国内外AI顶尖学者齐聚一堂,图灵奖获得者描绘下一代AI模样

扫码链接5000+新基建产业链上下游从业者,入群请备注“基智地+姓名+公司+岗位

AI发展至今已有60年光景,已处于高速成长阶段。60年的光阴里AI都取得了哪些进展?有哪些制约因素?我国AI发展到了什么水平?

6月21日晚间,由北京智源人工智能研究院主办的2020北京智源大会在线上举行,图灵奖获得者、中国科学院院士、中国工程院院士、国内外AI顶尖学者齐聚一堂,共同描画了下一代AI的模样。

159278633223782758.jpg

AI的下一次突破何时到来?

世界范围内,AI已经发展了60年左右的时间。然而从上世纪60年代开始30多年的时间里并没有研究出可以比肩人类的技术。直到1997年,IBM研发的深蓝超级计算器击败国际象棋世界冠军加里·基莫维奇·卡斯帕罗夫,至此AI终于实现了里程碑式的突破。2005年,在斯坦福大学时任副教授的Sebastian Thrun带领学生打造的一款名为“斯坦利”的机器汽车,成功穿越300英里沙漠,成为历史上第一个完成DARPA无人驾驶汽车挑战赛的自动驾驶汽车,业内公认“斯坦利”是AI应用的又一次突破,Sebastian Thrun也因此成为了谷歌自动驾驶汽车系统的专家,帮谷歌打造出自动驾驶的原型车,谷歌也凭此成为了自动驾驶领域的领军者。

到了2012年,也是AI迄今距离最近的一次突破——深度学习。当时机器学习已经非常流行,但是还不足以达成AI的最高目标,而深度学习的理论已经存在了几十年,直到2012年终于取得突破,它可以构建AI已知的所有功能,包括决策理论、规划和推理,让AI距离真正解决问题又近了一步。

深度学习可以解决什么问题?比如有一辆自行车,深度学习可以将自行车进行结构性的拆解,对车座、车把、车轮等组成部分进行识别。“但是当遇到一件与自行车十分类似的物品时,深度学习会把它自动归为同类。”图灵奖获得者John Hopcroft指出,深度学习的问题在于它不能告诉你自行车每个部分的功能是什么。

下一代人工智能要取得突破,可以在深度学习的基础上附加相应的逻辑,实现让AI知道脚踏板可以驱动车轮,区分有用邮件和垃圾邮件。

康奈尔大学教授Bart Salmen认为,深度学习还有很大的提升空间,它是一种基于数据训练的学习方法,但是人类是有感知能力的,要达到人类水平,就要学会感知。张钹认为,感知=感觉+认知,目前深度学习方法只触及到了感觉层面,还未达到认知高度,需要真正的知识灌输,下一代AI要明确地把知识驱动和数据驱动结合起来才能真正取得突破

那么AI的下一次突破何时到来,又一个十年、二十年?

John Hopcroft认为,历史上农业发展花费了上千年,制造业发展花了几百年,AI首次取得成功只用了几十年,所以下一次突破会很快。

专家们纷纷表示,下一代AI一定要具有可解释性,使用者需要知道AI究竟是怎样运作的,这也是增强人类对AI信任度的关键。

John Hopcroft指出,AI的下一次突破不一定是计算能力的突破,也有可能是生物学层面的突破。

AI需要解决什么问题?

隐私和安全问题是人工智能技术应用大规模铺开所面临的一大挑战,这是很多用户在接受使用AI应用前最担心的问题之一。

中国科学院院士张钹认为,要解决这个问题,首先要从两个层面来探讨。一是如何正确合理运用隐私,这需要AI开发企业的高度自律。隐私保护是为了防止伤害集体和个人的利益,涉及到保护和使用的关系,可以很严也可以很松,不一定一步到位制定出完整的规则,需要逐步的改进。

二要避免人工智能滥用的问题,这是目前深度学习无法解决的问题,需要谈到人工智能治理这个层面。张钹指出,一方面要定义规则,制定严格的法律法规,二要发展安全可靠、可信、可扩展的人工智能技术,这样才能真正保护人工智能的安全。“人工智能治理非常重要,只有想清楚如何治理,才能知道技术往哪些方向发展”张钹谈到。

此外,还要建立让用户信任的AI应用机制。香港科技大学教授杨强认为,开发者和应用方不可能隔绝开来,需要共同协作、互相交流。开始可以先采用加密模型参数,对于使用者来说,可能会不清楚传递是参数还是数据,那么就可以引入一个中心机构,让每一个参与者在这个中间机构中传递信息。另外也可以引入区块链的管理模式,借助其透明化且不可篡改的机制对隐私加以保护。

中国工程院院士高文认为,开源是解决AI隐私问题最好的办法,没有一蹴而就的解决方法。“就像武术一样,要想做到厉害就要不停攻防。”高文强调,不要太过担心数据共享有可能带来的恶意攻击,因为技术发展过程中一定会考虑到针对性的解决办法。

中国AI发展痛点在哪里?

新基建浪潮下,国内各大企业通过兴建大量基础设施,强调大算力来抢占技术高地,那么AI到底需要多大的算力?

杨强认为,大算力是AI突破的方式。学术界很多专家开始尝试采用迁移学习的方法解决通用问题,如果算力足够大,那么迁移学习就可以适配到各个领域,符合纵深发展的条件。

高文指出,下一代AI要解决高效能的问题。AI的下一阶段要求是超过人的精度,但是人本身并不需要太大的算力。所以下一步应提高计算机的学习能力,减少低效学习所消耗的大量电力,不要过分追求大算力。

我国在AI科研平均水平已经接近世界水平,但是最高水平和世界领先仍有较大差距。“没有从0到1的发现。”张钹指出,我国AI研究尚未突破创新的瓶颈,基础研究落脚点在发表论文的数量上,与过去相比有巨大的进步,也是制约因素。

杨强认为,有责任心有志向的学者应该在创新上努力,重点是选题质量而不是文章数量。研究方向一要足够新,二要足够难,三要让人很容易理解。杨强指出,这样的研究还需要运用方法把问题分解成可以解决的阶段,每个阶段设立一个小目标。另外,计算机的发展离不开数据,触手可及的数据更容易实现落地。“不要跟风热门领域,有很多新领域更值得探索。”杨强说道。