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

dicksonjyl560101發表於2019-04-23


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。


來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/29829936/viewspace-2642232/,如需轉載,請註明出處,否則將追究法律責任。

相關文章