首頁(yè) / 資訊中心 / 趨勢研究/第三波人工智能潮與以往有何不同?

第三波人工智能潮與以往有何不同?

發(fā)布時(shí)間:2019-06-26 分類(lèi):趨勢研究

[本輪人工智能主要算法的靈感來(lái)源于認知科學(xué)、博弈論和量子力學(xué)等廣闊的領(lǐng)域,大數據驅動(dòng)的算法主導的科學(xué)研究范式(第四范式)被應用于各個(gè)學(xué)科的研究,他山之石可以攻玉,其他學(xué)科的進(jìn)展也能反哺人工智能的創(chuàng )新,并可能起到至關(guān)重要的革命性作用,特別是腦科學(xué)、心理學(xué)等學(xué)科發(fā)展可能與AI的發(fā)展形成閉環(huán)和相互促進(jìn)的良性關(guān)系。]
[由于受當時(shí)歷史條件所限,AI能做的事情很有限,大眾對AI前景不切實(shí)際的樂(lè )觀(guān)和AI所承諾的能力均未能兌現,引發(fā)上世紀70年代長(cháng)達10年的首次AI寒冬。]
[摩爾定律驅動(dòng)算力在過(guò)去30年提升了百萬(wàn)倍,為數據驅動(dòng)的人工智能提供了強勁的動(dòng)力。]
人工智能(AI)自1956年誕生以來(lái),60多年來(lái)經(jīng)歷了“三起二落”的波折的發(fā)展歷程。
2016年,隨著(zhù)谷歌圍棋機器人AlphaGo的一戰成名,從國家到企業(yè)層面,隨處都能見(jiàn)到人工智能的身影。隨著(zhù)經(jīng)濟增速的放緩以及資本的退潮,人工智能的“寒冬論”又開(kāi)始甚囂塵上,“一哄而上,一哄而散”帶來(lái)了一地雞毛,人工智能的未來(lái),究竟何去何從?
人工智能歷史會(huì )重演嗎
AI之父、圖靈獎獲得者約翰·麥卡錫在1956年的達特茅斯夏季研討會(huì )締造“人工智能”一詞時(shí),曾有不同的聲音。在英語(yǔ)中,Artificial(人工、人造)一詞略帶貶義,如人造革、人造絲等,暗藏著(zhù)一點(diǎn)“假”的意思,當時(shí)英國的一些學(xué)者更愿意使用“思考機器”的提法。阿蘭·圖靈憑借他的“謎一樣的機器”(enigma)破解了德軍密碼,大大加速了二戰結束的進(jìn)程,減少了上千萬(wàn)人的傷亡,居功至偉,他提出了著(zhù)名問(wèn)題:機器可以思考嗎?
從這個(gè)角度看,其實(shí)人工智能這個(gè)術(shù)語(yǔ)還是貼切的。今天,AI的核心支柱——機器學(xué)習并不是在進(jìn)行主動(dòng)的學(xué)習,而只是在被“訓練”,更本質(zhì)的來(lái)說(shuō),只是通過(guò)尋找最小誤差值的方法來(lái)進(jìn)行參數擬合(Fitting),并不具有任何意識。在小數據等需要人類(lèi)認知能力的領(lǐng)域,今天的AI就連5歲的孩子都比不上,例如,兒童在看到幾張照片后,就能輕松地學(xué)習到“貓”的概念,而“先進(jìn)的”卷積神經(jīng)網(wǎng)絡(luò )需要對大量的標簽數據進(jìn)行學(xué)習才能完成類(lèi)似的任務(wù)。即便如是,得益于算法的改進(jìn)和指數增長(cháng)的計算能力,在特定的場(chǎng)景中,AI已經(jīng)展現出令人驚嘆的能力,并且對部分行業(yè)的創(chuàng )新產(chǎn)生了關(guān)鍵影響。
麥卡錫對人工智能的定義是:制造智能機器的科學(xué)與工程。在人工智能誕生后的十多年里,科學(xué)家們致力于通過(guò)模仿人的思維來(lái)實(shí)現智能。今天的人工智能算法,例如神經(jīng)網(wǎng)絡(luò )、知識圖譜和對話(huà)機器人的雛形在那時(shí)都已經(jīng)出現,由于受當時(shí)歷史條件所限,AI能做的事情很有限,大眾對AI前景不切實(shí)際的樂(lè )觀(guān)和AI所承諾的能力均未能兌現,引發(fā)上世紀70年代長(cháng)達10年的首次AI寒冬。
