产业气象站|图灵奖得主、AAAI候任主席展望“AI未来10年”( 二 )


AlphaGo是深度学习成功的范例 , 但实际上AlphaGo使用了树搜索算法 , 这也是一种符号推理算法 。 这也是AI领域出现的巨大进步 , 我们可以组合不同的算法 , 例如推理、规划和深度学习方法等 。
自动驾驶汽车领域在组合不同的人工智能方法的探索上更加开放 。 当然你也可以尝试用端到端的方法来训练自动驾驶系统 , 但这太困难了 。 深度学习一般作为自驾系统的视觉系统 , 但是控制系统和路径规划系统等则需要更多的经典人工智能方法 。
相比较而言 , 深度学习确实是非常数据驱动的方法 , 这跟经典人工智能中我们称之为知识的方法不同 。 知识就像牛顿定律或万有引力定律 , 人类的认知需要很多真实的知识 。 而深度学习要获取知识并不容易 , 深度学习目前如此有效 , 是因为我们有大量的数据 。 我认为深度学习下一步需要学会获取知识 , 这是个巨大的挑战 。
张宏江:人工智能是一个非常宽泛的领域 , 深度学习仅仅是一部分 。 Hopcroft教授 , 您在过去的50年里 , 在计算理论上做了很多工作 , 您愿意和我们分享一下 , 从理论和算法的角度如何看待人工智能的进展吗?
JohnHopcroft:我首先再谈论一下深度学习 , 深度学习真正的意义是在高维空间中更好地识别 。 比如你在看自行车的图像 , 深度学习不会告诉你自行车的函数是什么 。 如果你展示的东西看起来像自行车 , 但不能让你骑着它去地铁站 , 它仍然会把它归类为自行车 。 为了解决这个问题 , 我们需要将逻辑加入深度学习 。
深度学习可以将自行车进行分解 , 它会告诉你自行车有轮子、链子、座椅、踏板等等 。 对这些部件 , 你可以添加逻辑 , 说踏板带动了链子然后带动轮子 , 从而自行车可以移动 , 车头可以让你把控方向和转弯 , 座椅可以让自行车有运输功能 。 通过添加逻辑 , 或许就可以构建关于自行车的函数 , 这个函数的意义是将一个人从一个地点运输到另一个地点 。
【产业气象站|图灵奖得主、AAAI候任主席展望“AI未来10年”】关于人工智能理论 , 单阈值逻辑单元可以用一个非常简单的算法来训练 。 如果图像集合是线性可分的 , 那么阈值逻辑可以实现分类 。 如果图像集合不是线性可分的 , 应该将集合映射到更高维的空间中 , 使得集合是线性可分的 。 关于训练阈值逻辑单元的方式 , 你也可以不将数据映射到高维空间中 , 而在原始空间中运行算法 , 这就是构建支持向量机的技术 。 直到深度学习发展之前 , 这是人工智能领域的主要技术 。
还有关于过拟合的问题 , 假设你有一个大型数据集 , 该数据集告诉我中国所有人的年龄和薪资 。 我想要问在某个确定的年龄和薪资上有多少人 , 但是不想保存整个数据集 , 因为我想把数据集放到手机上 。 因此我取数据集的一小部分 , 并且在适当地扩展之后 , 相信答案会非常接近真值 。 答案的真假取决于我们要问的问题的范围 , 并且需要多大规模的样本的数学取决于问题的复杂性 。
如果大家对这些数学感兴趣的话 , 可以看看我所写的书 。 在这本书的第五章 , 包含了所需要的数学知识 。 在我的照片下面写着剑桥(Cambridge)的地方 , 可以得到PDF的链接 。
产业气象站|图灵奖得主、AAAI候任主席展望“AI未来10年”
文章图片
JohnHopcroft主页:https://www.cs.cornell.edu/jeh/
2
张宏江:Selman教授 , 我们知道您之前发表过美国人工智能研究未来20年的白皮书 , 可以分享您对AI未来发展趋势以及重点的看法?
白皮书地址:https://arxiv.org/abs/1908.02624
BartSelman:我认为人工智能研究的未来趋势是社区化 , 在业界有很多大型的研究团队在快速组建 。 美国正在构建国家AI基础设施 , 为不同的学术研究团队提供试验台 。 大多数研究项目无论是人力还是财力对于个人都是无法承受的 , 需要大量资金用于基础设施软件和机器开发 , 所以必须共享资源 , 允许协作 。 除了仍然要强调知识和深度学习的结合以外 , 我认为自我意识学习是未来人工智能发展的重点 。


推荐阅读