本文转载自雷锋网。经典的人工智能方法在未来会受到关注吗？经典方法与深度学习的关系将如何发展？新的突破点在哪里？针对上述话题，北京致远研究院邀请张宏江、图灵奖获得者JohnHopcroft、AAAI候任主席BartSelman共同探讨人工智能，探讨“人工智能的过去与未来10年”。在具体讨论环节，张宏江提问，JohnHopcroft和BartSelman进行了解答。论坛最后，两位教授还向中国学者提出了中肯的建议。50年的艰难与10年的崛起：经典AI与深度学习的不同境遇张宏江：今天我们很幸运有图灵奖获得者JohnHopcroft教授和康奈尔大学计算机科学教授BartSelman。今天希望和两位教授一起回顾过去几十年人工智能的发展，介绍他们对未来十年人工智能发展方向和路径的看法。今天的主题是“人工智能新10年”。在谈新的十年之前，我想请大家谈谈过去的60年，特别是过去的10年。BartSelman：这个领域最初的工作主要是由对理解人脑的思维和认知感兴趣的研究人员完成的。在人工智能发展初期，有很多乐观者，但在实际研究过程中，遇到了很多意想不到的事情。困难。近几十年来，这个领域一直是一门纯学术学科，因为我们无法在任何地方取得与人类相媲美的好成绩，第一个转折点是IBM于1997年开发出国际象棋人工智能深蓝(DeepBlue)。当时的突破。2012年前后，多层神经网络或深度学习几乎改变了整个领域，使我们能够实现视觉识别、语音识别等任务。人们发现，深度学习算法几乎超越了所有类型的机器学习模型，而计算能力的发展正是这一时期改变人工智能领域的动力。2012年，我们让AI实现了感知。我不会说感知问题已经解决，但我们更近了一步。此外，这些技术还可以与经典的人工智能技术相结合，如决策、规划、推理等。张宏江：JohnHopcroft教授，您能从BartSelman教授的角度谈谈您的看法吗？JohnHopcroft：在1960年代初期，人工智能才刚刚起步。当时，约翰·麦卡锡在斯坦福大学创建了人工智能实验室，一大批从事符号逻辑研究的高素质研究人员。1964年，人工智能的研究人员只能训练单一权重，因为当时根本没有计算能力，也缺乏大数据集，连手写字符数据集都没有。其实我拿到PhD的时候，做了一个1000个10x10像素的手写字符的数据集，跟现在的数据集相比是很小的，但那时候已经很大了。AlexNet于2012年问世，图像识别错误率才开始大幅下降。AlexNet将图像识别错误率从25%降低到15%，这是一个巨大的进步。AlexNet大约有8层，而2015年图像识别比赛的冠军ResNet有1000层，它的错误率只有3.6%，而人类在识别这些图像时有5%的错误率。这些技术已经应用到很多领域，比如医学、金融等等。张宏江：20世纪90年代，我们发现经典的人工智能方法行不通。现在我们知道是因为计算能力不够。在过去的几年里，由于计算能力的发展，我们取得了长足的进步。那么现在，我们在推理等经典人工智能方法的探索中处于什么位置呢？BartSelman：我认为人们经常将AI等同于深度学习，或者将深度学习等同于AI。在过去的十年里，我们在推理等算法的研究上其实已经取得了长足的进步，也出现了实际的应用，比如英特尔、微软等公司，但并不广为人知。在社区中，这些技术也被广泛使用。AlphaGo是深度学习的成功范例，但实际上AlphaGo使用的是树搜索算法，也是一种符号推理算法。这也是人工智能领域的巨大进步。我们可以结合不同的算法，例如推理、规划和深度学习方法。自动驾驶汽车领域更愿意探索不同人工智能方法的组合。当然，你也可以尝试用端到端的方法训练自动驾驶系统，但这太难了。深度学习一般被用作自动驾驶系统的视觉系统，但控制系统和路径规划系统需要更经典的人工智能方法。相比之下，深度学习确实是一种非常数据驱动的方法，这与我们在经典人工智能中所说的知识不同。知识就像牛顿定律或万有引力定律，人类的认知需要大量的真实知识。深度学习获取知识并不容易。深度学习目前如此有效，是因为我们拥有大量数据。我认为深度学习的下一步是学习获取知识，这是一个巨大的挑战。张宏江：人工智能是一个非常广阔的领域，深度学习只是其中的一部分。Hopcroft教授，您在过去50年里在计算理论方面做了大量工作。您能和我们分享一下您是如何从理论和算法的角度看待人工智能的进步的吗？JohnHopcroft：我先说说深度学习。深度学习的真正意义是在高维空间更好的识别。例如，如果你正在看自行车的图像，深度学习不会告诉你自行车的功能是什么。如果你展示一些看起来像自行车但不让你骑到地铁站的东西，它仍然会把它归类为自行车。为了解决这个问题，我们需要在深度学习中加入逻辑。深度学习可以分解自行车，它会告诉你自行车有轮子、链条、座椅、踏板等。对于这些部分，你可以添加逻辑，假设踏板驱动链条，然后驱动轮子，这样自行车可以移动，前部允许您转向和转弯，座椅允许自行车运输。通过添加逻辑，可以构建关于自行车的功能，将人从一个位置运送到另一个位置。就人工智能理论而言，单阈值逻辑单元可以用非常简单的算法进行训练。如果图像集合是线性可分的，那么阈值逻辑就可以实现分类。如果图像集合不是线性可分的，则应将集合映射到更高维空间，以使集合线性可分。关于训练阈值逻辑单元的方式，也可以不将数据映射到高维空间，而是在原始空间中运行算法，这就是构建支持向量机的技术。直到深度学习发展起来，这才是人工智能领域的主要技术。还有关于过度拟合，假设你有一个大数据集，告诉我中国所有人的年龄和薪水。我想问有多少人在一定的年龄和薪水，但不想保存整个数据集，因为我想把数据集放在手机上。所以我取了一小部分数据集，适当扩展后，我相信答案会非常接近真实值。答案是真还是假取决于我们所问问题的范围，而需要多大样本量的数学计算取决于问题的复杂性。如果你对这些数学感兴趣，你可以看看我写的那本书。本书第5章包含所需的数学知识。在我写着剑桥的照片下方，有一个PDF链接。JohnHopcroft主页：https://www.cs.cornell.edu/jeh/2下一个10年：数据与知识的相遇张洪江：Selman教授，我们知道你发表了下一个20年的白皮书美国人工智能研究现状，能否分享一下您对人工智能未来发展趋势和重点的看法？白皮书地址：https://arxiv.org/abs/1908.02624BartSelman：我认为未来人工智能研究的趋势是社区化的，很多大型的研究团队在业界迅速形成。美国正在建设国家人工智能基础设施，为不同的学术研究团体提供试验台。大多数研究项目对于个人来说要么是人力负担要么是经济负担不起，需要大量资金用于基础设施软件和机器开发，因此必须共享资源并允许协作。除了仍然强调知识与深度学习的结合，我认为自觉学习是未来人工智能发展的重点。张洪江：自觉学习具体指的是什么？为什么您认为这是未来20年人工智能发展的重中之重？BartSelman：这是一个我们还没有解决的问题。人类以不同的方式学习，例如我们去学校学习新技能，这是一种与数据驱动学习截然不同的学习类型。人类不需要学习数百个例子来获得新技能。自觉学习是指人工智能会反思自己的学习方式，进而调整自己的学习行为。比如AI会反映：学的微积分知识不太懂，想请教一些问题，想做一些微积分练习提高。此过程中使用的学习示例很少，不需要数百万个示例。这些学习方式是人类独有的，目前的人工智能还没有掌握。张宏江：回顾过去50年的历史，人工智能有一个非常缓慢的发展过程，然后10年前深度学习的出现让这个领域发展迅速。现在要发展自我意识学习，您认为我们还需要50年的时间吗？你认为计算能力仍然是自主学习最重要的因素吗？BartSelman：我觉得可能还需要10到20年，这个很难预测，毕竟有些研究需要在基础层面有所突破。现在和过去50年不同的是，我们已经有了数据，所以我对未来还是很乐观的。我认为计算能力仍然是一个必要的组成部分。我觉得self-awarelearning，也就是把深度学习和知识推理结合起来，还是需要很多新思路。在机器翻译领域，深度学习做得非常好，达到了90%以上的准确率。问题是最后10%的改进可能需要完全不同的方法。在自动驾驶系统中，机器的决策必须非常准确，不能有马虎的余地，这样才能保证乘客的安全。所以最后10%的提升，我们还需要做额外的工作。张宏江：数据和知识是有区别的，这点我很认同。Hopcroft教授，您能谈谈您对人工智能未来的看法吗？约翰·霍普克罗夫特：农业的发展需要很长时间，而制造业的发展只需要几百年。人工智能发展到今天只用了50年。所以我认为接下来的发展会非常快，就像你构建工具来支持更高效的工作。未来，我们需要解决可解释性问题、偏见问题、常识问题、问责制问题、持续学习问题，以及人工智能取代人类工作后出现的各种社会问题。张宏江：Selman教授，您对我们什么时候可以实现通用人工智能有什么看法？BartSelman：未来10年，我们会更加注重专业能力。但在接下来的20年里，我们将专注于发展常识、知识、真正的语言理解等。真正的语言理解，机器将像人类一样阅读。一旦解决了这个问题，人类就可以实现人工智能发展的下一个飞跃。一旦机器学会了如何理解语言，对我来说，就相当于实现了人工智能。张宏江：Hopcroft教授，您有什么要补充的吗？JohnHopcroft：未来10年，人们可能会关注如何利用工程技术的最新成果来解决具体问题。但我们也需要基础研究，即使是在AI之外。在过去的25年中，基于人类大脑发育的研究也意义重大。现在众所周知，在孩子生命的头两年，大脑学会了如何学习。未来，真正的进步可能来自生物学，但真相仍不确定。张宏江：塞尔曼教授，您能谈谈美国最近在人工智能政策方面做出的正确决策吗？BartSelman：我认为美国正确的决定是继续在人工智能领域投入研究60年，即使没有结果。这是一件非常困难的事情，我们也不一定知道接下来的发展方向。如果我们继续投入各种研究项目，我们将获得下一个突破。而如果只是投入一些喜欢的领域，尤其是目前喜欢的领域，不一定能取得突破。研究突破是革命性的，而不是进化性的。我相信这是AI的未来，规模更大、协作性更强的AI研究项目。张宏江：您能否也谈谈中国在人工智能支持政策上做得对的地方？BartSelman：我认为中国在人工智能支持方面做得很好，如果有什么建议，不要局限于一个领域。纵观人工智能发展史，有很多非常棘手的问题，从人工智能的发展史中提出来，实际上并没有得到解决。所以我鼓励新一代的研究人员熟悉历史，走向比数据驱动更广阔的领域，比如类脑学习、one-shotlearning等等。除了深度学习，还有一些非常重要的领域，即使你专注于深度学习，也不要太狭隘。3对中国研究人员的建议张宏江：你建议让人们去探索不同的领域，即使他们可能会失败，他们也可以从这些失败中学习。最后一个问题，您对中国人工智能研究人员有什么建议？JohnHopcroft：我的建议是远离指标，中国研究人员对发表论文的数量和获得的研究经费数额非常感兴趣。远离这些指标，关注其他更有价值的维度。张宏江：很好的建议，不要一味追求数字。Selman教授，您有什么建议？BartSelman：我会建议中国研究人员更多地关注创造性研究，并愿意考虑其他人没有考虑过的问题。我也同意Hopcroft的建议。看看未解决的问题，看看最难的问题，下一个突破比下一篇增量论文更有价值。张宏江：非常感谢JohnHopcroft教授和BartSelman教授，我们回顾了过去几十年人工智能的突破，以及我们对未来10年的展望。未来，我们可能会看到人工智能社区正在走向世界，经典人工智能的未来可期，与深度学习协同发展。人工智能的各个领域都将迎来盛况，新的突破将隐藏在其中，或在领域之外带来惊喜。