80年代初,日本成為了當時(shí)全球第二大經(jīng)濟體,在技術(shù)上也積極謀求世界領(lǐng)先的地位,提出了“五代機”(第五代計算機,前四代計算機代表性技術(shù)分別是:電子管、晶體管、大規模集成電路和超大規模集成電路)的設想,英美等政府也被迫跟進(jìn),對相關(guān)技術(shù)進(jìn)行了大量投資,同時(shí),機器學(xué)習的神經(jīng)網(wǎng)絡(luò )算法也出現了兩項突破?;谖锢韺W(xué)能量概念的霍普費爾德網(wǎng)絡(luò )被提出;在今天深度學(xué)習中仍然具有重要作用的“反向傳播”的方法被廣泛應用于神經(jīng)網(wǎng)絡(luò )的參數訓練中,取得了不錯的效果,并成為今年(2019)圖靈獎得主杰弗瑞·辛頓(JefferyHinton)獲獎的重要依據之一;90年代初,時(shí)任貝爾實(shí)驗室負責人的楊力昆(YannLeCun,紐約大學(xué)教授,2019年圖靈獎得主,美國工程院院士,原FacebookAI研究院主任)實(shí)現了商用的手寫(xiě)數字識別,美國有10%的支票的識別使用了該算法,1992年,采用簡(jiǎn)單神經(jīng)網(wǎng)絡(luò )控制的卡內基梅隆大學(xué)的首輛無(wú)人駕駛的裝甲車(chē)也上路了。盡管如此,但是受制于當時(shí)的計算力和數據量,人工智能逐漸湮沒(méi)于快速崛起的互聯(lián)網(wǎng)的奪目光芒中,但是,這個(gè)階段的理論儲備為今天的AI發(fā)展提供了重要的源泉(知識儲備)。
前兩次AI的繁榮具有兩個(gè)特點(diǎn):一是從參與者來(lái)看,主要政府投資主導,企業(yè)參與度低,落地應用極為有限;二是技術(shù)上均是以邏輯推理為核心的符號主義占據了主導地位,神經(jīng)網(wǎng)絡(luò )學(xué)派的發(fā)展長(cháng)期被壓抑,客觀(guān)上,神經(jīng)網(wǎng)絡(luò )所需要的數據量和算力條件當時(shí)也不成熟,AI的主要形式也因此表現為確定的推理,難以處理現實(shí)中遇到的大量不確定性問(wèn)題。
當下處在第三波人工智能浪潮之上
互聯(lián)網(wǎng)30年的快速發(fā)展,社交網(wǎng)絡(luò )、物聯(lián)網(wǎng)和云計算所產(chǎn)生的海量數據為本輪人工智能的繁榮提供了燃料。摩爾定律驅動(dòng)算力在過(guò)去30年提升了百萬(wàn)倍,為數據驅動(dòng)的人工智能提供了強勁的動(dòng)力。2006年,加拿大科學(xué)家杰弗里·辛頓(GeoffreyHinton)教授等人一年之內連發(fā)三篇重量級論文,標志著(zhù)深度學(xué)習時(shí)代的開(kāi)啟。自2016年AlphaGo引爆了媒體以來(lái),AI得到整個(gè)社會(huì )的關(guān)注。
與前兩次人工智能浪潮不同,很多和業(yè)務(wù)緊密結合的AI應用場(chǎng)景已經(jīng)或正在落地,企業(yè)成為了最主要的推動(dòng)者。技術(shù)上,深度學(xué)習作為機器學(xué)習的一種,放棄了之前符號主義的機械推理,而采用了基于概率的范式,使得應用場(chǎng)景得以大幅度地拓展。符號主義則以知識圖譜的形式延續下來(lái),成為新一代搜索引擎的核心技術(shù)。
同時(shí),繁榮之下的局限也是顯而易見(jiàn)的。首先,深度學(xué)習技術(shù)上缺乏理論的支撐,目前是模型的結構和訓練是經(jīng)驗主義主導,未來(lái)深度學(xué)習理論的誕生將能減少算法對算力和數據的依賴(lài);其次缺乏突破性的算法思想。深度學(xué)習中大紅大紫的卷積神經(jīng)網(wǎng)絡(luò )(CNN)和長(cháng)短時(shí)記憶網(wǎng)絡(luò )(LSTM)都是在上世紀八九十年代就被提出了的,只是囿于當時(shí)數據量和算力,才沒(méi)有流行。本輪人工智能繁榮中真正令人眼前一亮的創(chuàng )新點(diǎn)乏善可陳,對抗神經(jīng)網(wǎng)絡(luò )(GAN)引入博弈論的思想、AlphaGo強化學(xué)習結合深度學(xué)習、自然語(yǔ)言處理中的詞向量等技術(shù)可以算是為數不多的重要創(chuàng )新。
