研究三巨头探讨人工智能发展现状和趋势.doc

《研究三巨头探讨人工智能发展现状和趋势.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、研究三巨头探讨人工智能发展现状和趋势　　　　概要：日前AAAS在reddit上组织了一场问答，Facebook人工智能研究院YannLeCun，微软研究院院长EricHorvitz，谷歌研究总监PeterNorvig共同出席此次活动，回答了观众提出的一系列问题。　　日前AAAS在reddit上组织了一场问答，Facebook人工智能研究院YannLeCun，微软研究院院长EricHorvitz，谷歌研究总监PeterNorvig共同出席此次活动，回答了观众提出的一系列问题，包括如何研究更通用的人工智能，如何看待深度学习热，AI的下一个突破

2、点，量子计算是否会对AI产生影响，用户的安全隐私问题等。　　Q：现在，为了让AI在围棋中战胜人类选手，或者使用深度学习解决特定的科学任务，我们投入了很多人力物力。取得的成就虽然很棒，但AI能解决的问题极其有限。能否找到一种苏格拉底式的AI，能阐明它胜任的所有任务背后的原理。目前不将上百万种特定的AI组合在一起，你没法构建一个通用的AI系统。如何将只能解决特定问题的人工智能转为更通用的人工智能？　　YannLeCun：在我看来，让机器通过观察来学习预测模型是AGI（通用人工智能）的最大障碍。这并不是唯一方法。人类婴儿和许多动物似乎通过观察世

3、界、与其交互得到一种常识(与我们的RL系统相比，需要的交互非常少)。我的直觉是，大脑中很大一部分相当于预测机器，它训练自己去预测它所能预测的一切(从观测中预测出未观测到的变量，例如通过过去和现在预测未来)。　　可以用预测模型计划和学习新的任务，这一过程中只需与世界进行极少的交互。目前的「无模型」RL系统，像AlphaGoZero，需要与「世界」进行大量的交互来学习(尽管他们确实学得很好)。这种系统在围棋和象棋上都做得很好，因为这里的「世界」很简单，是确定的，而且可以在多个电脑上同时高速运行。与这种「世界」进行互动是可行的，成本极低。但这在

4、现实世界中行不通，你不可能为了让系统只是学会不在悬崖边开车，而让它在悬崖边开无数次车。大脑中的模型告诉我们，在悬崖边开车是个坏主意。我们只需要一次就知道这个道理了。而如何让机器来学习这样的模型?　　EricHorvitz：是的，可以这样形容最近一系列取得胜利的AI系统——聪明而又片面的「学者」。人类智力背后存在着无数的未解之谜，我们并没有取得多大进展。包括「人工智能」，其背后也存在一系列亟待解决的问题。这些问题中，包括人们如何在开放的世界中以一种「无监督」的方式学习，人类「常识」背后的机制和原理，以及人类是如何轻松将事情进行归纳总结的。　

5、　目前有几个研究方向可以回答这些挑战，其中包括不断推动在特定领域和某些应用领域的研究，那里一定会出现突破。然而，我认为我们需要追求更通用的人工智能。　　方法之一是采用综合人工智能：我们是否能将多种能力(如语音识别、自然语言、视觉、规划和推理)整合起来，探究整合过程中的需要解决的难题。　　另一种方法是不断推动DNNs这种核心方法的发展，并追求更通用的解决问题的方法。我认为这一领域的突破很难实现，但将非常有价值。　　下面这篇文章是关于通用AI框架的一些有意思的发展方向：　　Q：目前，很多关于机器学习的研究都转向了深度学习。　　（1）这会减少机

6、器学习研究的多样性吗？　　（2）为了支持深度学习研究，其他的范式如概率图模型、支持向量机等的研究会被抛弃吗？正如90世纪的深度学习一样，也许现在这些表现不好的模型在未来会表现得很好。　　YannLeCun：随着我们在AI上取得进步，我的感觉是深度学习只是解决方案的一部分。在复杂的（可能是动态的）图形中集成参数化模块并从数据中优化参数的想法并没有过时。从这个意义上说，只要我们还没有找到不需要使用梯度来优化参数的好办法，深层学习就不会消失。也就是说，正如我们今天所知道的那样，深度不足以构成「完整」的人工智能。我一直喜欢说定义动态深层结构的能力

7、（即按照程序定义计算图，其结构随着新的输入而改变）的能力可以将深度学习推广为可微编程方法。　　但事实上，我们至少遗漏了两件事：（1）可以推理的机器，而不仅仅是感知和分类，（2）机器可以通过观察世界来学习，而不需要人类策划的训练数据，不需要与世界进行太多次交互。有些人称之为无监督学习，但这个短语太模糊了。　　我们需要机器学习的一种方式是学习人类的婴儿和动物：他们主要通过观察来建立世界模型，并且有非常少量的交互作用。这是下一个十年的挑战。　　至于问题（2）深度学习和图形模型之间没有对立。你可以这样使用图形模型，比如因子图，其中的因子是整个神经

8、网络。这些是正交概念。人们曾经在深度学习框架的基础上建立了概率规划框架。例如Uber的Pyro，它是通过PyTorch建立的（概率编程可以看作图形模型的推广、类似可微编程是深度学习的泛化推广）