有没有免费的A片,久久综合伊人,久热在这里只有精品66,免费看日韩无码AV中文字幕,操b免费网站,日本黄色小视频电影,超碰久操,日韩免费A片

導(dǎo)讀：本文為中國科學(xué)院張鈸院士關(guān)于人工智能發(fā)展趨勢的分析判斷，主要回顧人工智能發(fā)展的歷史，以及系統(tǒng)闡釋第三代人工智能的特點(diǎn)、發(fā)展現(xiàn)狀及未來趨勢。

作者：張鈸院士

來源：探臻科技評(píng)論（ID：TWtechreview）

在過去30多年中，他提出問題求解的商空間理論，在商空間數(shù)學(xué)模型的基礎(chǔ)上，提出了多粒度空間之間相互轉(zhuǎn)換、綜合與推理的方法。提出問題分層求解的計(jì)算復(fù)雜性分析以及降低復(fù)雜性的方法。在人工神經(jīng)網(wǎng)絡(luò)上，他提出基于規(guī)劃和基于點(diǎn)集覆蓋的學(xué)習(xí)算法。

我是清華大學(xué)人工智能研究院——張鈸，我今天想講的是邁向第三代人工智能。

人工智能60年的歷史中，一共經(jīng)歷了兩代的發(fā)展。第一代人工智能，有時(shí)候稱它作符號(hào)主義。他們提出了基于知識(shí)和經(jīng)驗(yàn)的推理模型，用這個(gè)模型來模擬人類的理性智能行為，像推理、規(guī)劃、決策等等。根據(jù)這個(gè)原理，需要在機(jī)器里面建立知識(shí)庫和推理機(jī)制，利用這兩者對人類的推理和思考行為進(jìn)行模擬。

下面舉一個(gè)例子，1971年左右，美國斯坦福大學(xué)根據(jù)這個(gè)原理建造的一個(gè)專家系統(tǒng)，叫做MYCIN系統(tǒng)，主要用來診斷血液傳染病和開抗菌素處方。它把傳染病專家的知識(shí)放在計(jì)算機(jī)里頭，并且把醫(yī)生診斷的過程（如何從癥狀推到疾病，然后進(jìn)行處方）作為推理機(jī)制，也放在計(jì)算機(jī)里頭。這樣，計(jì)算機(jī)就可以幫助內(nèi)科醫(yī)生進(jìn)行輔助診斷。

因?yàn)閮?nèi)科醫(yī)生一般不是傳染病專家，因此利用這樣的計(jì)算機(jī)輔助治療系統(tǒng)可以幫助內(nèi)科醫(yī)生做出更好的、更準(zhǔn)確的診斷和處方。

利用這種原理做的人工智能系統(tǒng)，一個(gè)最有代表性的成果就是國際象棋程序IBM的深藍(lán)。這個(gè)國際象棋程序，在1997年5月打敗了世界冠軍卡斯帕羅夫。

▲圖2 IBM深藍(lán)與世界冠軍卡斯帕羅夫下棋

我們看一下，計(jì)算機(jī)的深藍(lán)程序?yàn)槭裁纯梢源驍∪祟惖南笃宕髱熌?？主要是三個(gè)要素，第一個(gè)要素是知識(shí)和經(jīng)驗(yàn)，也就是說他利用了人類大師下過的70萬盤棋局，還有全部的5-6只的殘局。分析這些棋局，總結(jié)成為下棋的規(guī)則，并放進(jìn)計(jì)算機(jī)。然后又通過大師和機(jī)器之間的對弈，調(diào)試評(píng)價(jià)函數(shù)中的參數(shù)，把大師的經(jīng)驗(yàn)也放在程序里頭。

