AI 的下一次機(jī)遇在哪里？

自 1956 年 AI 的概念首次被提出，至今已有 60 多年的發(fā)展史。如今，隨著相關(guān)理論和技術(shù)的不斷革新，AI 在數(shù)據(jù)、算力和算法“三要素”的支撐下越來(lái)越多地走進(jìn)我們的日常生活。

但是，這一系列驚喜的背后，卻是大多數(shù) AI 在語(yǔ)言理解、視覺(jué)場(chǎng)景理解、決策分析等方面的舉步維艱：這些技術(shù)依然主要集中在感知層面，即用 AI 模擬人類的聽(tīng)覺(jué)、視覺(jué)等感知能力，卻無(wú)法解決推理、規(guī)劃、聯(lián)想、創(chuàng)作等復(fù)雜的認(rèn)知智能化任務(wù)。

當(dāng)前的 AI 缺少信息進(jìn)入“大腦”后的加工、理解和思考等，做的只是相對(duì)簡(jiǎn)單的比對(duì)和識(shí)別，僅僅停留在“感知”階段，而非“認(rèn)知”，以感知智能技術(shù)為主的 AI 還與人類智能相差甚遠(yuǎn)。

究其原因在于，AI 正面臨著制約其向前發(fā)展的瓶頸問(wèn)題：大規(guī)模常識(shí)知識(shí)庫(kù)與基于認(rèn)知的邏輯推理。而基于知識(shí)圖譜、認(rèn)知推理、邏輯表達(dá)的認(rèn)知圖譜，則被越來(lái)越多的國(guó)內(nèi)外學(xué)者和產(chǎn)業(yè)領(lǐng)袖認(rèn)為是“目前可以突破這一技術(shù)瓶頸的可行解決方案之一”。

唐教授簡(jiǎn)單介紹了人工智能的三個(gè)時(shí)代：符號(hào)智能 —— 感知智能 —— 認(rèn)知智能。提出現(xiàn)在需要探討的問(wèn)題是：計(jì)算機(jī)有沒(méi)有認(rèn)知？計(jì)算機(jī)能不能做推理？甚至計(jì)算機(jī)到未來(lái)有沒(méi)有意識(shí)能夠超過(guò)人類？ 唐教授表示，當(dāng)前認(rèn)知 AI 還沒(méi)有實(shí)現(xiàn)，我們急需做的是一些基礎(chǔ)性的東西（AI 的基礎(chǔ)設(shè)施），比如知識(shí)圖譜的構(gòu)建，知識(shí)圖譜的一些認(rèn)知邏輯，包括認(rèn)知的基礎(chǔ)設(shè)施等。 從 1950 年開始創(chuàng)建人工智能系統(tǒng)，到 1970 年開始深入的讓計(jì)算機(jī)去模仿人腦，再到 1990 年計(jì)算機(jī)學(xué)家意識(shí)到計(jì)算機(jī)是 “參考” 人腦而不是完全的 “模仿”。

現(xiàn)在我們更是處于一個(gè)計(jì)算機(jī)的變革時(shí)代，我們應(yīng)該用更多的計(jì)算機(jī)思維來(lái)做計(jì)算機(jī)的思考，而不是人的思考。 現(xiàn)在人們需要思考的是：如何以計(jì)算機(jī)的方式做認(rèn)知？唐教授談到，可以結(jié)合兩種方法去實(shí)現(xiàn)。 第一個(gè)從大數(shù)據(jù)的角度上做數(shù)據(jù)驅(qū)動(dòng)，把所有的數(shù)據(jù)進(jìn)行建模，并且學(xué)習(xí)數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系，學(xué)習(xí)數(shù)據(jù)的記憶模型；第二個(gè)是要用知識(shí)渠道，構(gòu)建知識(shí)圖譜。 不過(guò)，只這兩個(gè)方面還是遠(yuǎn)遠(yuǎn)不夠的。唐教授指出：真正的通用人工智能，我們希望它有持續(xù)學(xué)習(xí)的能力，能夠從已有的事實(shí)、從反饋中學(xué)習(xí)到新的東西，能夠完成一些更加復(fù)雜的任務(wù)。 唐教授從人的認(rèn)知和意識(shí)中抽象出來(lái)了 9 個(gè)認(rèn)知 AI 的準(zhǔn)則：

