色黄在线观看,2021无码,亚洲精品一级黄色电影,荫蒂高潮大荫蒂毛茸茸主播,亚洲无码2021,精品国产久,一级A片免费视频,日韩精品一二三区

來源：人工智能學(xué)會

文：高新波

如果按照聰明和笨、勤奮和懶惰來劃分，世人大致可分為四類：聰明且勤奮、笨但勤奮、聰明卻懶惰、笨且懶惰。一般而言，前兩種人成功的幾率會比較大。因此，人們總結(jié)出“勤能補(bǔ)拙是良訓(xùn)，一份汗水一份才”的成功經(jīng)驗(yàn)。進(jìn)而得出了 “聰明人都在下笨功夫，愚蠢的人都在找捷徑”這樣看似很有道理的名言警句。與此同時，人們又常說“聰明是一種天賦，勤奮是一種選擇”，因此大家往往會把勤奮看成一種美德，而把聰明貶低為“小聰明”。但是，在現(xiàn)實(shí)生活中靠勤奮成功的人，總是給人一種很悲壯的感覺，令人尊重但并不讓人羨慕。如果可以選擇，我們當(dāng)然希望選擇聰明。

聰明往往是指一個人機(jī)智靈活，學(xué)習(xí)中具有舉一反三、觸類旁通的能力。這樣的人不費(fèi)多少力氣就能掌握某種知識和技能，而且善于解決復(fù)雜問題，尤其是以前沒有處理過的問題。而勤奮則是指認(rèn)認(rèn)真真努力干好每一件事情，不怕吃苦，踏實(shí)肯干。這樣的人默默持久的堅(jiān)持，有一種水滴石穿、永不言棄的精神。

經(jīng)過了60多年的發(fā)展，人工智能（Artificial Intelligence, AI）就是父母口中所說的那個別人家的孩子，看上去毫不費(fèi)力卻取得了很大的成功。其實(shí)，今天的AI只是一個勤奮、聽話、精力充沛、幾近完美的“笨小孩”。比如，打敗圍棋九段柯潔和李世石的AlphaGo存儲了多達(dá)100萬盤棋譜，它正是通過學(xué)習(xí)這些數(shù)據(jù)才總結(jié)出柯潔和李世石下棋的策略，進(jìn)而提前做出布局。而柯潔和李世石兩個人加起來終其一生也不可能下到100萬盤棋。盡管后來AlphaGo的升級版AlphaGo Zero已經(jīng)無需再輸入棋譜，而是從零基礎(chǔ)開始，通過自己左右互搏自學(xué)成才。AlphaGo Zero不斷探索和累積經(jīng)驗(yàn)，現(xiàn)在已碾壓AlphaGo。但是，我們卻很難把AlphaGo和AlphaGo Zero與“聰明”關(guān)聯(lián)起來。因?yàn)樗鼈兊某晒Ω鄟碜浴扒谀苎a(bǔ)拙”，就像是我們自己家的那個懂事勤奮又刻苦的孩子，確實(shí)取得了很大成功，但是著實(shí)相當(dāng)不易，非常辛苦！我們由衷地為孩子高興，卻又總覺得苦了孩子，總希望他們能多一點(diǎn)聰明，少一點(diǎn)辛勞！同樣的道理，我們也希望未來的AI更多地贏在“智能”而不是“人工”上。

對于未來AI的發(fā)展，大家都做出了很多預(yù)測。概括起來，大致可以總結(jié)為以下六個方面的發(fā)展趨勢。如果在這些方面不斷取得新突破，就會使AI不僅勤奮而且聰明，可更好地滿足人們的需要。

簡介

高新波

重慶郵電大學(xué)校長、教授；西安電子科技大學(xué)大數(shù)據(jù)安全教育部工程研究中心主任，重慶市青年科技領(lǐng)軍人才協(xié)會會長，科技部重點(diǎn)領(lǐng)域創(chuàng)新團(tuán)隊(duì)負(fù)責(zé)人，教育部創(chuàng)新團(tuán)隊(duì)負(fù)責(zé)人。主要從事機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺、模式識別和多媒體內(nèi)容分析等領(lǐng)域的研究和教學(xué)工作。CAAI/CIE/CCF/IET Fellow。

