清华大学张钹院士:融合倍增的第三代人工智能三空间融合模型解读

人工智能现在发展到哪个阶段了?存在哪些问题与局限性?如何突破?

近日,清华大学人工智能研究院院长、中国科学院院士张钹(bó)教授在“纪念《中国科学》创刊70周年专刊”上发表了联合署名文章——《迈向第三代人工智能》。

什么是第三代人工智能?

通过这篇文章,首次全面阐述了第三代人工智能的理念与发展方向。

文章认为,第三代人工智能的发展路径是融合第一代的知识驱动和第二代的数据驱动的人工智能。

1956年8月,在美国汉诺斯小镇宁静的达特茅斯学院中,约翰·麦卡锡、克劳德·香农、赫伯特·西蒙等一众大牛科学家们聚在一起,主要讨论一个影响人类甚至是地球未来的议题:如何用机器来模仿人类学习以及其他方面的智能。

因为时代背景的限制,会议开了两个月的时间,也没有达成普遍共识,但是这次会议讨论的内容,是有一个明确的讨论主题:人工智能。

人工智能元年是1956年,也是由此而来的。

在人工智能60多年的发展历史中,一直存在两个相互竞争的范式:

第一是符号主义,也就是第一代人工智能。到上个世纪八十年代之前一直主导着AI的发展。作为第一代知识驱动的人工智能,主要是利用知识、算法与算力三个要素来构造AI。

第二是连接主义(或称亚符号主义),也就是第二代人工智能。从上个世纪九十年代逐步发展,到本世纪初进入高潮,大有替代符号主义之势。第二代数据驱动的人工智能,利用数据、算法与算力三个要素构造AI。

由于第一代与第二代人工智能都有明显的局限性,都是分别从一个侧面来模拟人类的智能行为,因此,都还是弱人工智能。

因为以今天的科技研究与视角来分析,这两种范式只是从不同的侧面模拟人类的心智 (或大脑),具有各自的片面性,不可能触及人类真正的智能。

同时利用知识、数据、算法和算力等4个要素, 建立新的可解释和鲁棒的AI理论与方法,发展安全,可信,可靠和可扩展的AI技术,这是发展AI的必经之路。

正是在这样的背景之下,提出了第三代人工智能的概念,通过发展安全、可信、可靠与可扩展的AI技术,建立一个全面反映人类智能的AI,需要建立鲁棒与可解释的AI理论与方法。

其发展思路是,把第一代知识驱动和第二代的数据驱动结合起来,从原来的三要素升级到同时利用知识、数据、算法与算力四个要素,来构建比前代更强大的人工智能。

第三代人工智能,存在双空间模型与单一空间模型两个方案。

第一、双空间模型。

该模型是一种类脑模型,符号空间模拟大脑的认知行为,亚符号(向量)空间模拟大脑的感知行为,人类大脑中的认知行为与感知行为其实是无缝融合的。

如果第三代人工智能能够实现这种融合,AI就很有希望达到与我们人类相似的智能。

目前,双模型空间,需要重点攻克三个问题:

1、知识与推理;

知识与推理,是理性智能的基础,这里面,涉及NLP、知识图谱技术,尤其是各领域相对成熟的“语料库”建设,是非常重要的环节。

2、感知;

目前的深度学习只能做到 “感觉 (sensation)”, 达不到“感知 (perception)”。

一字之差,天壤之别。

机器识别的是外部标注的 “寄生语义 (parasitic semantics)”,为了达到感知的水平,需要从局部到全局,能够识别出物体的“内在语义(intrinsic semantics)”,这一点上,目前的深度学习技术,还有很长的路要走。

3、强化学习;

强化学习是用来模拟人类的学习行为, 通过 “交互 – 试错” 机制, 与环境不断进行交互,进而学习到有效的策略。

目前已经在视频游戏 、棋牌游戏、机器人导航与控制、人机交互等领域取得了诸多成果, 并在一些任务上接近甚至超越了人类的水平。

但是在不确定性、不完全信息、数据或者知识匮乏的场景下, 目前强化学习算法的性能往往会出现大幅度的下降,这也是目前强化学习所面临的重要挑战。

第二、单一空间模型。

该模型以深度学习为基础,将所有的处理都放在亚符号(向量)空间。

模型的优势在于充分利用计算机的计算能力,提高处理的速度。

其难点在于,目前的深度学习模型与我们人类大脑的学习机制还是存在很大差异,如果要克服深度学习所带来的缺陷,需要把如下几个关键问题讨论清楚:

1、符号表示的向量化;

知识通常以自然语言的离散符号形式表示, 为了实现单一空间模型, 首先要将符号表示的词、短语、句子和篇章等转换为向量, 或者将知识图谱转换为向量表示.

这里面需要解决的问题有:不可解释、会发生重大错误、鲁棒性差等问题。

2、深度学习方法的改进;

深度学习目前的主要工作只是在做简单的函数拟合, 其局限性在于缺乏像人一样对问题的理解能力。

因此通过理解机器学习模型的内部工作机理, 发展数据驱动和知识驱动融合的第三代人工智能理论框架, 将成为提高人工智能算法鲁棒性的重要途径之一。

3、贝叶斯深度学习的突破;

贝叶斯深度学习是将贝叶斯学习的基本原理与深度神经网络的表示学习有机融合的一类方法,将不确定性建模和推断与深度表示学习有机融合, 其关键挑战在于推断和学习算法,目前已经在多种复杂场景下,取得了价值与突破。

为了实现第三代人工智能的模型,在综合了上述两种模型的优劣后,就采用了三空间融合的模型,也就是把双空间模型与单空间模型融合。

这样做的优势在于,既可以最大限度地借鉴我们人类大脑的工作机制,又可以充分利用计算机的算力,通过两者融合后的倍增效应,希望能够打造更强大、更接近人类大脑的AI模型。

我们期望三空间融合模型,能够尽快从实验室阶段迈向商业化阶段,实现更大的价值,造福人类。

关注东方林语,一起了解更多AI知识。

附参考阅读:

《迈向第三代人工智能》全文如下

相关文章

发表于: 2020-10-29 02:11:20 AM
更多新闻请到脸书追踪我们:我的分享平台

Be the first to comment

Leave a Reply

Your email address will not be published.


*