適應(yīng)與學(xué)習(xí)能力

定義與語(yǔ)境化能力

自我系統(tǒng)的準(zhǔn)入能力

優(yōu)先級(jí)與訪問(wèn)控制能力

召集與控制能力

決策與執(zhí)行能力

錯(cuò)誤探測(cè)與編輯能力

反思與自我監(jiān)控能力

條理與靈活性之間的能力

在這 9 個(gè)準(zhǔn)則的基礎(chǔ)上，提出了一個(gè)全新的認(rèn)知圖譜的概念，包括三個(gè)核心：

常識(shí)圖譜。比如說(shuō)高精度知識(shí)圖譜的構(gòu)建，領(lǐng)域制度的應(yīng)用系統(tǒng)，超大規(guī)模城市知識(shí)圖譜的構(gòu)建，還有基于知識(shí)圖譜的搜索和推薦等。

邏輯生成。與計(jì)算模型相關(guān)，需要超大規(guī)模的預(yù)訓(xùn)練模型，并且能夠自動(dòng)進(jìn)行內(nèi)容生成。

認(rèn)知推理。即讓計(jì)算機(jī)有邏輯推理和思維能力，像人一樣思考。

唐教授表示，知識(shí)圖譜+深度學(xué)習(xí)+認(rèn)知心理，打造知識(shí)和認(rèn)知推理雙輪驅(qū)動(dòng)的框架，將是接下來(lái)一個(gè)重要的研究方向。

目前，項(xiàng)目關(guān)鍵技術(shù)已經(jīng)通過(guò)成果轉(zhuǎn)化孵化了北京智譜華章科技有限公司（簡(jiǎn)稱智譜·AI），形成多個(gè)核心產(chǎn)品，在阿里巴巴、搜狗、華為、騰訊、點(diǎn)通、中國(guó)工程院等 30 余家企事業(yè)單位部署了超過(guò) 100 余套智能型云服務(wù)系統(tǒng)，應(yīng)用前景極其廣闊。

這家 AI 明星創(chuàng)業(yè)公司致力于打造可解釋、魯棒、安全可靠、具有推理能力的新一代認(rèn)知引擎，用 AI 賦能科技創(chuàng)新。依托清華大學(xué)團(tuán)隊(duì)十余年在知識(shí)智能方面的積累和人才優(yōu)勢(shì)，智譜?AI如今已經(jīng)構(gòu)造了高質(zhì)量大規(guī)模知識(shí)圖譜、研發(fā)了深度隱含關(guān)聯(lián)挖掘算法和認(rèn)知圖譜等核心關(guān)鍵技術(shù)，擁有完全自主知識(shí)產(chǎn)權(quán)，服務(wù)于政府部門、企業(yè)和科研機(jī)構(gòu)。 在 2020 年中國(guó)人工智能年度評(píng)選中，智譜?AI 也獲得 AI 明星創(chuàng)業(yè)公司 TOP10 及最佳解決方案 TOP10 兩個(gè)獎(jiǎng)項(xiàng)。以下為唐教授演講實(shí)錄（稍有刪減）： 為什么叫認(rèn)知圖譜？首先來(lái)看一下人工智能發(fā)展的脈絡(luò)，從最早的符號(hào)智能，再到后面的感知智能，再到最近，所有人都在談?wù)J知智能。我們現(xiàn)在需要探討計(jì)算機(jī)有沒(méi)有認(rèn)知，計(jì)算機(jī)能不能做認(rèn)知，計(jì)算機(jī)能不能做推理，甚至計(jì)算機(jī)到未來(lái)有沒(méi)有意識(shí)，能夠超過(guò)人類。 人工智能發(fā)展到現(xiàn)在已經(jīng)有三個(gè)浪潮，我們把人工智能叫做三個(gè)時(shí)代，三個(gè)時(shí)代分別是符號(hào) AI、感知 AI 和認(rèn)知 AI。認(rèn)知 AI 到現(xiàn)在沒(méi)有實(shí)現(xiàn)，我們正在路上。

那現(xiàn)在急需的東西是什么？是一些基礎(chǔ)性的東西，比如說(shuō)里面的認(rèn)知圖譜怎么構(gòu)建，里面認(rèn)知的一些邏輯，包括認(rèn)知的基礎(chǔ)設(shè)施怎么建，這是我們特別想做的一件事情。

做這個(gè)之前，我們首先回顧一下機(jī)器學(xué)習(xí)。提到機(jī)器學(xué)習(xí)，很多人立馬就說(shuō)我知道機(jī)器學(xué)習(xí)有很多分類模型，比如說(shuō)決策樹，這里最左邊列出了分類模型、序列模型、概率圖模型，再往右邊一點(diǎn)點(diǎn)就是最大化邊界，還有深度學(xué)習(xí)，甚至再往下循環(huán)智能，再往右就是強(qiáng)化學(xué)習(xí)，深度強(qiáng)化學(xué)習(xí)，以及最近我們大家提到更多的無(wú)監(jiān)督學(xué)習(xí)，這是機(jī)器學(xué)習(xí)的一個(gè)檔位。那么，機(jī)器學(xué)習(xí)離我們的認(rèn)知，到底還有多遠(yuǎn)呢？我們要看一看這個(gè)認(rèn)知以及人的思考，包括人的認(rèn)知到底怎么回事。

