盛汤而且这个推理和降射无关所以现在推理机仍然会推出“碗能盛汤”但现在碗实际上是包含破碗的所以机器人可以用破碗盛汤这显然是错误的由此可见不适当的降射可导致知识库出大问题因此破碗不能在降射中与bowl对应这样破碗就变成一个未知变元。一般情况下AI 设计者能不能预先想到所有未知变元这就是著名的“知不知”How to know unknown问题是一个非常难的问题。再看训练法。在一个图像分类比赛中一个神经网络只要用带标注的数据训练好了能以很高的准确率识别1000类对象其中一类是卫生纸。下面我们问脏的卫生纸是不是卫生纸如果卫生纸是拿来用的而不是仅仅要求分类那么脏的卫生纸就要和卫生纸区别开这就意味着被分类的对象不是预先设计好的1000类而是1001类。这是降射问题在训练法中一种表现我们在训练法中同样遇到了“知不知”问题能不能提前想到所有未知变元如果想不到如何收集相关的数据训练出合适的神经网络所以训练法包括深度学习并没有给出降射问题的解决方案同样面临着降射挑战。一般地说降射挑战背后的原因是场景变异无尽性人们通常只想到典型场景和一部分非典型场景其他没想到的可能场景到底有多少、有哪些是不知道的。而这些无法提前想到的场景往往与想到的场景有所不同即出现某种“变异”而变异场景往往包含着未知变元如破碗或脏卫生纸它们的出现可导致已经建好的AI 模型知识库和神经网络失灵。由此我们得到一个一般性的观察在正常情况下任何AI model无论是强力法还是训练法的模型都会丢失一些变元。由于目前强力法和训练法都不能有效处理未知变元或丢失变元所以都无法胜任存在场景变异无尽性的应用。这是目前人工智能遇到的一个根本性挑战。面对这个挑战现有人工智能技术是不是就无能为力了也不是有一个简单的办法——封闭性准则把典型场景和一部分非典型场景选出来把它们封闭化而其他场景都被排除可以不考虑。这里的“不考虑”不是简单的忽略而是通过采取具体措施保证不考虑的场景即使出现了也不会产生致命的后果不会影响应用。这套方案叫做封闭性准则。我发现阿尔法狗也是符合封闭性准则的。我把第四代阿尔法狗的工作原理总结成一张图说明它在围棋博弈树上下棋的原理。围棋棋盘有361个落子另外还有一个特殊的落子pass所以黑棋的第一步棋总共有362 个落子第四代阿尔法狗直接选其中胜率估计最大的那个落子。白棋的第一步棋也是类似的但是少一个选项只有361个落子可选。如果是第四代阿尔法狗走棋它也是选择胜率估计最高的那个落子走。之后黑棋和白棋的决策原理是一样的总是选择当前可选落子中胜率估计最高的那个落子走。由于围棋博弈树上总共有大约10300种不同的棋太多了落子的胜率估计没办法实际计算出来。第四代阿尔法狗用蒙特卡洛树搜索自己和自己下了2900万局棋自博从这些自博数据中反推出了所有落子的胜率估计保存在一个深层残差网络中。之后它下棋就是按胜率估计的进行决策根本不考虑不同的对手的下棋策略有什么不同。实验结果是四代以100比0战胜了三代而三代战胜了所有人类围棋高手。阿法狗四代没有和人下过因为它的博弈水平远远超过了人类。阿尔法狗第四代有哪些核心技术他们2017年的论文里说得非常清楚只有四项核心技术其中前两项是强力法后两项是训练法而且有一个重大创新就是简化的决策论规划模型。为什么简化模型可以成为重大创新论文里没有说我帮它说清楚了这个重大创新就是遵守了我提出的封闭性准则。封闭性准则对强力法有三个条件对训练法也有三个条件我发现阿尔法狗四代都是符合的。封闭性的具体描述以及阿法狗符合封闭性的详细情况见图3。图3 封闭性准则阿法狗的成功及它之前的相关研究表明虽然强力法、训练法和它们的结合都解决不了围棋问题但是把围棋问题封闭化之后用强力法和训练法的结合就可以战胜人类并远超人类。这是人工智能第三次浪潮取得的重大突破是人工智能发展史上的一个新的里程碑。在《智能系统学报》2020年1期的文章中我提出现有人工智能技术的一个可行应用模式将应用场景封闭化根据需要应用强力法、训练法以及它们的结合。这个模式是我从过去5 年的产业调研中发现的适用于这个模式的场景非常多。这个模式中的封闭化包含完全封闭化、半封闭化和柔性化需要企业研发人员根据应用的实际情况展开所以他们是未来15年人工智能产业落地的主力军。最后简单提一下超越封闭性的问题过去10年里中科大机器人团队做过一些尝试。这张图里是我们的“可佳机器人”它的预期目标是在家庭环境中当机器人保姆。我们使用了强力法和训练法但仍然有一些问题不能解决所以提出了“开放知识”和“融差性”原理。应用这两种办法可以让可佳机器人在非封闭性场景中更好工作比如完全自主地操作微波炉加热食品。最初版本在2010年就实现了基本功能但环境一旦发生改变机器人可能就无法正常完成任务。去年我们得到一个改进版人可以给机器人捣乱破坏机器人工作的条件这是体现环境变化的一种方式在实际应用中也经常发生。在这种情况下可佳机器人依然可以正常完成任务。我们还研制了一种柔性手爪它不需要获得准确的信息就能抓很多不同形状、大小和硬度的东西比如能“一视同仁”地抓木块和豆腐。其中的主要原理就是融差性。还有情感交互机器人“佳佳”也是在非封闭性条件下工作的。现在的一项主要研究是要识别非关键词意图这种用户意图是用关键词无法表达的。最后对未来15年做一个展望。首先是大规模产业应用根据封闭性准则只要对应用场景做封闭化现有人工智能技术就能成功应用。所以大批企业无需等待更强大的人工智能技术的出现就能实现很多行业和产业部门的转型升级。第二点展望。在未来15年中人工智能的发展模式会发生一个重要的转变过去完全是基础研究驱动的而未来15年中大规模产业应用将成为主要驱动力而且中低端产业是驱动力的主要来源因为中低端产业是和用户的需求直接挂钩的是最能反映用户需求的改变。同时基础研究将在AI 的更深层次展开探索从而为2035年之后的产业应用奠定基础。第三点展望是关于人工智能伦理的这也是当前的一个重大课题同时也是未来战略竞争的一个新维度。过去的竞争是产业竞争后来变成产业 科技现在正变成产业 科技 伦理。本报告根据速记整理未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
