【2017 人工智慧趨勢】李飛飛:讓人工智慧學會人類的「情感」,是下個發展突破口

畫面從左至右分別為:主持人洪小文、李飛飛、李凱、沈向洋、張鈸

【我們為什麼挑選這篇文章】人工智慧歷經了曾經的寒冬,又在近年開始爆發。面對 2017 年的人工智慧趨勢,在中國未來論壇 2017 年會上,邀請了幾位人工智慧相關業界的知名人士,針對人工智慧的現在與未來發表了他們的看法。(責任編輯:黃筱雯)

六十年前初識電腦的時候,人們就在想:是否有一天我們可以創造出一種人工智慧,達到甚至超越我們人類的智慧水平。

幾十年過去了,AI 經過了幾個寒冬。我們仍然沒有了卻幾十年前的心願。今天,人工智慧再一次火爆全球,我們似乎看到了人類科學正在加速沖向那個奇點。產業界和學術界都在不遺餘力地進行 AI 研究,甚至流行的美劇《西部世界》也在討論人工智慧。

站在今天的時點上,人工智慧到底有什麼突破,未來的人工智慧會向什麼方向前進呢?

四位人工智慧界的泰斗大牛在未來論壇 2017 年會的圓桌對話上發表了自己的看法。

他們分別是:

李飛飛:美國斯坦福大學電腦科學系終身教授、人工智慧實驗室主任

李凱:普林斯頓大學 Paul & Marcia Wythes 講席教授,美國工程院院士,未來論壇科學委員會委員

沈向洋:微軟全球執行副總裁,微軟人工智慧及微軟研究事業部負責人,未來論壇理事

張鈸:清華大學電腦系教授、中國科學院院士、清華大學智慧技術與系統國家重點實驗室學術委員會名譽主任

雷鋒網 (公眾號:雷鋒網) 在第一時間記錄整理了四位大牛的精彩發言。他們似如山巔上的先知,通過他們的預言,似乎可以窺見人工智慧的下一個春天。

Part1:對於目前人工智慧的理解 

張鈸:舉一百反一的人工智慧和人類背道而馳

大家都說人工智慧可以做很多事情,我想先說說人工智慧目前還不能做什麼。

人工智慧學科從創立到現在,只往前走了兩步。

第一步,是符號表示和推理模型。

以前人工智慧只是建立在數學模型的基礎上。而推理模型在數學模型的基礎上,把問題變成:如果可以把這個問題清晰地表述出來,用陳述性或過程性的語言,那麼電腦就能解決它。

當這個模型被提出來,人工智慧解決問題的能力提高了一大步。這樣,可解的問題就遠比用數學表達的問題多得多。

實際上,當時對人工智慧的估計過高。因為人們發現,能「清楚表達」的問題很少。即使是理性思考,有很多問題都不能表述。

第二步,就是深度學習、數據驅動的方法。

這又讓人工智慧向前邁了一步,而且這一步比前一步大得多。

之前,我們可以用電腦解決的問題是「知其然又知其所以然」的問題。而有了深度學習,我們也可以解決「知其然而不知其所以然」的問題。特別是可以解決感知、視覺、聽覺等方面的問題,例如:張三長什麼樣子,這個實在是不好表述。

我們身邊充滿「說不清道不明」的問題,用新的深度學習技術可以解決很多這類問題。但是,我們的人工智慧還沒有到頂峰。

目前的人工智慧有三個限制條件。

  1. 確定性
  2. 完全的知識和信息
  3. 封閉化、特定化的問題

一個典型的人工智慧可以解決的問題就是:阿法狗下圍棋。

圍棋有著確定的規則和目標; 對方如何下子,盤面的信息,完全可以知道; 而所有答案的可能性是一個封閉的。

處理帶有這三個限制條件的問題,電腦肯定比人類好。但是如果缺一個條件,電腦就非常難完成了。例如打橋牌, 答案不是封閉的,電腦就很難做了

一年以前,如果我和微軟小冰聊天。我說我叫張鈸,小冰就會傻眼了。因為他沒有我的信息。我如果說我是章子怡,小冰應該可以聊下去。所以,儘管小冰很厲害,但是和人的智慧還是差得多。

深度學習目前有兩個很難克服的重要缺點:

1、強健性差。機器學習過的內容,和沒學習過的內容,在識別效果方面差距太大。例如一個模式識別系統,經過訓練可以很好地識別馬、牛、羊。你給它一塊石頭,它有可能認為是馬。