于是，我看了很多諾貝爾獎(jiǎng)和圖靈獎(jiǎng)得主的資料，大概整理出了這樣一頁(yè) PPT。下面是人的思考，在人的思考中得到所有的模型，上面是計(jì)算機(jī)圖靈獎(jiǎng)跟認(rèn)知相關(guān)的信息。在 1900 年初的時(shí)候，就有神經(jīng)系統(tǒng)結(jié)構(gòu)。后來(lái)到 1932 年左右有神經(jīng)元突觸的一個(gè)諾獎(jiǎng)，再到 60 年代有神經(jīng)末梢傳遞機(jī)制，到 1975 年左右有了視覺(jué)系統(tǒng)，到近年也就是 20 年前才有了嗅覺(jué)系統(tǒng)，直到二零一幾年的時(shí)候我們才有了大腦怎么定位導(dǎo)航，以及大腦的機(jī)理是怎么回事，這是諾獎(jiǎng)。 我們看一下計(jì)算機(jī)怎么思考的，即機(jī)器思考。

在 1950 年左右創(chuàng)立了人工智能系統(tǒng)，但是 1970 年左右大家開始拼命去模仿人腦，我們要做一個(gè)計(jì)算機(jī)，讓他跟人腦特別相同。但到 1990 年左右，計(jì)算機(jī)學(xué)家們突然發(fā)現(xiàn)我們沒(méi)有必要模仿，我們更多的是要參考人腦，參考腦系統(tǒng)，做一個(gè)讓計(jì)算機(jī)能做更多的機(jī)器思考，機(jī)器思維。所以我們?cè)谶@個(gè)時(shí)代，可以說(shuō)是一個(gè)計(jì)算機(jī)革命的一個(gè)變革，我們用更多的計(jì)算機(jī)思維來(lái)做計(jì)算，來(lái)做計(jì)算機(jī)的思考，而不是人的思考。 最后，我們出現(xiàn)了概率圖模型、概率與因果推理還有最近的深度學(xué)習(xí)。當(dāng)然，有人會(huì)說(shuō)，到最后你還在講機(jī)器學(xué)習(xí)，在講一個(gè)模型，這個(gè)離我們真正的是不是太遠(yuǎn)了？

我舉另外一個(gè)例子，Open AI。我們要建造一個(gè)通用人工智能，讓計(jì)算機(jī)系統(tǒng)甚至能夠超越人，在過(guò)去幾年連我自己都不信，我覺(jué)得通用人工智能很難實(shí)現(xiàn)。Open AI 做了幾個(gè)場(chǎng)景，在受限場(chǎng)景下，比如游戲環(huán)境下已經(jīng)打敗了人類。上面的幾個(gè)案例甚至開放了一些強(qiáng)化學(xué)習(xí)的一些框架，讓大家可以在框架中進(jìn)行編程。 下面就是最近幾年最為震撼的。兩年前 Open AI 做了 GPT，很簡(jiǎn)單，所有人就覺(jué)得是語(yǔ)言模型，并沒(méi)有做什么事情；去年做的 GPT-2，這時(shí)候做出來(lái)的參數(shù)模型也沒(méi)有那么大，幾十億的參數(shù)模型做出來(lái)的效果，我估計(jì)很多人都玩過(guò)，有一個(gè) Demo，叫 talk to transformer，就是跟翻譯來(lái)對(duì)話，你可以輸入任何文本，transformer 幫你把文本補(bǔ)齊。

但是今年 6 月份的時(shí)候，Open AI 發(fā)布了一個(gè) GPT-3，這個(gè)模型，參數(shù)規(guī)模一下子達(dá)到了 1750 億，數(shù)量級(jí)接近人類的神經(jīng)元的數(shù)量，這個(gè)時(shí)候給我們一個(gè)震撼的結(jié)果，計(jì)算機(jī)的參數(shù)模型，至少它的表示能力已經(jīng)接近人類了。有可能效果還不如，但是它的表示能力已經(jīng)接近人類了，也就是說(shuō)在某種理論證明下，如果我們能夠讓計(jì)算機(jī)的參數(shù)足夠好足夠充足的話，他可能就能跟人的這種智商表現(xiàn)差不多。 這時(shí)候給我們另外一個(gè)啟示，我們到底是不是可以直接通過(guò)計(jì)算機(jī)的結(jié)果，也就是計(jì)算的方法得到一個(gè)超越人類的通用人工智能？