▲圖3 IBM深藍(lán)成功的原因

第二個(gè)靠的是算法，使用阿爾法-貝塔剪枝算法，這個(gè)算法的速度很快。第三個(gè)是算力，IBM當(dāng)時(shí)用的RS/6000SP2機(jī)器，每秒能夠分析2億步，平均每秒鐘能夠往前預(yù)測8-12步。一個(gè)有經(jīng)驗(yàn)的象棋大師，一般只能往前看3-5步，機(jī)器的速度遠(yuǎn)超過人類，因此可以超過人類的下棋水平。

▲圖4 第一代人工智能的優(yōu)勢

第一代人工智能的優(yōu)勢，在于它能夠模仿人類的推理、思考的過程，因此是可解釋的，跟人類的思考問題過程很一致。利用這個(gè)辦法進(jìn)行機(jī)器學(xué)習(xí)，就能夠舉一反三，所以這是第一代人工智能的優(yōu)勢。

▲圖5 第一代人工智能的局限

但是第一代人工智能也存在著非常嚴(yán)重的缺陷，例如：這些知識(shí)都來自于專家。大家都知道專家的知識(shí)十分稀缺，也非常昂貴。而且通常要通過人工編程把它輸進(jìn)計(jì)算機(jī)，非常費(fèi)時(shí)費(fèi)力。同時(shí)有很多知識(shí)是很難表達(dá)的，比如說那些不確定的知識(shí)、常識(shí)等等，因此第一代人工智能的應(yīng)用范圍非常有限。

▲圖6 第二代人工智能模擬人類感知的過程報(bào)

第二代人工智能，就是大家非常熟悉的深度學(xué)習(xí)。所謂深度學(xué)習(xí)，就是通過深度神經(jīng)網(wǎng)絡(luò)的模型模擬人類的感知，如：視覺、聽覺、觸覺等行為。

我們用圖像識(shí)別作為例子，看看計(jì)算機(jī)是怎樣模擬人類的感知的。比如我們要想讓計(jì)算機(jī)識(shí)別不同的動(dòng)物，怎么辦呢？因?yàn)槲覀儧]法把什么叫做馬，什么叫做牛？告訴計(jì)算機(jī)。

我們只好采用人類學(xué)習(xí)的辦法，即先收集了大量有關(guān)動(dòng)物的圖片，并把圖片分成兩類。一類作為訓(xùn)練圖片，去訓(xùn)練計(jì)算機(jī)識(shí)別馬和其他動(dòng)物，這叫做分類學(xué)習(xí)。把圖像輸進(jìn)去訓(xùn)練計(jì)算機(jī)，讓他能夠正確地分出馬牛等動(dòng)物的種類，叫做學(xué)習(xí)與訓(xùn)練階段。

學(xué)習(xí)用的是多層次神經(jīng)網(wǎng)絡(luò)，你把大量的圖片輸進(jìn)去作為訓(xùn)練。訓(xùn)練以后，究竟機(jī)器是不是學(xué)好了，我們再把另一部分圖片（沒有學(xué)習(xí)過的圖片）讓它識(shí)別。如果90%說對了，就說他識(shí)別率是90%，誤識(shí)率為10%。用這種辦法來進(jìn)行圖像和語音識(shí)別，在給定的圖像（語音）庫下，可以做到達(dá)到或超過人類的識(shí)別水平。

▲圖7 深度學(xué)習(xí)對人工智能發(fā)展的影響

我們再舉一個(gè)例子來看深度學(xué)習(xí)的優(yōu)點(diǎn)。首先，第一個(gè)優(yōu)點(diǎn)是它不需要領(lǐng)域知識(shí)，技術(shù)門檻比較低。換句話講，我們只要把原始圖片、原始語音輸進(jìn)去就可以了，不要告訴計(jì)算機(jī)怎么去識(shí)別圖片或者語音，即不需要領(lǐng)域知識(shí)，所以任何人都可以使用這種工具。

▲圖8 深度學(xué)習(xí)的圖像識(shí)別率

第二個(gè)，由于神經(jīng)網(wǎng)絡(luò)規(guī)模很大，所以可以處理大數(shù)據(jù)。利用這個(gè)辦法可以達(dá)到人類的圖像識(shí)別的水平，甚至超過它。這里舉一個(gè)例子，一個(gè)叫做ImageNet的圖像庫有2萬種類別，一共有1400萬張圖，這是一個(gè)標(biāo)準(zhǔn)圖像庫。