經(jīng)典力學(xué)和量子力學(xué)的發(fā)展過(guò)程與今天的深度學(xué)習近似:第谷收集了大量行星運動(dòng)數據,他的助手開(kāi)普勒在這些數據中發(fā)現了行星運動(dòng)三大定律,但未能指出背后的原理,直到牛頓在三大定律基礎上提出萬(wàn)有引力定律;在量子力學(xué)領(lǐng)域,人們很早就獲得了氫原子的光譜數據,但是無(wú)法解釋。今天,我們擁有大數據,也有一些不錯的深度學(xué)習模型,但是還缺乏理論的支撐。
本輪人工智能主要算法的靈感來(lái)源于認知科學(xué)、博弈論和量子力學(xué)等廣闊的領(lǐng)域,大數據驅動(dòng)的算法主導的科學(xué)研究范式(第四范式)被應用于各個(gè)學(xué)科的研究,他山之石可以攻玉,其他學(xué)科的進(jìn)展也能反哺人工智能的創(chuàng )新,并可能起到至關(guān)重要的革命性作用,特別是腦科學(xué)、心理學(xué)等學(xué)科發(fā)展可能與AI的發(fā)展形成閉環(huán)和相互促進(jìn)的良性關(guān)系。
在工業(yè)界,除了金融、零售等少數數據條件好而且“離錢(qián)近”的行業(yè),傳統行業(yè)在數字化轉型過(guò)程中,面臨數據采集、數據治理和缺乏人才等一系列挑戰、直接利用人工智能變現具有一定難度。換個(gè)角度看,這些行業(yè)也具有極大的潛力,可以先從一些簡(jiǎn)單的“速贏(yíng)”場(chǎng)景切入,逐步培育數據文化和人才,先對已有業(yè)務(wù)進(jìn)行優(yōu)化。
本輪人工智能的上半場(chǎng)在C端衣食住行方面都已普及,接下來(lái)的主戰場(chǎng)將在B端,企業(yè)不要總是想著(zhù)風(fēng)口,踏踏實(shí)實(shí)地將一個(gè)個(gè)AI場(chǎng)景落地才是王道。整個(gè)社會(huì )各行業(yè)的數字化轉型將持續數十年,即便學(xué)術(shù)界在未來(lái)十年在A(yíng)I理論上沒(méi)有大的突破,對于行業(yè)的AI場(chǎng)景落地并不會(huì )產(chǎn)生太大的瓶頸效應,大部分企業(yè)AI場(chǎng)景并非一定要使用最酷炫的技術(shù),合適的技術(shù)才是最好的。
根據Gartner的估計,未來(lái)企業(yè)對于預測算法的需求將指數增長(cháng),其中大部分場(chǎng)景并不需要追求極致的預測準確率,使用目前流行的框架和工具,普通程序員和商業(yè)分析師就能滿(mǎn)足大部分這類(lèi)需求,對于少數核心場(chǎng)景,例如金融行業(yè)的風(fēng)控,零售行業(yè)商品推薦,1%的準確率的提升都會(huì )帶來(lái)巨大的價(jià)值,企業(yè)自然會(huì )在這些領(lǐng)域不遺余力地進(jìn)行投入,數據科學(xué)家未來(lái)的用武之地也將轉移到這些領(lǐng)域。
今天,AI的主要目標不再是讓它像大腦一樣思考,而是利用其獨特的能力,做好人類(lèi)的助手,如同工業(yè)革命解放我們的體力那樣,AI解放我們重復性工作所需的腦力,讓我們有更多的時(shí)間和精力從事更有價(jià)值的創(chuàng )造性工作。雖然,今天對于沒(méi)有意識的AI統治人類(lèi)的擔心如同杞人憂(yōu)天,但是我們已經(jīng)看到大量的行業(yè)正在數字化轉型的進(jìn)程中,現實(shí)物理世界被逐漸映射到虛擬的數字空間之中,主宰虛擬世界的算法如同法律,其在虛擬世界中的決策作用在現實(shí)生活中不斷顯現,電影《黑客帝國》所預言的時(shí)代似乎已經(jīng)觸手可及。AI正在成為人類(lèi)新的潛意識,替我們進(jìn)行著(zhù)各項決定,雖然我們好像擁有最終決策權,卻對我們正生活在自己編織的信息繭房之中常常不自知。
(作者鄔學(xué)寧系數據科學(xué)50人成員、復旦大學(xué)人工智能客座講師)