讀朱松純老師演講筆記--淺談人工智慧的構架與統一

今天快速閱讀了朱松純老師的演講，很有收穫，記了幾點筆記，原滋原味的請閱讀演講原文：淺談人工智慧：現狀、任務、構架與統一 | 正本清源

人工智慧是一個非常廣泛的領域。當前人工智慧涵蓋很多大的學科，可以歸納為六個：

（1）計算機視覺（暫且把模式識別，圖像處理等問題歸入其中）

（2）自然語言理解與交流（暫且把語音識別、合成歸入其中，包括對話）

（3）認知與推理（包含各種物理和社會常識）

（4）機器人學（機械、控制、設計、運動規劃、任務規劃等）

（5）博弈與倫理（多代理人agents的交互、對抗與合作，機器人與社會融合等議題）

（6）機器學習（各種統計的建模、分析工具和計算的方法）

人工智慧的研究，簡單來說，就是要通過智能機器，延伸和增強（augment）人類在改造自然、治理社會的各項任務中的能力和效率，最終實現一個人與機器和諧共生共存的社會。這裡說的智能機器，可以是一個虛擬的或者物理的機器人。與人類幾千年來創造出來的各種工具和機器不同的是，智能機器有自主的感知、認知、決策、學習、執行和社會協作能力，符合人類情感、倫理與道德觀念。

人工智慧發展的60年分為兩個階段：

（1）第一階段：前30年以數理邏輯的表達與推理為主。這裡面有一些傑出的代表人物，如John McCarthy、Marvin Minsky、Herbert Simmon。這個邏輯表達的「體制」，就相當於中國的周朝，周文王建立了一個相對鬆散的諸侯部落體制，後來指揮不靈，就瓦解了，進入一個春秋五霸時期。而人工智慧正好也分出了五大領域。

（2）第二階段：後30年以概率統計的建模、學習和計算為主。在10餘年的發展之後，「春秋五霸」在1990年中期都開始找到了概率統計這個新「體制」：統計建模、機器學習、隨機計算演算法等。

目前的判斷是，我們剛剛進入一個「戰國時期」，以後就要把這些領域統一起來。首先我們必須深入理解計算機視覺、自然語言、機器人等領域，這裡面有很豐富的內容和語意。如果您不懂這些問題domain的內涵，僅僅是做機器學習就稱作人工智慧專家，恐怕說不過去。

值得人工智慧領域借鑒的兩種動物模式：

（1）烏鴉模式：通過自己的感知、認知、推理、學習、和執行來解決問題；它自己通過少量數據就把解決方案想清楚了，沒人教它，沒有通過大數據進行學習；烏鴉頭有多大？不到人腦的1%大小。 人腦功耗大約是10-25瓦，它就只有0.1-0.2瓦。

（2）鸚鵡模式：典型的有監督學習。

人工智慧研究的認知框架：

（1）大數據、小任務：針對某個特定的任務，如人臉識別和物體識別，設計一個簡單的價值函數Loss function，用大量數據訓練特定的模型。這種方法在某些問題上也很有效。

（2）小數據、大任務：要用大量任務、而不是大量數據來塑造智能系統和模型。在哲學思想上，必須有一個思路上的大的轉變和顛覆。自然辨證法裡面，恩格斯講過，「勞動創造了人」，這個有點爭議。我認為一個更合適的說法是「任務塑造了智能」。這也是作者多年來一直在提倡的一個相反的思路。

關於機器學習：

（1）前五個領域就像是五種釘子，機器學習是研究鎚子，希望去把那些釘子錘進去。深度學習就像一把比較好用的鎚子。當然，五大領域裡面的人也發明了很多鎚子。只不過最近這幾年深度學習這把鎚子比較流行。

（2）當前大家做的機器學習，其實是一個很狹義的定義，不代表整個的學習過程。

（3）其實真正的學習是一個交互的過程。 就像孔子與學生的對話，我們教學生也是這樣一個過程。 學生可以問老師，老師問學生，共同思考，是一種平等交流，而不是通過大量題海、填鴨式的訓練。

（4）深度學習只是這個廣義學習構架裡面很小的一部分，而學習又是人工智慧裡面一個領域。所以，把深度學習等同於人工智慧，真的是坐井觀天、以管窺豹。

回到前面烏鴉的例子，我們研究的物理與生物系統有兩個基本前提：

一、智能物種與生俱來的任務與價值鏈條。這是生物進化的「剛需」，動物的行為都是被各種任務驅動的，任務由價值函數決定，而後者是進化論中的phenotype landscape，通俗地說就是進化的適者生存。達爾文進化論中提出來進化這個概念，但沒有給出數學描述。後來大家發現，基因突變其實就是物種在這個進化的、大時間尺度上的價值函數中的行動action。我前面那個疊衣服的價值函數地形圖，就是從生物學借來的。

二、物理環境客觀的現實與因果鏈條。這就是自然尺度下的物理世界與因果鏈條，也就是牛頓力學的東西。

說到底，人工智慧要變成智能科學，它本質上必將是達爾文與牛頓這兩個理論體系的統一。