2、機器數據輸入和輸出結果差距太大。人的智慧是舉一反三,而 機器是舉一百反一 。給幾百萬的數據,識別幾萬個目標。這和人類是背道而馳的。

所以,現在的人工智慧還有很長的路要走。

李飛飛:人類的認知學,是人工智慧下一步發展的突破口

很多朋友都知道我剛剛生了我們家的老二,還不到一歲大。

作為人工智慧研究者,我很高興能體會當媽媽的感覺。之前張鈸老師說感知代表了很多「不知其所以然」的問題,在現在大規模數據標註的情況下,都可以解決。

我覺得人工智慧的下一步應該是 認知

認知包括很多我們還不太清楚怎麼用數學和人工智慧表達的。比如:知識系統的建立、情感的產生和交流、好奇心和創造力驅動的學習,還有 learning to learn。這些都是認知的範疇。

確實,我們人工智慧又迎來了春天,但下面確實還有很長的路要走。

我認為下一步人工智慧的發展,需要加強對情感,情緒的了解,要走進認知學,心理學 。我說的不僅是腦科學,而是認知學。因為我們目前對人的情感理解非常少,而這對於人工智慧來說是很重要的。

作為人工智慧學者,能夠得到這麼多關注,我很高興。但是我也擔心這樣的「泡沫」會帶來什麼。如果是更多的機會和研發投入,當然是好事;如果是過度承諾或者不切實際的產品研究工作,可能會對這個領域有些不好的影響。

李凱:人工智慧發展,人的智慧也在發展

我參加過很多論壇,大家都在問:人工智慧什麼時候能超過人?一般專家都會推斷通用人工智慧超過人的時間,一定在他去世之後的某個時點,例如:五十年後。到了要驗證正確與否的時候,他已經不在了,也就不會有人追究他了。(笑)

但人們提出這個問題的時候,有一個假設條件,那就是:假定人自身的智慧不再往前走了。

但是,實際上人的智慧還是往前發展的。如果現在我們對人的大腦有了新的了解,就可以很快幫助我們提高自己的智慧。而人對大腦的了解,也可以幫助提高人工智慧的水平。

深度學習, 實際上是把我們對人腦神經網絡非常簡單的理解變成演算法。 然後加之以數據,發現智慧效果很好。但是,這些人腦神經的只是都是三四十年以前的知識。而我們在期待腦科學有新的突破,這些新的知識一定可以推進人工智慧的一大步。所以說,智慧這條路是很長很長的。無論對於機器,還是對人。

沈向洋:十年之內的人工智慧可以想像

我在工業界工作,對人工智慧的發展還是持非常樂觀的態度的。

雖然張鈸老師講人工智慧存在種種問題,但是我們現在有數據,有新的算法。我很相信, 五年之內,語音識別技術一定可以超過人; 十年之內,機器視覺一定比人好。

可以據此我們可以想像未來是怎樣的圖景。

站在今天來看,我們所有的商業應用都被顛覆了。從銷售市場,到人事招聘,到用戶服務,所有的商業環節都被 AI 改變了,所以從商業角度來看,我看到的是更多的機會。

Part2:這次人工智慧的復興,要感謝深度學習和大數據。那麼,深度學習到底是什麼,未來可以看到它怎樣的發展?為了人工智慧的終極目標,除了深度學習意外,我們還需要哪些其他的研究方向?

張鈸:人工智慧到了秋天

五十年後的事情可能我說不清楚,但是我可以說說三五年之後的事情。很多人說究竟現在是人工智慧的春天還是夏天?有人說春天,因為正在蓬勃發展。有人說夏天,因為有點熱過頭了。

但是我說現在是人工智慧的秋天。秋天有兩個含義。

一:秋天是收穫的季節,我們有很多成果。

人工智慧現在有果實可摘。為什麼我覺得很樂觀?因為我覺得人工智慧所需的三個資源都是無限的。

  1. 大數據
  2. 算法
  3. 計算力

未來相當一部分人都會往這個方向去做,會在包括語音、圖像方面取得很好的成果。

二、說秋天,是因為冬天就在前頭。

做科學研究,我們要知道冬天要來了。這意味著我們要考慮下一個春天要播種什麼種子。也就是說,後深度學習時代,我們要搞什麼事。

第一點是腦科學。

說到腦科學。人腦有很多層次。其中的智慧分佈還有大量內容我們並不了解,這些從頂下下,側向連接等等模式,我們都還不了解。

目前,我們對腦科學只學了一點,就有了這麼多成果。如果我們研究更多,一定會有更多的成果。基於對人腦的深度研究,結合神經科學和腦科學,我們要發展新的計算模型。

第二點是理性思考和感性。

這兩個能力對於現在的人工智慧是很重要的。現在為止驅動人工智慧就有兩招:數據驅動和知識驅動。下面的發展就要把兩招結合起來。 特別是自然語言處理,離不開知識驅動,只靠數據是不夠的。

如果這兩個能做好,人工智慧就會迎來下一個春天。

李飛飛:情緒、情感,是人工智慧未來的方向

說到深度學習,「深度學習」大概在 2006 年被提出來,但是在 2006 年之前,「神經網路」這個概念已經存在了二三十年。神經網絡領域裡,很重要的裡程碑是 back-propagation。在九十年代,電腦視覺方面做出了 Convolutinal neuron networks,今年的 Deeplearning 基本是這個結構。

