戴琼海人工智能未来的理解与创造

人类社会的发展就是不断发现、理解与创造的过程。原始社会利用工具解决生活问题，发现现象并理解现象背后的规律，进而改造甚至创造这个世界，这就是人类社会发展的脉络。

信息时代，艾克特25岁带领团队做出了第一个计算机系统。冯·诺依曼给出了现代计算机系统的新架构，并沿用至今。计算机推动了世界的数字化，包含两个历程，一个是符号化，二是模型化。数字是表达现象，模型化是对现象的理解过程。

年至今不到百年，计算机的发展为人类带来了巨大的价值。

▍人工智能参与理解与改造世界

人工智能时代出现了三位深度学习的奠基人，也是年的图灵奖获得者。第一是GeoffreyHinton（杰弗里?辛顿），反向传播算法的代表人物；第二是YannLeCun（杨立昆），卷积神经网络的代表人物；第三是YoshuaBengio（约书亚?本吉奥），序列概率模型的代表人物。

那么人工智能将如何参与理解和改造世界？王恩东院士曾有一问，人类怎么预测蛋白质的作用？诸如此类的复杂问题，靠人类的预测是无法做到的。以深度学习为代表的人工智能推动了例如科技、医疗、电子、金融等行业的快速发展，正如总书记说的，人工智能具有赋能作用很强的头雁效应。

▍人工智能的局限性

同时，我们更应看到人工智能的局限性：其一，自动驾驶领域中人工智能的相关应用，已经凸显了其在鲁棒性、迁移性及能效比等方面的问题；其二，在医疗领域中的应用凸显了人工智能算法自适应能力的局限，清华大学跟医院合作，用20万条男性50岁的脑卒数据做训练，但在做预测时发现对女性脑卒疾病的预测准确度并不高；其三，人工智能可解决一定的问题，但其工作原理还没有明确的可解释性。

还有一个经典案例——莫拉维克悖论。这台波士顿动力的机器人能翻跟头、跳舞和干很多复杂的事，但让它把一个物体放到有障碍物的桌子上去，它做不到，这就是人工智能的问题所在——难以理解场景与对象间的关系，人工智能能干成年人干的活，但理解能力不如一岁的孩子。

▍新一代人工智能发展与脑科学

由此可见，人工智能还有很多瓶颈问题要解决。怎么解决呢，就需要追根溯源。我们发现，深度网络的发展很大程度上受到了脑科学的启发，仅仅是视觉听觉部分脑功能的发现，就极大推进了人工智能的发展。如果有机会了解全脑，那会为人工智能带来多大的变化？

我们来看深度学习和人类视觉的不同：生物视觉是宏观和微观回环交互的。比如画画首先画轮廓，再画细节；人眼看东西也是，先看全场景，再聚焦某个小场景、某个小目标，是一个回环交互的过程，即高级视觉的抽象和初级视觉的边缘检测存在回环交互。但计算机视觉只能从微观到宏观，不能从宏观到微观，这就给人工智能的困惑。举个例子，一头熊照片的碎片，人眼看到一点点边缘时，就知道这是一头熊；而人工智能缺乏宏观与微观的交互，只能通过不断的学习才知道是一头熊。

可见，对场景当中复杂关系的理解，是人工智能非常重要的部分。以前的人工智能针对小场景、少对象、简单关系，用微观图像训练一个模型，设计一个算法，让它去理解大场景的时候就无能为力了。未来的人工智能应该具备对大场景、多对象、复杂关系的精准理解，这样才能够弥补现有人工智能的不足和发展。

▍脑科学与新一代人工智能发展

脑科学研究人类如何思考，图灵奖

转载请注明：http://www.abuoumao.com/hyfz/534.html