一、綠色低碳更靈巧的人工智能

2021年10月24日，中共中央、國務(wù)院《關(guān)于完整準(zhǔn)確全面貫徹新發(fā)展理念做好碳達(dá)峰碳中和工作的意見》提出大力發(fā)展綠色低碳產(chǎn)業(yè)，為 AI賦能產(chǎn)業(yè)提出了新要求——綠色化助力碳中和。清華大學(xué)智能產(chǎn)業(yè)研究院院長張亞勤提出AI+IoT綠色低碳應(yīng)用場景，一是清潔能源和傳統(tǒng)能源的融合領(lǐng)域，AIoT技術(shù)可以監(jiān)測碳排放，智能調(diào)度；二是信息和通信技術(shù)產(chǎn)業(yè)本身，大型的數(shù)據(jù)中心、5G等快速發(fā)展，消耗了很多能源，AI可以應(yīng)用其中實(shí)現(xiàn)節(jié)能減排；三是新興產(chǎn)業(yè)，比如在綠色城市、綠色交通等領(lǐng)域，AIoT也大有可為。

其實(shí)，未來AI自身的發(fā)展也應(yīng)該沿著綠色低碳方向進(jìn)行。當(dāng)下的AI正在“野蠻生長”，其算法、數(shù)據(jù)和算力這三大基石也在進(jìn)行規(guī)模擴(kuò)張式發(fā)展。深度神經(jīng)網(wǎng)絡(luò)的模型規(guī)模越來越大，參數(shù)越來越多，因此所需要訓(xùn)練樣本的規(guī)模越來越大，訓(xùn)練網(wǎng)絡(luò)所需的算力必須越來越強(qiáng)，對資源的消耗必然越來越高。這樣的發(fā)展顯然是與綠色低碳背道而馳。以O(shè)penAI提出的自然語言處理領(lǐng)域的GPT模型為例，其強(qiáng)大的功能是建立在超大的訓(xùn)練語料、超多的模型參數(shù)，以及超強(qiáng)的計(jì)算資源之上。GPT模型的參數(shù)量為1.17億，預(yù)訓(xùn)練數(shù)據(jù)量5GB；GPT-2的參數(shù)量為15億，預(yù)訓(xùn)練數(shù)據(jù)量40GB；GPT-3的參數(shù)量為1750億，預(yù)訓(xùn)練數(shù)據(jù)量45GB。據(jù)說，GPT-4的參數(shù)量將達(dá)到100萬億，比GPT-3還要大500倍。同時，針對監(jiān)督學(xué)習(xí)來說，數(shù)據(jù)量的增長需要很多人力進(jìn)行樣本標(biāo)注，從而產(chǎn)生了一批又一批被AI“累死”的人。為此，有人提出了“難道有多少人工，才有多少智能？”這樣的靈魂拷問。

反觀人類的智慧體現(xiàn)在“否定”“遺忘”“有所為有所不為”等哲學(xué)上。這樣的智慧是在做減法，通過主動“選擇”走上了一條綠色極簡的發(fā)展道路。為了實(shí)現(xiàn)綠色低碳智能系統(tǒng)，我們希望未來AI的發(fā)展方向應(yīng)該是做“減法”而不是做“加法”。一方面構(gòu)建更為靈巧的網(wǎng)絡(luò)模型，通過輕量化的模型降低對數(shù)據(jù)量和算力的需求；另一方面，構(gòu)建更為高效廣泛的共享復(fù)用機(jī)制，針對AI大模型，加大開放、共享的廣度和深度，提高預(yù)訓(xùn)練模型的效益，從而從宏觀上實(shí)現(xiàn)綠色低碳的總體效果。總之，“創(chuàng)新、協(xié)調(diào)、綠色、開放、共享”五大發(fā)展理念為未來AI的發(fā)展指明了方向，提出了根本遵循。