2011年計(jì)算機(jī)識(shí)別ImageNet圖像庫里頭的圖，誤識(shí)率高達(dá)50%，也就是說一半認(rèn)錯(cuò)了?？墒?年以后，2015年微軟用深度學(xué)習(xí)的辦法來識(shí)別，誤識(shí)率降到3.57%，比人類的誤識(shí)率5.1%還要低。因此深度學(xué)習(xí)受到廣大用戶的關(guān)注。

▲圖9 深度學(xué)習(xí)的應(yīng)用對圍棋程序的影響

關(guān)于深度學(xué)習(xí)的應(yīng)用，一個(gè)最典型的例子是圍棋程序。在2015年10月之前，我們用第一代知識(shí)驅(qū)動(dòng)的方法做出來的圍棋程序，最高達(dá)到業(yè)余5段的水平。到了2015年10月份，圍棋程序打敗了歐洲的冠軍，到2016年3月份打敗了世界冠軍。

到2017年10月份，AlphaGo元打敗了AlphaGo，說明在兩年時(shí)間里，由于利用了深度學(xué)習(xí)，使得圍棋程序的水平實(shí)現(xiàn)了三級(jí)跳，從業(yè)余跳到專業(yè)水平，又從專業(yè)水平到世界冠軍，又從世界冠軍到超過世界冠軍。

▲圖10 AlphaGo成功的秘訣

AlphaGo兩年里頭實(shí)現(xiàn)了三級(jí)跳，它的成功來自于何處？主要來自于三個(gè)方面，一個(gè)是大數(shù)據(jù)，一個(gè)是算法，一個(gè)是算力。

可以看到AlphaGo的確利用了大數(shù)據(jù)，他一共學(xué)習(xí)了3000萬盤已有的棋局，自己跟自己又下了3000萬盤，一共6000萬盤棋局，這個(gè)數(shù)據(jù)量是很大的。他用的算法是蒙特卡羅樹搜索、強(qiáng)化學(xué)習(xí)、深度學(xué)習(xí)等等。利用巨大的計(jì)算能力，一共有1202個(gè)CPU和280個(gè)GPU，也就是說他的成功是靠三個(gè)要素。

但是，第二代人工智能有很大的局限性，比如：不可解釋性、不安全性、易受攻擊、不易推廣、需要大量的樣本等等。

▲圖11 第二代人工智能的局限

這里只舉一個(gè)簡單的例子，這是我們博士生做出來的例子。左邊這張圖片是阿爾卑斯雪山，計(jì)算機(jī)的圖像識(shí)別系統(tǒng)用94.39%的信度，認(rèn)定它是阿爾卑斯山。

但是，我們只要加一點(diǎn)點(diǎn)噪聲，變成右邊這張圖。右邊這張圖跟左邊這張圖，人的眼睛看起來幾乎是完全一樣的，只是多了一點(diǎn)點(diǎn)噪聲，但是計(jì)算機(jī)卻以99.99%的把握，識(shí)別它是一只狗。

我們可以看到計(jì)算機(jī)的模式識(shí)別系統(tǒng)跟人類的視覺差別非常大。盡管它的識(shí)別率很高，但是與人類的視覺感知完全不同，非常不安全、非常不可靠，而且不可解釋。它為什么把雪山解釋成一只狗呢？我們沒法理解。

▲圖12 計(jì)算機(jī)把阿爾卑斯山誤識(shí)為狗

從第一代和第二代人工智能的成就來看，人工智能只能算剛剛拉開了序幕。

我們剛才說過，第一代和第二代人工智能都有很大的缺陷，它的應(yīng)用范圍非常有限，更精彩的大戲正要上演，這也是我今天講的主題。全世界應(yīng)該團(tuán)結(jié)起來，共同來發(fā)展人工智能，讓人工智能造福人類。那么這場大戲是什么樣子，又該怎么演呢？下面將根據(jù)我們團(tuán)隊(duì)的工作做一個(gè)簡單的說明。