我們來(lái)看一下，這是整個(gè)模型過(guò)去幾年發(fā)展的結(jié)果。幾乎每年參數(shù)規(guī)模是 10 倍左右的增長(zhǎng)，右邊的圖給出了自然語(yǔ)言處理中最近幾年的快速變化，幾乎是一個(gè)指數(shù)級(jí)的變化，可以看到，前幾年變化相對(duì)比較小，今年出了 GPT-3，谷歌到了 6000 億的產(chǎn)出規(guī)模，明年可能還會(huì)到萬(wàn)億級(jí)別。所以這是一個(gè)非?？焖俚脑鲩L(zhǎng)。 現(xiàn)在給我們另外一個(gè)問(wèn)題，我們到底能不能用這種大規(guī)模、大算力的方法，大計(jì)算的方法，來(lái)實(shí)現(xiàn)真正的人工智能呢？

這是一個(gè)問(wèn)題。 當(dāng)然另外一方面，大家看到也是另外一個(gè)痛點(diǎn)，所有訓(xùn)練的結(jié)果，大家看一下，GPT-3 如果用單卡的訓(xùn)練需要 355 年，整個(gè)訓(xùn)練的成本達(dá)到幾億的人民幣，一般的公司也做不起來(lái)?，F(xiàn)在另外一個(gè)問(wèn)題就是，就算是有美團(tuán)這樣的大公司做了這個(gè)模型，是不是大家都可以用了，是不是就夠了？ 這是一個(gè)例子，左邊是模型，右邊是結(jié)果。第一個(gè)是長(zhǎng)頸鹿有幾個(gè)眼睛？GPT-3 說(shuō)有兩個(gè)眼睛，沒(méi)有問(wèn)題。第二個(gè)，我的腳有幾個(gè)眼睛？結(jié)果是也有兩個(gè)眼睛，這就錯(cuò)了。第三個(gè)是蜘蛛有幾個(gè)眼睛？

8 個(gè)眼睛。第四個(gè)太陽(yáng)有幾個(gè)眼睛？一個(gè)眼睛。最后一個(gè)呢，一根草有幾個(gè)眼睛？一個(gè)眼睛。 可以看到，GPT-3 很聰明，可以生成所有的結(jié)果，這個(gè)結(jié)果是生成的，自動(dòng)生成出來(lái)的，但是它有一個(gè)阿喀琉斯之踵，它其實(shí)沒(méi)有常識(shí)。 我們需要一個(gè)常識(shí)的知識(shí)圖譜。 2012 年的時(shí)候谷歌發(fā)出了一個(gè) Knowledge Graph，就是知識(shí)圖譜，當(dāng)時(shí)概念就是，我們利用大量的數(shù)據(jù)能不能建一個(gè)圖譜？

于是在未來(lái)的搜索中，我們自動(dòng)把搜索結(jié)果結(jié)構(gòu)化，自動(dòng)結(jié)構(gòu)化的數(shù)據(jù)反饋出來(lái)。知識(shí)圖譜不僅可以包括搜索引擎，另外一方面可以給我們計(jì)算帶來(lái)一些常識(shí)性的知識(shí)，能不能通過(guò)這個(gè)方法幫助我們未來(lái)的計(jì)算呢，這給我們引出了另外一個(gè)問(wèn)題。 其實(shí)知識(shí)圖譜在很多年前就已經(jīng)發(fā)展，從第一代人工智能，就是符號(hào) AI 的時(shí)候就開始在做，當(dāng)時(shí)就在定義知識(shí)圖譜，就在定義這個(gè)符號(hào) AI 的邏輯表示，70 年代叫知識(shí)工程，但是為什么到現(xiàn)在知識(shí)圖譜還沒(méi)有大規(guī)模的發(fā)展起來(lái)？ 第一，構(gòu)建的成本非常的高，如果你想構(gòu)建得很準(zhǔn)的話，人工成本非常高。

你看 CYC 在 90 年代發(fā)展起來(lái)的，定義一個(gè)知識(shí)斷言的成本，就是一個(gè) ABC 三元組，A 就是主體，B 就是關(guān)系，C 是受體，比如說(shuō)人有手，人就是主體，有就是關(guān)系，手就是受體，就是這么簡(jiǎn)單的一個(gè)問(wèn)題，當(dāng)時(shí)的成本就是 5.7 美元。另外一個(gè)項(xiàng)目，用互聯(lián)網(wǎng)完全自動(dòng)方法的生成出來(lái)，錯(cuò)誤率一下提高的 10 倍，這兩個(gè)項(xiàng)目目前基本上處于半停滯狀態(tài)。 那怎么辦呢？我們現(xiàn)在就在思考，從計(jì)算角度上看認(rèn)知，究竟應(yīng)該怎么做？如果還用計(jì)算做認(rèn)知，該怎么實(shí)現(xiàn)？如果把剛才兩個(gè)東西結(jié)合起來(lái)應(yīng)該有這么一個(gè)模型。