二、知識數(shù)據(jù)雙驅(qū)動的人工智能

人工智能的發(fā)展歷程經(jīng)常被劃分為兩代，即知識驅(qū)動的AI和數(shù)據(jù)驅(qū)動的AI。第一代AI主要基于知識庫和推理機(jī)來模擬人類的推理和思考行為。其代表性成果就是IBM公司的Deep Blue和Deeper Blue，于1997年5月打敗了當(dāng)時的國際象棋冠軍卡斯帕羅夫。知識驅(qū)動的AI具有很好的可解釋性，而且知識作為一種數(shù)據(jù)和信息高度凝練的體現(xiàn) , 也往往意味著更高的算法執(zhí)行效率。但是，其缺點(diǎn)在于完全依賴專家知識。一方面，將知識變成機(jī)器可理解可執(zhí)行的算法十分費(fèi)時費(fèi)力；另一方面，還有大量的知識或經(jīng)驗(yàn)難以表達(dá)建模。因此，知識驅(qū)動的AI的應(yīng)用范圍非常有限。

第二代AI則基于深度學(xué)習(xí)來模擬人類的感知，如視覺、聽覺、觸覺等。其代表性成果就是深度神經(jīng)網(wǎng)絡(luò)，通過收集大量的訓(xùn)練數(shù)據(jù)并進(jìn)行標(biāo)注，然后訓(xùn)練設(shè)計(jì)好的深度網(wǎng)絡(luò)。這類AI不需要領(lǐng)域知識，只需要通過大數(shù)據(jù)的訓(xùn)練就可以達(dá)到甚至超過人類的感知或識別水平。這類AI具有通用性強(qiáng)、端到端的“黑箱”或傻瓜特性。但是，也正是由于其“黑箱”特性，才使得第二代AI算法非常脆弱，依賴高質(zhì)量、帶標(biāo)記的大數(shù)據(jù)和強(qiáng)大的算力。因此，具有魯棒性差、不可解釋，以及不太可靠等瓶頸問題。

為此，清華大學(xué)張鈸院士提出第三代AI，希望將知識驅(qū)動和數(shù)據(jù)驅(qū)動結(jié)合起來，充分發(fā)揮知識、數(shù)據(jù)、算法和算力四要素的作用，建立可解釋的魯棒AI理論。為了探索知識與數(shù)據(jù)雙驅(qū)動AI的落地，華為云提出了知識計(jì)算的概念。它把各種形態(tài)的知識，通過一系列AI技術(shù)進(jìn)行抽取、表達(dá)后協(xié)同大量數(shù)據(jù)進(jìn)行計(jì)算，進(jìn)而產(chǎn)生更為精準(zhǔn)的模型，并再次賦能給機(jī)器和人。目前，知識計(jì)算在若干垂直行業(yè)獲得初步成功。為此，華為云把明確定義的應(yīng)用場景、充沛的算力、可以演進(jìn)的AI、組織與人才的匹配歸納為影響行業(yè)AI落地的4個關(guān)鍵要素。但是，這種垂直行業(yè)成功的AI距離通用AI卻是漸行漸遠(yuǎn)。未來，數(shù)據(jù)與知識雙驅(qū)動的通用AI將是一項(xiàng)極具挑戰(zhàn)性的課題。

三、人機(jī)物融合的混合人工智能

習(xí)近平總書記在2021年5月中國科協(xié)第十次全國代表大會上的講話指出：“以信息技術(shù)、人工智能為代表的新興科技快速發(fā)展，大大拓展了時間、空間和人們認(rèn)知范圍，人類正在進(jìn)入一個人機(jī)物三元融合的萬物智能互聯(lián)時代”。為此，我們的研究對象將由過去的物理 - 信息系統(tǒng)（CPS）向物理-信息-人類社會更復(fù)雜的系統(tǒng)擴(kuò)展。人類所面臨的許多問題具有不確定性、脆弱性和開放性，同時人類也是智能機(jī)器的服務(wù)對象和最終“價值判斷”的仲裁者，因此，人類智能與機(jī)器智能的協(xié)同將是貫穿始終的。這就需要將人的作用或認(rèn)知模型引入到AI中，從而形成“人機(jī)混合智能”或“混合增強(qiáng)智能”。