第三代人工智能必須解決第一代和第二代人工智能中間存在的缺陷。這個(gè)缺陷有以下幾方面，它們是不可解釋，魯棒性很差，還有不安全、不可信、不可靠、不可擴(kuò)展等。

所以，我們必須要建立一個(gè)可解釋和魯棒的人工智能理論，必須發(fā)展安全、可信、可靠和可擴(kuò)展的人工智能技術(shù)，只有這樣才能實(shí)現(xiàn)技術(shù)上的突破。有了技術(shù)上的突破，才能推動(dòng)人工智能的創(chuàng)新應(yīng)用。

那么我們用的辦法是什么？就是把第一代知識(shí)驅(qū)動(dòng)的方法和第二代數(shù)據(jù)驅(qū)動(dòng)的方法結(jié)合起來。換句話講，我們要綜合地利用四個(gè)要素，即知識(shí)、數(shù)據(jù)、算法和算力。而第一代人工智能只用了其中的三個(gè)要素，第二代人工智能也只用了其中的三個(gè)要素。

▲圖13 第三代人工智能的要素

第三代人工智能要充分利用這四個(gè)要素，知識(shí)、數(shù)據(jù)、算法和算力。下面簡單地講一下我們是怎么解決同時(shí)應(yīng)用4個(gè)要素的問題？

▲圖14 計(jì)算機(jī)識(shí)別馬的過程

環(huán)境感知，我們剛才說過人工智能的圖像識(shí)別系統(tǒng)雖然識(shí)別率很高，但是由于它識(shí)別的辦法跟人類非常不一樣，所以非常不可靠，非常不安全，非常容易受到攻擊。

我們看一下機(jī)器是怎么識(shí)別馬呢？它只是把每匹馬的局部特征給分析出來，然后跟其他動(dòng)物作比較，根據(jù)局部特征進(jìn)行區(qū)別，這就是我們常常講的黑箱學(xué)習(xí)方法。也就是說它只能學(xué)習(xí)那些局部的底層特征，學(xué)習(xí)不了高層的語義特征，因此只能分辨馬和牛，但并不認(rèn)識(shí)馬和牛。

▲圖15 人腦的學(xué)習(xí)模型

那么我們怎么來做這個(gè)工作？首先要借鑒人腦的工作機(jī)制，我們知道人腦的視覺神經(jīng)也是多層的神經(jīng)網(wǎng)絡(luò)，但跟我們現(xiàn)在用的人工神經(jīng)網(wǎng)絡(luò)相比的話，現(xiàn)在用的人工神經(jīng)網(wǎng)絡(luò)則太簡單了，只有底下一層跟上層的聯(lián)系，這叫做前向連接。

▲圖16 人腦稀疏放電過程

人腦里頭的視覺神經(jīng)網(wǎng)絡(luò)比這個(gè)要復(fù)雜得多，其中有反饋連接，橫向連接，稀疏放電，注意機(jī)制，多模態(tài)和記憶等等。如果我們能把人類視神經(jīng)網(wǎng)絡(luò)的這些特點(diǎn)加到現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)去，就可以改善現(xiàn)在圖像識(shí)別或者語音識(shí)別的性能，這是我們今天需要做的一項(xiàng)工作。

▲圖17 神經(jīng)網(wǎng)絡(luò)檢測物體輪廓的過程

下面是我們團(tuán)隊(duì)的一項(xiàng)工作，即把稀疏放電原理加到神經(jīng)網(wǎng)絡(luò)里頭去。僅借助這一點(diǎn)，就可以看到在神經(jīng)網(wǎng)絡(luò)最頂部的神經(jīng)元可以檢測到人臉的輪廓、小汽車的輪廓、大象的輪廓或者鳥的輪廓。說明能夠把語義的特征檢測出來。說明把人類神經(jīng)網(wǎng)絡(luò)的一些特點(diǎn)加進(jìn)現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)有可能改善現(xiàn)有圖像識(shí)別，語音識(shí)別等所存在的弱點(diǎn)，當(dāng)然這還只是初步的工作。

