人工智能的成就与挑战

大众旅游网 2019-07-09

来源:中国经济信息杂志 作者 张 钹 编辑│张兴军

人们关心人工智能都聚焦两个问题,一是人工智能现在发展到了什么程度?下一步我们该怎么办?人工智能的发展比较缓慢。当时人工智能主要提出了两个模型,一个是以知识和经验为基础的符号推理模型,用来解决人类理性的智能。但是这个工作进展得比较慢。直到2011年,这个模型才取得较大进展,典型的案例就是IBM做的WATSON系统,在人机竞赛上打败了人类。

为什么能取得这个结果呢?主要原因是,原来专家系统的知识是非常稀缺和昂贵的,而且要把这个知识放到计算机里面去,用人工的方法输进去难度非常大,所以当时进展比较慢。为什么2011年能取得很大进展呢?最主要的原因就是这里面把互联网的大众知识输入到系统,不需要经过人工加工。

第二个模型是机器学习或者叫做神经网络。当时神经网络在应用上的进展也很慢,最主要原因是当时神经网络输入要靠人工设计或者来编制特征。这种情况下我们要做大规模的系统就很困难。这个问题到本世纪初有了很大的转折,即我们现在讲的深度学习。把神经元网络的层次增加以后,机器学习得到了根本性的改变,从原始的浅层学习变成现在的深度学习。另一个重要改变是我们把原始的数据输进去,不必人工干预,这样就使得深度学习变成一个大众化的,大家普遍能用的工具,不需要拥有专业知识。由于这样的革命性变化,这个技术正被广泛采用。

深度学习最典型的应用是解决问题,即模式识别。围棋为什么能够成功呢?我们把下围棋看成模式识别,通过深度学习围棋程序,2015年以前只能达到业余五段,通过深度学习以后,在两年的时间能够实现三级跳,从业余变成专业,从专业变成世界冠军,现在已远远超过世界冠军。其中最重要的原因就是利用了大量的数据。

从目前来看,我们重要的任务就是把深度学习,以及早期的符号推理模型应用到交通、家庭、健康、教育等领域。我们国家特别强调在金融和智能制造的应用。我们可以看到我们国家的很多独角兽企业,都是借助于深度学习技术,集中在图像处理和语音识别这两个领域。

但是,我们也必须看到深度学习的局限性,也就是我们一方面要充分进一步应用深度学习,但是另一方面尽管它可以在各个领域应用,但是也必然受到多种条件的制约。

现在用大数据建立的识别系统,尽管在某个指标上超过人类,但其他方面跟人类相比差距非常大。计算机的图像识别率即使能达到跟人差不多,但仍有错讹。我们扔一个噪声给计算机就可以让它识别成任何东西,这是它很大的弱点。这个弱点在很多应用场合里面是不允许的,如果在人脸识别、图像识别里面有这样的错误还可以容忍的话,如果这样的错误出现在决策上的话,那是人们不可理解的。

我们目前仍然面临挑战,虽然人工智能取得了一些进展,但仍然有很大的局限性。应对这种局限性,深圳非常重视基础研究,发展新的理论来引领技术的突破,克服目前人工智能存在的局限性并扩大应用领域,这样才有可能真正使得人工智能让人类生活得更美好。

(本文摘编于中国科学院院士、清华大学人工智能研究院院长张钹在第二十届高交会上的演讲。)

来源:中国经济信息杂志-中国经济信息