人機(jī)混合增強(qiáng)智能有兩種形態(tài)，一種是人在回路中（Human-in-the-loop）的混合增強(qiáng)智能；一種是人在回路上（Human-on-the-loop）的混合增強(qiáng)智能，或者說基于認(rèn)知計(jì)算的混合增強(qiáng)智能。前者將人作為一個計(jì)算節(jié)點(diǎn)或者決策節(jié)點(diǎn)放置于整個智能回路中；后者則將人的認(rèn)知模型引入到AI系統(tǒng)，形成一種類人的AI。其實(shí)“人機(jī)混合”這一概念并不陌生，人與動物一個最重要的區(qū)別就是人會制造和使用工具，而人使用工具的過程就是“人機(jī)混合”的過程。機(jī)械化時代，人機(jī)混合延伸和增強(qiáng)人的體力；信息化時代，人機(jī)混合延伸和增強(qiáng)人的感知力；在今天的智能化時代，人機(jī)混合增強(qiáng)人類的智力，將是人腦主導(dǎo)的“感知力增強(qiáng)”和“智力增強(qiáng)”。比如，可穿戴設(shè)備，智能手表、智能眼鏡、智能服裝等，都幫助我們構(gòu)建以人為中心的智能系統(tǒng)。人機(jī)混合增強(qiáng)智能系統(tǒng)的技術(shù)瓶頸在于人機(jī)的自然交互或接口技術(shù)，這將是未來AI研究的難點(diǎn)和關(guān)鍵核心問題。

當(dāng)前，人機(jī)混合智能已經(jīng)有了很多嘗試。比如，可穿戴搬運(yùn)機(jī)器人在馬達(dá)驅(qū)動下支撐人的上半身，減輕搬運(yùn)重物時腰部負(fù)擔(dān)；一些科學(xué)家還嘗試將電極植入人腦中，讓人腦可以隨時直接從計(jì)算機(jī)中下載或上傳數(shù)據(jù)，大幅提升人類的認(rèn)知能力。未來人機(jī)混合增強(qiáng)智能希望能夠建立以人為中心的智能形態(tài)，保證它“可用、好用”，而且“可控”。此外，當(dāng)前的AI由于尚沒有自主的意識，其價值觀主要是由使用者的價值觀決定。因此，我們需要通過人機(jī)混合的方式為AI“立心”，從而讓AI更好的為人類“立功”。

四、可信可靠可解釋的人工智能

機(jī)器學(xué)習(xí)尤其是深度學(xué)習(xí)的發(fā)展使得人工智能模型越來越復(fù)雜，而這些更復(fù)雜更強(qiáng)大的模型變得越來越不透明。再加上這些模型基本上仍然是圍繞相關(guān)性和關(guān)聯(lián)性建立的，從而導(dǎo)致很多挑戰(zhàn)性的問題，如虛假的關(guān)聯(lián)性、模型調(diào)試性和透明性的缺失、模型的不可控，以及不受歡迎的數(shù)據(jù)放大等。其中，最核心的問題就是AI的可解釋性。這一問題不解決，AI系統(tǒng)就會存在不可信、不可控和不可靠的軟肋。2019年歐盟出臺《人工智能道德準(zhǔn)則》，明確提出AI的發(fā)展方向應(yīng)該是“可信賴的”，包含安全、隱私和透明、可解釋等。

2016年，來自谷歌機(jī)器學(xué)習(xí)科學(xué)家Ali Rahimi在NIPS大會上表示，當(dāng)前有一種把機(jī)器學(xué)習(xí)當(dāng)成煉金術(shù)來使用的錯誤趨勢。同年，美國國防高級研究計(jì)劃局制定了“DARPA Explainable AI (XAI) Program”，希望研究出可解釋性的AI模型。關(guān)于“可解釋性”，來自谷歌的科學(xué)家在2017年ICML會議上給出一個定義——可解釋性是一種以人類理解的語言 ( 術(shù)語 ) 給人類提供解釋的能力（Interpretability as the ability to explain or to present in understandable terms to a human）。人有顯性知識和隱性知識，隱性知識就是經(jīng)驗(yàn)直覺，人可以有效地結(jié)合兩種不同的知識；而我們在解釋、理解事物時必須是利用顯性知識。當(dāng)前的深度學(xué)習(xí)是以概率模型得到了隱性的知識，而顯性知識適合用知識圖譜來模擬。但是，目前深度學(xué)習(xí)和知識圖譜這兩個世界還沒有很好地走到一起。