現在大部分成功的深度學習是神經網絡是有監督學習。有完全的數據標註以後做的。

很多人都在思考如何做無監督的學習,之前也有很多工具。深度學習革命性的一點是取代了對特徵的加工。像之前的 SVM,都是「Engineering Feature」,而深度學習是直接學習數據。

深度學習不操作數據本身,而是對結構本身進行操作。這就造成了一種感受,深度學習本身結構太複雜了,例如 152 層,1001 層。這裡有巨大的空間,可以突破結構的層面。我認同張鈸老師說的,數據和知識的結合。

現在我們的 AI 都是用邏輯的方法來判斷情感。因為邏輯代表 IQ,而情感代表 EQ。人類的情感是非常豐富的。未來,從情緒到情感,最是人工智慧未來前進的方向。

李凱:人工智慧最需要「教科書」

任何工作都有近期和遠期。近期人工智慧的發展,我很認同李飛飛講的,和深度學習有關。機器學習和以前的專家系統有一個非常不同的地方。專家系統是用軟體把人的知識寫到系統裡。機器學習輸入的是算法+知識,輸出的是程序。

我和李飛飛和做的時候,我們兩個是比較另類的的研究者。大多數人在演算法上做,我們覺得應該發展知識。知識就相當於上學的時候的教科書。總要有人寫教科書。如果沒有人寫教科書的話,學習方法再好,老師再好,你學的是一年級的教科書,也不可能成為博士。所以我覺得很多領域都需要有人寫教科書。

學術界很多人的目標不是產生巨大的貢獻和影響力。需要寫很多文章,這樣可以拿到很多資金。我們做的時候沒有資金——申請的時候被拒絕了。

近期人工智慧要想發展,一定需要有人做知識的積累和總結。

長遠來看,我認同兩位的意見,對人的大腦,人的智力是怎麼工作的,要有更多的了解。這樣才會幫助整個 AI 向前走。

沈向洋:先定個小目標:用人工智慧治愈腦疾病

我很贊同各位的說法。在商業上,接下來三五年毫無疑問 AI 可以幫助我們解決很多問題。但是秋天過了,冬天我們要做什麼呢?

我覺得有兩點。

第一點,我覺得數據很多、演算法互通,確實是取之不盡的。但是在計算能力這件事上,我們應該更加重視。幾十年下來的摩爾定律,讓我們可以把人工智慧做到了今天,這是非常了不起的飛速增長的五十年。但是工業界普遍會認為,計算能力會慢慢降下來。這也是大家為什麼都在非常認真地去做量子計算,也要到十年、十五年才能看到突破。

今天我們 AI 向前走必須要考慮的問題是:計算能力的瓶頸。

第二點,我們要考慮為什麼做 AI。是不是計算能力的增強,就一定會產生智慧。從人腦的結構來看,我們應該定義一個小目標:利用符號學和深度學習做一些結合,希望在腦科學和人工智慧結合上,解決幾個了不起的問題。我自己想要解決三個和人腦息息相關的病。

  • 兒童孤獨症
  • 中年憂鬱症
  • 老年癡呆症

人工智慧如果能解決這三個問題,就是相當了不起的成就。

張鈸:電腦的空間結構極其簡單,大腦的空間結構極其複雜

有關計算能力方面我想做一下補充。

同樣的一個題目,在我們腦裡解決一點不費勁,為什麼在電腦裡面就要這麼多的計算資源來弄?我們要思考的是這個問題,而不是拼命加快電腦。

我覺得,正是因為我們過去走的這條路,迫使我們必須加快計算力。我的觀點是,我們過去做的電腦,從空間結構來講是最簡單的,馮·諾依曼結構。而大腦的空間結構最複雜。你想用一個空間結構最簡單的東西去做空間結構複雜的工作,它花去的代價就是計算時間的增加。世界上沒有免費的午餐。

過去我們使用大量的計算時間來換取同樣的結果,現在能不能改變思路。把電腦做一下改變,例如 IBM 公司正在做,讓神經網絡的複雜度提高,換來能耗和時間的降低。

至於量子計算,我覺得不要指望,量子計算不可能代替現在的電腦。我們要在現在的電腦基礎上進行改造,也就是研究是不是能夠加快電腦的運行。

延伸閱讀

(本文經合作夥伴雷鋒網授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈李飛飛:“情緒”和“情感”,是人工智能的下一個春天| 未來論壇 2017〉。)


《AWS 企業高峰論壇》報名中!

鴻海、BenQ 如何做好企業數位轉型? 報名 11/5 (四) AWS 企業高峰論壇,匯聚各產業轉型領先者,掌握產業、技術實戰經驗!

點關鍵字看更多相關文章: