AI傳奇第十七回 美麗新世界
DeepMindCEO哈薩比斯 哈薩比斯說的通用型AI，與現在需要人工預設條件、預置程序的所謂弱人工智慧不同，屬於與人類智能相當、可以自主學習和決策的強人工智慧，這是AI發展新階段的新目標。 AI在全球科學家共同設定的目標和共同努力下，正沿著路線圖一步步推進。而對AI科學和相關技術的研究與突破，永遠在艱難中前行。 探索未來 深度學習雖然在今天取得極大成功，引領機器學習乃至於整個AI潮流，促進了產業發展和社會進步。但深度學習依然在探索自己的未來。2015年5月28日出版的《Nature》雜誌專門開闢了 「人工智慧·機器人」專題 ，專家們發表了多篇重要論文。其中最引人關注的，莫過於深度學習的最主要奠基人們首次聯袂撰寫的一篇名為《深度學習》（Deep Learning）的綜述性文章。楊立昆（Yann LeCun）、約書亞·本希奧（Yoshua Bengio）和傑夫·欣頓（Geoffrey Hinton）三位開創者，在文章中介紹了深度學習原理、方法及其形成的脈絡，也展望了未來。他們一致認為未來的深度學習要往無監督學習方向發展。自然界和人類社會在絕大部分數據都沒有經過標註，而數據標註是一項繁重、有時是不可能完成的工作，如果機器學習永遠需要大量的監督學習，即用標註數據來訓練，那一定會影響AI得到更廣泛應用，成為通用AI的發展障礙。但如何讓無監督學習也能完滿完成複雜任務，是AI科學家們面臨的挑戰。 科學家也從另外的角度來思考機器學習的發展，遷移學習（Transfer Learning）是比較有希望的未來技術之一。前百度首席科學家吳恩達和香港科技大學楊強教授等都很重視遷移學習的概念和實際應用。楊強教授指出，現在AI的成功離不開高質量的大數據，但未來AI的成功並不一定都需要大數據，可以用遷移學習來解決相關問題，遷移學習可以把大數據得到的模型用於小數據環境。現在，基於樣本、特徵、參數、模型、關係的若干種遷移學習方法正在深入研究之中。 與機器學習和數據科學一樣，計算能力的提高依然是推動AI蓬勃發展的強勁動力。 以GPU促進了深度學習發展的英偉達，在2017年的5月的GPU技術大會(GTC17) 上，宣布推出新一代GPU。這款名為Volta（伏特）的深度學習晶元，被英偉達稱為是通用並行計算架構CUDA發明以來，這個時代最大的技術飛躍。它集成了211億個晶體管，採用12納米集成電路工藝生產，支持120萬億次浮點運算。藉助專門用於深度學習的運算器, Volta與去年推出的前一代GPU Pascal架構相比，AI訓練速度是2.4倍，推理速度為3.7倍。更有人計算出，Volta 的最高浮點運算能力，比Pascal GPU 架構高5倍，與兩年前所發布的Maxwell 架構高15倍，性能躍升幅度，大約是摩爾定律描述的4倍。 另闢蹊徑挑戰摩爾定律的還有谷歌，也是在2017年5月，谷歌在I/O 2017大會上宣布推出新一代深度學習晶元TPU(張量處理器)。有人分析過，TPU代際性能提升幅度約為摩爾定律的3倍，同樣跨越摩爾定律定義的發展規律。 谷歌新一代深度學習晶元TPU 半導體工業自身也沒有因為摩爾定律而停步。2017年6月，IBM公司宣布了半導體方面的重大新突破，研製成功5納米晶元。這新一代晶元每片可容納300億晶體管，速度比目前最先進的10納米晶元快40%，節能提高75%。可能在2020年投產的5納米晶元，會大大提升CPU、GPU、TPU等常規和非常規計算晶元的性能。有人把這樣的成功稱為摩爾定律的延續。 AI發展不可或缺的計算能力，未來仍在大幅提升。 AI的初心 如果回到AI出發的初心，正是要探索人腦奧秘，研究人類思維規律，然後讓機器實現人腦的功能。懷抱這樣的理想，人類開始了偉大的AI歷程。在AI發展過程中，AI科學家常常受人腦工作機制的啟發。儘管今天的AI技術相對具有獨立性，以致有人認為與人腦沒有太大的聯繫。但無論是AI科學家還是神經科學家，都保持著對人腦這一宇宙精靈的高度尊敬與重視，期盼對人腦的深入研究，能夠在未來AI發展中發揮重要作用。 復旦大學類腦智能科學與技術研究院院長馮建峰教授列舉了腦科學與類腦人工智慧的四個研究方向：1.大腦神經網路分析。用現代生物學手段採集遺傳、分子、神經元等多模態的腦影像和各種數據。用高維大數據新演算法，輔助解析大腦工作和信息處理機制，尤其是神經元集群的學習與記憶、抉擇、語言等認知功能的機制，加深對大腦信息處理機制的理解。2.認知機制計算模型。研究腦系統的數學模型，尤其是神經反饋連接作用、認知和學習功能，設計新型高效的類腦人工智慧演算法。3.類腦智能演算法創新。用生物學發現來創新或改進己有深度學習計算框架和相關理論。4.類腦智能技術應用創新。發展新的智能控制器和各種智能設備。 這樣的研究方向描述，是腦科學研究應用於AI的一張路線圖。 2017年6月，《美國科學院院報》（PNAS）一篇論文引人關注。瑞典隆德大學研究人員在論文中指出，他們發現人腦中的神經元本身也具有編程能力，或者說有學習的能力。他們的研究表明，單個神經元中存儲信息的容量遠超預期。這一發現可能將為設計全新的人工神經網路帶來啟發。 科學家們以前認為學習和記憶取決於突觸連接。而這樣的認知也影響了AI，如人工神經網路中，神經元之間的「突觸權重」的調整一直是機器學習研究的重要內容。這次瑞典隆德大學蓋蒙德·赫斯洛（Germund Hesslow）等科學家的研究發現，不光是突觸連接，神經元本身在學習過程中也扮演了重要角色，單個神經元就可以編程，而且信息存儲能力也超過預期。神經元本身具有學習和記憶的機制，這是一個新的發現。儘管目前還是初步研究，這項研究針對的是小腦的 Purkinje 細胞，與我們常說的大腦神經元有所不同。但這一研究確實改變了以前對神經元細胞學習能力的認知，讓人們對大腦學習的方式和潛能有新的認識。 沿著這個方向，腦科學家們可能更深入認識大腦工作機制，AI科學家們也可能受到重大啟發。有人甚至認為，這會影響新一代深度學習神經網路的研究。 這還僅僅是腦科學研究影響AI未來的一個例子。而且，影響AI未來的也不只是一、兩門學科，現代科學技術整體上正在迅猛發展，人類對世界的認知日新月異，未來的AI，前程似錦。而在AI的新階段，或者說AI 2.0時代，人類社會也一定會更加美好。 新的開始 2017 年 6 月 6 日至9 日，聯合國第一次AI峰會在日內瓦召開，包括各國政府官員、聯合國機構負責人、非政府組織代表、業界領袖和AI專家等全球重量級人物與會。由國際電信聯盟（ITU）等聯合國機構共同組織的這次大會，是一次歷史性的峰會，會議名為「AI造福人類峰會 」（AI for Global Good Summit）。大會宗旨也由此看出——集中討論如何讓AI作為工具幫助人類解決難題，造福於人類。峰會列舉了17 個可持續發展目標，供全球思考AI的應用： 1.消除貧困：將貧困與預測大數據分析建立聯繫。 2.零飢餓：增加農業產量。 3.醫療健康和高質量生活：大數據醫療分析。 4.素質教育：用個性化教學變革教育。 5.性別平等：明確性別不平問題，發起性別平等招聘。 6.清潔用水和公共衛生：有效改善清潔水源供給。 7.可承擔的清潔能源：改進光電能源獲取。 8.體面的工作與經濟增長：通過智能自動化增加生產率。 9.產業創新與基礎設施：幫助產業創新。 10.減少不平等現象：建立更包容社會（如助殘機器人應用） 11.可持續城市與社區：通過感測器數據支持城市規劃決策。 12.負責任的消費與生產觀念：預測最優生產從而減少浪費。 13.氣候行動：對氣候變化建模以預防災難。 14.水生生命：通過模式識別軟體追蹤非法捕魚。 15.陸地生命：控制盜獵行為、監控物種安全。 16.和平、公正和強大的機構：減少政府歧視和腐敗。 17.有目標的合作：多方合作至關重要。 儘管這17個目標還不能完全涵蓋人類需要解決的全部問題，但涉及到的AI應用領域已經相當廣泛了。藉助AI的力量來應對人類面臨的巨大挑戰，是人們對機器的美好期待，AI任重道遠。聯合國秘書長安東尼奧·古特雷斯在峰會上說：「AI將有助於人們更快邁向有尊嚴的、和平與繁榮的新生活。所有人包括政府、行業和民間社會必須思考AI將如何影響我們的未來。這次大會就是一個很好的開始。」 是的，新征程開始了。回望歷史，AI已經走過了60年歷程，創造了無數傳奇。而現在又開始的新征程，那將是充滿更多傳奇的美麗新世界。
推薦閱讀：