可解釋性要求對AI系統(tǒng)的技術(shù)過程和相關(guān)的決策過程能夠給出合理解釋。技術(shù)可解釋性要求AI做出的決策是可以被人們所理解和追溯。在AI系統(tǒng)會對人類的生命造成重大影響時，就需要AI系統(tǒng)的決策過程有一個合理的解釋、提前的預(yù)判與合法的控制。因此可解釋性AI有三大需求，第一是使深度神經(jīng)網(wǎng)組件變得透明；第二是從深度神經(jīng)網(wǎng)里面學(xué)習(xí)到語義圖；第三是生成人能理解的解釋。

AI系統(tǒng)不一定有意識，但可以有目的。機(jī)器學(xué)習(xí)的真正難點(diǎn)在于保證機(jī)器的目的與人的價值觀一致。AI面臨的重要挑戰(zhàn)不是機(jī)器能做多少事，而是知道機(jī)器做的對不對。

五、非深度神經(jīng)網(wǎng)絡(luò)的人工智能

今天AI的成功在很大程度上是大數(shù)據(jù)和深度學(xué)習(xí)的成功。如果把AI未來的發(fā)展全部寄托在深度神經(jīng)網(wǎng)絡(luò)上，總讓人感到有些單調(diào)，盡管目前的網(wǎng)絡(luò)形態(tài)也是多種多樣的。為了保持“物種的多樣性”，有必要研究深度神經(jīng)網(wǎng)絡(luò)以外的AI系統(tǒng)。

南京大學(xué)周志華教授認(rèn)為，深度神經(jīng)網(wǎng)絡(luò)之所以成功的原因主要是基于逐層加工處理、內(nèi)置特征變換和模型復(fù)雜度三個關(guān)鍵因素。但是，這三個因素并沒有“要求”我們必須使用神經(jīng)網(wǎng)絡(luò)模型；只要能同時做到這三點(diǎn)，別的模型應(yīng)該也能做深度學(xué)習(xí)。為此，他們提出了“深度森林”這種非神經(jīng)網(wǎng)絡(luò)的新型深度學(xué)習(xí)模型。深度森林的基礎(chǔ)構(gòu)件是不可微的決策樹，其訓(xùn)練過程并不基于BP算法，甚至不依賴于梯度計(jì)算。“深度森林”具有訓(xùn)練簡單、效率高等優(yōu)點(diǎn)，小規(guī)模訓(xùn)練數(shù)據(jù)也可運(yùn)轉(zhuǎn)，而且在理論分析方面也更容易。因此，成為非深度神經(jīng)網(wǎng)絡(luò)AI系統(tǒng)的一種嘗試。

此外，華南理工大學(xué)陳俊龍教授認(rèn)為，雖然深度結(jié)構(gòu)網(wǎng)絡(luò)非常強(qiáng)大，但大多數(shù)網(wǎng)絡(luò)都被極度耗時的訓(xùn)練過程所困擾。其中最主要的原因是，上述深度網(wǎng)絡(luò)都結(jié)構(gòu)復(fù)雜并且涉及到大量的超參數(shù)。為此，他提出了寬度神經(jīng)網(wǎng)絡(luò)系統(tǒng)。相對于“深度”結(jié)構(gòu)來說，“寬度”結(jié)構(gòu)由于沒有層與層之間的耦合而非常簡潔。同樣，由于沒有多層連接，寬度網(wǎng)絡(luò)亦不需要利用梯度下降來更新權(quán)值，所以計(jì)算速度大大優(yōu)于深度學(xué)習(xí)。在網(wǎng)絡(luò)精度達(dá)不到要求時，可以通過增加網(wǎng)絡(luò)的“寬度”來提升精度，而增加寬度所增加的計(jì)算量與深度網(wǎng)絡(luò)增加層數(shù)相比，可以說是微乎其微。當(dāng)然，也有學(xué)者認(rèn)為，現(xiàn)有的寬度學(xué)習(xí)僅適用于數(shù)據(jù)特征不多，但對預(yù)測實(shí)時性要求較高的場景。

不管是深度森林還是寬度網(wǎng)絡(luò)，它們的意義在于為我們提供了未來AI系統(tǒng)的更多可能，以及多元化的新選擇。從而避免出現(xiàn)人們不得不被迫選擇深度神經(jīng)網(wǎng)絡(luò)的無奈。我們相信，未來一定還會有更多的非深度神經(jīng)網(wǎng)絡(luò)的AI系統(tǒng)，因?yàn)橄到y(tǒng)多樣性是改善AI生態(tài)環(huán)境的重要保障。

六、開放環(huán)境自適應(yīng)的人工智能

今天AI取得的成功基本上都是封閉環(huán)境中的成功，其中的機(jī)器學(xué)習(xí)有許多假設(shè)條件，比如針對數(shù)據(jù)的獨(dú)立同分布假設(shè)，以及數(shù)據(jù)分布恒定假設(shè)等。我們通常要假定樣本類別恒定，測試數(shù)據(jù)的類別是與訓(xùn)練數(shù)據(jù)的類別一致，不會出現(xiàn)訓(xùn)練時沒有遇到的類別。此外，樣本屬性也是恒定的，在測試時也要求屬性特征完備。而實(shí)際情況是，我們現(xiàn)在越來越多地碰到所謂的開放動態(tài)環(huán)境。在這樣的環(huán)境中可能一切都會發(fā)生變化，這就要求未來的AI必須具備環(huán)境自適應(yīng)能力，或者說要求AI的魯棒性要強(qiáng)。

比如，在自動駕駛或無人駕駛領(lǐng)域，在實(shí)驗(yàn)室的封閉環(huán)境下，無論采集多少訓(xùn)練樣本都不可能涵蓋所有情況，因?yàn)楝F(xiàn)實(shí)世界遠(yuǎn)比我們想象的豐富。這樣在自動駕駛的過程中會遇到越來越多的以前沒有見到的特殊情況，尤其是越是突發(fā)事件，越是很少出現(xiàn)的場景，這就對AI系統(tǒng)的自適應(yīng)性或魯棒性提出極大的挑戰(zhàn)。因此，未來AI的發(fā)展必須能應(yīng)對“開放環(huán)境”的問題，即如何在一個開放環(huán)境下通過機(jī)器學(xué)習(xí)進(jìn)行數(shù)據(jù)分析和建模。

此外，現(xiàn)有AI技術(shù)依賴大量的高質(zhì)量訓(xùn)練數(shù)據(jù)和計(jì)算資源來充分學(xué)習(xí)模型的參數(shù)。在系統(tǒng)初始建模階段，由于數(shù)據(jù)充分能夠得到比較理想的效果。然而，在投入使用一段時期后，在線數(shù)據(jù)內(nèi)容的更新，就會產(chǎn)生系統(tǒng)性能上的偏差，嚴(yán)重時直接導(dǎo)致系統(tǒng)下線。在訓(xùn)練數(shù)據(jù)量有限的情況下，一些規(guī)模巨大的深度神經(jīng)網(wǎng)絡(luò)也容易出現(xiàn)過擬合，使得在新數(shù)據(jù)上的測試性能遠(yuǎn)低于之前測試數(shù)據(jù)上的性能。同時，在特定數(shù)據(jù)集上測試性能良好的深度神經(jīng)網(wǎng)絡(luò)，很容易被添加少量隨機(jī)噪聲的“對抗”樣本欺騙，從而導(dǎo)致系統(tǒng)很容易出現(xiàn)高可信度的錯誤判斷。因此，發(fā)展魯棒性、可擴(kuò)展性強(qiáng)的智能學(xué)習(xí)系統(tǒng)必定會成為下一代AI系統(tǒng)的重要研究課題。

從以上未來AI系統(tǒng)發(fā)展的六種形態(tài)以及各自的發(fā)展趨勢來看，下一步的研究需要系統(tǒng)、全面地借鑒人類的認(rèn)知機(jī)理，不僅是神經(jīng)系統(tǒng)的特性，還有認(rèn)知系統(tǒng)（包括知識表示、更新、推理等），發(fā)展更加具有生物合理性，以及更靈活、更可信可靠的AI系統(tǒng)。唯有如此，未來AI系統(tǒng)才能夠?qū)崿F(xiàn)“不僅勤奮而且更聰明更有智慧”的理想。

讓我們共同努力，一起向未來！

重慶郵電大學(xué)校長高新波教授：人工智能未來發(fā)展趨勢分析