目前圖像識(shí)別還有一個(gè)很大的問題，就是很難把物體，比如馬和背景分開。也就是說我們很難檢測到馬在什么地方，也不知道什么是馬。那么怎么解決這個(gè)問題呢，我們還是要向大腦學(xué)習(xí)。

▲圖18 計(jì)算機(jī)識(shí)別馬和背景的過程

人類為什么一看就知道馬在哪里，因?yàn)槲覀冋J(rèn)識(shí)馬。那么“馬”的知識(shí)是從哪里學(xué)來的呢？實(shí)際上，是從我們不斷的觀察中學(xué)來的。我們用一個(gè)自編碼的神經(jīng)網(wǎng)絡(luò)，也可以學(xué)習(xí)到這個(gè)知識(shí)，也就是說通過無監(jiān)督的學(xué)習(xí)，可以學(xué)到“馬”的知識(shí)。

▲圖19 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)知識(shí)的過程

認(rèn)識(shí)了馬以后，你就很容易在圖像中找到馬，這樣就很容易識(shí)別“馬”了。我們做了一些初步工作，取得一些初步的成果（如圖20和圖21所示）。

▲圖20 無監(jiān)督學(xué)習(xí)的過程

第二個(gè)關(guān)于安全性的問題，我們剛才說過，人工智能模式識(shí)別系統(tǒng)或其他機(jī)器識(shí)別系統(tǒng)都非常不安全，非常容易受到攻擊。我們也可以從數(shù)據(jù)上和模型上進(jìn)行改進(jìn)。

▲圖21 三元生成式對抗網(wǎng)絡(luò)

這里只舉一個(gè)例子，即人臉識(shí)別。大家經(jīng)常用人臉識(shí)別登錄手機(jī)，我們看左邊這個(gè)人跟用戶不是同一個(gè)人，所以他進(jìn)不去。系統(tǒng)識(shí)別出來他不是用戶，但只要加上一個(gè)人造的眼鏡，他就可以混進(jìn)去了。

▲圖22 人臉識(shí)別過程

▲圖23 人造偽裝眼睛欺騙人臉識(shí)別

▲圖24 AI防火墻反入侵

加上AI防火墻之后，加強(qiáng)了防護(hù)能力?，F(xiàn)在即使戴上偽裝眼鏡，也進(jìn)不去了，說明我們可以用各種各樣的辦法來提高它的安全性。?

▲圖25 提高AI安全性的防御方法

我們已經(jīng)有了一個(gè)開源的“珠算”平臺(tái)，把目前我們已有的研究成果集成在這個(gè)平臺(tái)上，在算法的可解釋性、安全性上都有一定的提高。

▲圖26 “珠算”概率編程庫

關(guān)于推理和決策，人工智能在棋類上打敗了人類，包括圍棋和象棋，這些都是完全信息博弈，對計(jì)算機(jī)來講是比較簡單的。

▲圖27 推理與決策

牌類是不完全信息博弈，計(jì)算機(jī)打牌就困難得多。2017年人工智能才在6人無限注德州撲克牌上戰(zhàn)勝了人類。

▲圖28 復(fù)雜環(huán)境下的自主決策

牌類屬于概率意義下確定的問題，而我們平常的決策環(huán)境是完全不一樣的，是完全不確定的，甚至是在對抗環(huán)境下做決策。目前研究對抗環(huán)境下的決策，往往用電子游戲比賽做實(shí)驗(yàn)平臺(tái)。

▲圖29 對抗性場景中的自主決策

電子游戲的環(huán)境是變化的，不確定性的，有防衛(wèi)和進(jìn)攻等等。通常采用強(qiáng)化學(xué)習(xí)的辦法，目前只能在少數(shù)特定的游戲上可以打敗人類。

