港科大张潼教授最新发言:对人工智能发展的一些思考

雷锋网  •  扫码分享
我是创始人李岩:很抱歉!给自己产品做个广告,点击进来看看。  

雷锋网 AI 科技评论按,2019 年 4 月 18 日,「新消费新动力——2019 年乐信合作伙伴大会」在深圳举行,国际著名机器学习专家、香港科技大学教授张潼出席会议并发表主旨演讲,在演讲中他提到 AI 发展的关键要素,以及现在难以解决的问题,我们将来需要研究的方向,雷锋网 AI 科技评论将他的发言内容整理如下,有删减。

大家好!非常高兴能够在这个场合与大家分享 AI 的相关技术。我们现在站在了 AI 时代,AI 在很多场景中改变了行业。比如产生新的人机交互方式,这种产生从新的终端开始——由之前的电脑到手机、再到现在的智能音响设备等,这些设备对于智能交互的要求越来越高,AI 在其中产生了非常大的作用。还有像无人车、机器人等一系列物理设备能够进入到人们的生活中,这也指日可待。再就是跟今天的主题更加相符合的,即 AI 渗透进各行各业,能够帮助各行各业赋能产生更大的价值。

AI 相关技术以及发展

人工智能从技术上分为多个层次,最基础的层次就是硬件、芯片、服务器等,再往上是机器学习等各种 AI 技术,继续向上是各个应用方向,如计算机视觉、语音处理、自然语言处理和大数据统计分析等,特别是大数据统计分析,在金融行业有非常多的应用,再往上有很多技术点,之后就可以制定行业解决方案,最终赋能各个行业。

为什么说 AI 最近有了广阔的发展?主要基于两个因素:一是大数据在近年来急剧升温,包括传感器、云计算的发展、数据收集能力和存储能力的加强等,这导致数据越来越多;二是计算能力的增强,从 80 年代的个人电脑到 90 年代互联网、再从 CPU 到多核 CPU、GPU、异构计算等,在计算能力上也有了很好的基础。在此之上,近些年,特别是近十年左右,机器学习有了非常好的发展,在工业界取得非常多的应用,在原来的层次上使效果有了很好的提升。

早期的机器学习,它的方法是人工对具体的问题抽取出一些特征,在特征上做统计分析,这种方法目前在很多产业还是有应用,但从上一个十年开始,在一些场景上大家可以用深度学习技术把这些方法取代掉。深度学习的技术是端到端的学习,把人手工提取特征这一部分用机器取代了。

怎么做到这一点?有两个要求,一是数据量更大,基于大数据才能学习这种特征;二是计算的要求更多,如果 80 年代做,算力不够,要算十年或一百年,现在一天就算出来了。强大的计算能力和大数据取代了一些人工,造就了深度学习的巨大成功。这一成功也带来了它的倡导者,包括三位主要的深度学习研究人员 Yoshua Bengio, Yann LeCun, Geoffrey Hinton 获得 2018 年图灵奖,这也说明计算机界对人工智能、机器学习给予了非常大的肯定。

在一些单一的场景下,针对具体的问题,AI 的确产生了非常好的能力,甚至能超过人。有些人看到现在的 AI,会有一些不切实际的预期,觉得 AI 无所不能。实际上并不是这样。

早期,2010 年开始的 ImageNet 竞赛直接导致了深度学习的发展,2012 年,通过采用 GPU 运算,迅速把传统的方法取代了。这是一个单一的场景,ImageNet 比之前的数据集大很多,通过大的算力,逐渐取得成果。近些年,比较著名的案例就是 AlphaGo,AlphaGo 下围棋能够赢得人类,这是同一套思路在同一个问题上,用了非常多的模拟数据、自对弈,通过学习更多的棋局,通过更大的计算能力,比如谷歌 TPU 等新型硬件,然后又用了一些比较好的算法,三个方向同时发展,导致在单一场景上取得了非常强的能力,也让人觉得 AI 能够取代人类。

于是人们会经常问一个问题,如果 AI 能够下围棋,是不是所有事情都能做了?其实并不是,是有缺陷的。下围棋是一个单一的任务,差不多的任务如玩游戏,目前玩的是《星际争霸》,从下围棋到跟人类打《星际争霸》,AI 进行了漫长的迁移,而这个迁移需要非常特别的定制化的算法和方式。从现在 AI 的情况来讲,可迁移性并不强。

未来的挑战和应用

将来会怎么样?一方面还是沿着大数据在工业界的很多应用场景。比如我研究机器学习,我更关注的是在数据较小的复杂场景下怎么学习得更好,能够实现现在不能做的任务。

举一个例子,无人汽车用的场景非常复杂,如果我给一个机器学习模型看了很多白天的图像,让它进行图像分类与识别,在真实的应用场景上给的是夜晚的图像,在夜晚图像上,机器学习算法的效果就会非常差。

另外比如说语音识别,在安静的情况下我训练了一个系统,它的能力可以超过人类,但是如果在复杂噪音的情况下,它的性能就会下降,并不比人类更强。

此外,模型的可迁移性并不强,包括在一些小的数据集上会产生一些问题,解决这些问题非常重要,这些问题一旦解决了,很多的应用场景就能够得以实现,包括无人驾驶,还有机器人在物理世界做一些具体的任务,因为物理世界极具多样性,如果我们有更好的学习能力,就能够使这些成为可能。

再往后就更复杂了,我们能够理解世界,表达世界,甚至模拟世界将会发生什么事情,我们具有语言表示、逻辑思考等能力,但是机器目前并不行,而且并没有好的实现手段。我觉得人工智能还有很长的路要走,将来还有很多值得研究的地方需要我们去攻关。

(完)

雷锋网 (公众号:雷锋网) AI 科技评论整理。

雷锋网版权文章,未经授权禁止转载。详情见。

随意打赏

清华大学人工智能教授人工智能技术的应用人工智能的发展趋势腾讯 离职 张潼人工智能发展前景对人工智能的看法人工智能概念股人工智能是什么人工智能教授香港中文大学
提交建议
微信扫一扫,分享给好友吧。