觀點 | 港科大張潼教授最新發言：對人工智慧發展的一些思考

https://mp.weixin.qq.com/s?__biz=MzI5NTIxNTg0OA==&mid=2247495108&idx=2&sn=856c5b88fa49aa8303e8fb744a4c235f&chksm=ec545a43db23d3556475e40f5104f80a509e2965ce852d9bedc242d205e76d3deedfe6f9e0b3&scene=0

2019 年 4 月 18 日，「新消費新動力——2019 年樂信合作伙伴大會」在深圳舉行，國際著名機器學習專家、香港科技大學教授張潼出席會議並發表主旨演講，在演講中他提到 AI 發展的關鍵要素，以及現在難以解決的問題，我們將來需要研究的方向，雷鋒網 AI 科技評論將他的發言內容整理如下，有刪減。

大家好！非常高興能夠在這個場合與大家分享 AI 的相關技術。我們現在站在了 AI 時代，AI 在很多場景中改變了行業。比如產生新的人機互動方式，這種產生從新的終端開始——由之前的電腦到手機、再到現在的智慧音響裝置等，這些裝置對於智慧互動的要求越來越高，AI 在其中產生了非常大的作用。還有像無人車、機器人等一系列物理裝置能夠進入到人們的生活中，這也指日可待。再就是跟今天的主題更加相符合的，即 AI 滲透進各行各業，能夠幫助各行各業賦能產生更大的價值。

AI 相關技術以及發展

人工智慧從技術上分為多個層次，最基礎的層次就是硬體、晶片、伺服器等，再往上是機器學習等各種 AI 技術，繼續向上是各個應用方向，如計算機視覺、語音處理、自然語言處理和大資料統計分析等，特別是大資料統計分析，在金融行業有非常多的應用，再往上有很多技術點，之後就可以制定行業解決方案，最終賦能各個行業。

為什麼說 AI 最近有了廣闊的發展？主要基於兩個因素：一是大資料在近年來急劇升溫，包括感測器、雲端計算的發展、資料收集能力和儲存能力的加強等，這導致資料越來越多；二是計算能力的增強，從 80 年代的個人電腦到 90 年代網際網路、再從 CPU 到多核 CPU、GPU、異構計算等，在計算能力上也有了很好的基礎。在此之上，近些年，特別是近十年左右，機器學習有了非常好的發展，在工業界取得非常多的應用，在原來的層次上使效果有了很好的提升。

早期的機器學習，它的方法是人工對具體的問題抽取出一些特徵，在特徵上做統計分析，這種方法目前在很多產業還是有應用，但從上一個十年開始，在一些場景上大家可以用深度學習技術把這些方法取代掉。深度學習的技術是端到端的學習，把人手工提取特徵這一部分用機器取代了。

怎麼做到這一點？有兩個要求，一是資料量更大，基於大資料才能學習這種特徵；二是計算的要求更多，如果 80 年代做，算力不夠，要算十年或一百年，現在一天就算出來了。強大的計算能力和大資料取代了一些人工，造就了深度學習的巨大成功。這一成功也帶來了它的倡導者，包括三位主要的深度學習研究人員 Yoshua Bengio, Yann LeCun, Geoffrey Hinton 獲得 2018 年圖靈獎，這也說明計算機界對人工智慧、機器學習給予了非常大的肯定。

在一些單一的場景下，針對具體的問題，AI 的確產生了非常好的能力，甚至能超過人。有些人看到現在的 AI，會有一些不切實際的預期，覺得 AI 無所不能。實際上並不是這樣。

早期，2010 年開始的 ImageNet 競賽直接導致了深度學習的發展，2012 年，透過採用 GPU 運算，迅速把傳統的方法取代了。這是一個單一的場景，ImageNet 比之前的資料集大很多，透過大的算力，逐漸取得成果。近些年，比較著名的案例就是 AlphaGo，AlphaGo 下圍棋能夠贏得人類，這是同一套思路在同一個問題上，用了非常多的模擬資料、自對弈，透過學習更多的棋局，透過更大的計算能力，比如谷歌 TPU 等新型硬體，然後又用了一些比較好的演算法，三個方向同時發展，導致在單一場景上取得了非常強的能力，也讓人覺得 AI 能夠取代人類。

於是人們會經常問一個問題，如果 AI 能夠下圍棋，是不是所有事情都能做了？其實並不是，是有缺陷的。下圍棋是一個單一的任務，差不多的任務如玩遊戲，目前玩的是《星際爭霸》，從下圍棋到跟人類打《星際爭霸》，AI 進行了漫長的遷移，而這個遷移需要非常特別的定製化的演算法和方式。從現在 AI 的情況來講，可遷移性並不強。

未來的挑戰和應用

將來會怎麼樣？一方面還是沿著大資料在工業界的很多應用場景。比如我研究機器學習，我更關注的是在資料較小的複雜場景下怎麼學習得更好，能夠實現現在不能做的任務。

舉一個例子，無人汽車用的場景非常複雜，如果我給一個機器學習模型看了很多白天的影像，讓它進行影像分類與識別，在真實的應用場景上給的是夜晚的影像，在夜晚影像上，機器學習演算法的效果就會非常差。

另外比如說語音識別，在安靜的情況下我訓練了一個系統，它的能力可以超過人類，但是如果在複雜噪音的情況下，它的效能就會下降，並不比人類更強。

此外，模型的可遷移性並不強，包括在一些小的資料集上會產生一些問題，解決這些問題非常重要，這些問題一旦解決了，很多的應用場景就能夠得以實現，包括無人駕駛，還有機器人在物理世界做一些具體的任務，因為物理世界極具多樣性，如果我們有更好的學習能力，就能夠使這些成為可能。

再往後就更復雜了，我們能夠理解世界，表達世界，甚至模擬世界將會發生什麼事情，我們具有語言表示、邏輯思考等能力，但是機器目前並不行，而且並沒有好的實現手段。我覺得人工智慧還有很長的路要走，將來還有很多值得研究的地方需要我們去攻關。