▲圖30 基于領(lǐng)域知識(shí)指導(dǎo)的對抗環(huán)境自主決策

圖31是我們采用的對抗環(huán)境下自主決策的方案，主要依靠知識(shí)和強(qiáng)化學(xué)習(xí)。在ViZDoom國際比賽中，取得第二名的好成績，跟第一名的CMU只差兩分。后來我們團(tuán)隊(duì)還參加了多次國際比賽，贏得多項(xiàng)冠軍。

▲圖31 ViZDoom國際比賽成績

▲圖32 多項(xiàng)科技獲獎(jiǎng)

還有一個(gè)問題是，如何適應(yīng)環(huán)境變化，即解決隨機(jī)應(yīng)變的問題。自動(dòng)駕駛車我們從1991年就開始做了，自動(dòng)駕駛車的問題在哪里？我們現(xiàn)在采用的辦法是，把物體識(shí)別出來，建立模型，在此基礎(chǔ)上做駕駛規(guī)劃。這些步驟現(xiàn)在都已經(jīng)做到實(shí)時(shí)了。

是否能夠?qū)嵱?？如果路況比較復(fù)雜，這種方案就不夠用了，為什么？它難以應(yīng)對突發(fā)事件。為了應(yīng)對突發(fā)事件，需要駕駛的知識(shí)與經(jīng)驗(yàn)，需要在與環(huán)境的不斷交互過程中學(xué)習(xí)這些經(jīng)驗(yàn)，這就是所謂的強(qiáng)化學(xué)習(xí)。

▲圖33 自動(dòng)駕駛環(huán)境感知過程

要讓自動(dòng)駕駛車真正用到復(fù)雜的環(huán)境中，需要經(jīng)過學(xué)習(xí)訓(xùn)練這個(gè)步驟，學(xué)習(xí)應(yīng)對突發(fā)的情況。我們團(tuán)隊(duì)開發(fā)了一個(gè)平臺(tái)，叫“天授”，是一個(gè)強(qiáng)化學(xué)習(xí)的開源平臺(tái)。

▲圖34 “天授”強(qiáng)化學(xué)習(xí)平臺(tái)

最后強(qiáng)調(diào)一下，人工智能剛剛拉開序幕。第一代和第二代人工智能都存在著很大的局限，它只能夠解決完全信息和結(jié)構(gòu)化環(huán)境下確定性的問題，解決的問題非常有限。第二代人工智能主要依靠數(shù)據(jù)和計(jì)算機(jī)的計(jì)算能力，只是傳統(tǒng)信息處理的延展。

精彩的大戲正要上演，這場“大戲”指的是第三代人工智能。

▲圖35 第三代人工智能的發(fā)展趨勢

結(jié)語

第三代人工智能的目標(biāo)是要真正模擬人類的智能行為，人類智能行為的主要表現(xiàn)是隨機(jī)應(yīng)變、舉一反三。為了做到這一點(diǎn)，我們必須充分地利用知識(shí)、數(shù)據(jù)、算法和算力，把四個(gè)因素充分利用起來，這樣才能夠解決不完全信息、不確定性環(huán)境和動(dòng)態(tài)變化環(huán)境下面的問題，才能達(dá)到真正的人工智能。謝謝大家！

關(guān)于作者：張鈸，清華大學(xué)計(jì)算機(jī)系教授，中科院院士。1958年畢業(yè)于清華大學(xué)自動(dòng)控制系，同年留校任教至今。1980年2月‐1982年2月美國伊利諾斯大學(xué)訪問學(xué)者。2011年漢堡大學(xué)授予自然科學(xué)榮譽(yù)博士。曾任校學(xué)位委員會(huì)副主任，現(xiàn)任微軟亞洲研究院技術(shù)顧問，“探臻科技評(píng)論”顧問委員會(huì)委員。