https://www.toutiao.com/a6705912318187799052/

2019年中國人工智慧大會（Chinese Congress on Artificial Intelligence 2019，簡稱“CCAI 2019”）將於在9月21日-22日在青島膠州召開。

周志華教授是大會程式委員會主席之一。他從事人工智慧研究20多年，研究領域包括人工智慧、機器學習與資料探勘等，是國內人工智慧研究的代表人物。周志華教授目前擔任南京大學人工智慧學院院長，是人工智慧相關五大主流國際學會的首位華人“大滿貫”Fellow，還是歐洲科學院外籍院士。

近年來以深度學習為代表的人工智慧取得了令人矚目的發展，周志華作為該領域的世界級專家，有著怎樣的觀察和思考，又提出過什麼樣的學科洞見？讓我們一起看看。

深度學習成功的三個祕訣

近年來人工智慧的火熱，離不開深度學習的幾次突破，其中尤以圍棋智慧AlphaGo的橫空出世為甚。它以壓倒性優勢先後橫掃人類兩大頂尖棋手李世石與柯潔，在收穫一片驚呼與讚歎的同時，引發了人們對人工智慧的能力邊界，以及未來生活種種可能性的無限想象。

作為機器學習領域的世界級專家，周志華對技術的發展始終保持高度理性和清醒認知。他將當前機器學習的成功歸於這三個因素：有效的深度模型、強監督資訊以及穩定的學習環境。

有效的深度模型，在現階段基本上就是深度神經網路。曾有人提出，神經網路不是新事物，早在半個世紀之前就有了，今天我們之所以能夠做更深的神經網路，只不過是因為計算能力強，現在能夠訓練了。

周志華認為，這是一個認識誤區。他指出，2006年之前學界並不知道如何訓練出五層以上的神經網路，這不是由於計算能力約束，而是不知道如何設計有效的演算法。圖靈獎得主傑夫辛頓在這方面做出了重要貢獻，使得訓練更深的神經網路成為可能，這才有了後來深度學習的發展和繁榮。

第二個因素是存在強監督的資訊。深度學習需要大量的樣本，那麼在今天這個大資料時代，樣本是不是不成問題？

周志華解釋說，不是的。僅有樣本並不夠，重要的是這些樣本需要有標記，這將耗費大量的人力物力，機器學習技術對強監督資訊是高度依賴的。

以AlphaGo為例，它使用人類職業六段以上的超過16萬棋局進行訓練，後來發明的AlphaZero不使用人類棋局，通過兩個程式直接對弈來實現效能的提升，但這種模式同樣依賴於強監督資訊，因為它依賴於人類提供的勝負判斷規則，而這個勝負規則本身就是一般應用任務裡很難具備的非常強的監督資訊。

穩定的學習環境對當前機器學習技術的成功同樣不可或缺。在這樣的環境中，學習過程涉及的資料分佈、樣本空間、學習目標都是固定的。

深度學習如何實現突破？

在周志華看來，任何一個模型都必然存在缺陷，深度神經網路也是。第一，它要求人們花費大量的精力調整引數；第二，現在使用的神經網路學習模型需要在訓練前預先確定，但事實上，在解決一個現實問題之前人們並不知道什麼樣複雜度的模型是最恰當的。此外，對大訓練資料的依賴、理論分析的困難、模型的黑箱性等等都不容忽視。

周志華指出，機器學習領域“沒有免費的午餐定理”說明，不存在“包打天下”的模型，任何一個模型可能只有一部分任務是適用的。可以看到深度神經網路主要是在影像、聲音等數值建模任務上效能卓越，但在涉及符號建模、離散建模、混合建模等的其他任務上並不突出，因此，有必要針對這樣的任務特點來考慮設計神經網路模型之外的新型深度學習模型。

其次，當前的深度學習高度依賴於強監督資訊，可是把現實生活中強監督樣本需要付出巨大的代價，如何利用弱監督資訊進行學習是重要研究方向。

最後，現在越來越多碰見的是開放動態環境，學習過程涉及的因素都可能發生變化。這對機器學習提出了更大的挑戰。

因此周志華總結道，未來機器學習研究需要多關注：

1. 神經網路外的新型深度學習模型；
2. 基於弱監督資訊的學習；
3. 開放動態環境下的學習。

人工智慧的人才培養

周志華坦言，從對人工智慧學科的歷史貢獻來看，中國不僅比不上美國，也不及歐洲、日本。國際上五六十年代就開始了人工智慧研究，而我國在1978年以後才恢復科學研究，起步太晚，人工智慧研究在新世紀以來才開始與國際接軌。

他同時表示，近十年來中國人工智慧取得了高速發展，如果僅從最近幾年的發展情況來看，確實可以說目前中國在人工智慧領域僅次於美國。

2018年，國內C9高校的首個人工智慧學院在南京大學成立，周志華為首任院長。到2019年3月，已有35所高校獲得首批建設人工智慧本科專業的資格。

周志華認為，人工智慧學院的湧現，是政策推動、產業發展、學科內涵多方共同作用的結果：首先，人工智慧是時代關注的焦點，國家政府高度重視；第二，人工智慧技術已經進入網際網路、金融、智慧製造等諸多行業，人才缺口非常大；第三，人工智慧並不是一個短期熱點，而是一個經過60多年發展的嚴肅學科，已經形成了龐大自洽的專業知識體系，全面掌握人工智慧專業知識需要付出大量的學習時間和精力。

在人才發展方面，周志華提出，人工智慧是個高度凸顯“個人英雄主義”的行業。因為以往對人才培養來說，從“學”到“用”之間的間隔是天然存在的。以軟體開發為例，現在幾乎沒有什麼軟體能夠僅靠1、2個人完成，必須通過大團隊合作，而學校主要是培養學生的個人素質能力，例如一門課考試不可能讓幾十個學生做同一張試卷然後同享得分， 學生在大團隊中開展工作的能力必然要到企業才能培養髮展。而人工智慧行業則有所不同，它的“學以致用”性非常強，從高校培養出來的高水平人才可以很快在產業界發揮作用，周志華領導的LAMDA（南京大學機器學習與資料探勘研究所）培養畢業的學生加入阿里、騰訊、華為很快就為公司取得重要突破性業績，多名博士生甚至在讀期間就被聘為知名企業研究院院長，就是明顯的例子。周志華指出，人工智慧領域從實驗室成果到產業界應用的“路徑”相當短，實驗室裡由於個別“聰明人”取得的演算法突破往往很快就可以在產業應用中實施，甚至推進引領整個領域的技術發展。為了在人工智慧時代加快我國科技和產業發展，高校在培養高水平人工智慧人才方面可以多下功夫爭取做更大貢獻。

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/29829936/viewspace-2648515/，如需轉載，請註明出處，否則將追究法律責任。