第一，從大數(shù)據(jù)的角度，做數(shù)據(jù)驅(qū)動(dòng)，我們用深度學(xué)習(xí)舉十反一的方法，把所有的數(shù)據(jù)進(jìn)行建模，并且學(xué)習(xí)數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系，學(xué)習(xí)數(shù)據(jù)的記憶模型。 第二，我們要用知識(shí)驅(qū)動(dòng)，構(gòu)建一個(gè)知識(shí)圖譜，用知識(shí)驅(qū)動(dòng)整個(gè)事情。我們把兩者結(jié)合起來(lái)，這也許是我們解決未來(lái)認(rèn)知 AI 的一個(gè)關(guān)鍵。 那夠不夠呢？答案是不夠，我們的未來(lái)是需要構(gòu)建一個(gè)真正能夠超越原來(lái)的，超越已有模型的一個(gè)認(rèn)知模型。這樣的認(rèn)知模型，它首先要超越 GPT-3 這樣的預(yù)設(shè)模型，我們需要一個(gè)全新的架構(gòu)框架，也需要一個(gè)全新的目標(biāo)函數(shù)，這時(shí)候我們才有可能超過(guò)這樣的預(yù)訓(xùn)練模型，否則我們就是在跟隨。

舉幾個(gè)例子，這是我們最近嘗試做的一件事情。這兩個(gè)，大家覺(jué)得哪個(gè)是人做的？哪個(gè)是機(jī)器做的？其實(shí)這兩個(gè)都是機(jī)器做出來(lái)的，這是我學(xué)生做出來(lái)的一個(gè)來(lái)給大家?jiàn)蕵?lè)的。其實(shí)下面這個(gè)結(jié)果都不大對(duì)，內(nèi)容也是不對(duì)的，上面這個(gè)結(jié)果也是完全由機(jī)器生成出來(lái)的。但是你看一下邏輯基本上可行，就是目前我們需要做的是，讓機(jī)器有一定的創(chuàng)造能力，光文本還不夠，我們希望創(chuàng)造出真正的圖片，它是創(chuàng)造，不是查詢。

這里有一篇文字，我們希望通過(guò)這篇文字能夠把原來(lái)的原圖自動(dòng)生成新的圖片，這個(gè)圖片是生成出來(lái)的，我們希望這個(gè)機(jī)器有創(chuàng)造能力。當(dāng)然，光創(chuàng)造還不夠，我們離真正通用的人工智能還有多遠(yuǎn)？我們希望真正的通用人工智能能有持續(xù)學(xué)習(xí)的能力，能夠從已有的事實(shí)，從反饋中學(xué)習(xí)到新的東西，能夠完成一些更加復(fù)雜的任務(wù)。

這時(shí)候一個(gè)問(wèn)題來(lái)了，什么叫認(rèn)知？只要做出可持續(xù)學(xué)習(xí)就是認(rèn)知嗎？如果這樣的話 GPT-3 也有這種學(xué)習(xí)的能力，知識(shí)圖譜也有學(xué)習(xí)的能力，因?yàn)樗诓煌５母?。如果能完成一些?fù)雜任務(wù)就是認(rèn)知嗎？也不是，我們有些系統(tǒng)已經(jīng)可以完成非常復(fù)雜的問(wèn)題。什么是認(rèn)知呢？于是我們最近通過(guò)我們的一些思考，我們定義了認(rèn)知 AI 的九準(zhǔn)則。這九個(gè)準(zhǔn)則是我從人的認(rèn)知和意識(shí)中抽象出來(lái)的九個(gè)準(zhǔn)則。

第一個(gè)，叫適應(yīng)與學(xué)習(xí)能力，當(dāng)一個(gè)機(jī)器在特定的環(huán)境下，比如說(shuō)我們今天的 MEET 大會(huì)，這個(gè)機(jī)器人自動(dòng)的學(xué)習(xí)，它能知道我們?cè)谶@種模型下，在這個(gè)場(chǎng)景下應(yīng)該做什么事情。

第二個(gè)，叫定義與語(yǔ)境能力，這個(gè)模型它能夠在這個(gè)環(huán)境下感知上下文，能做這樣的一個(gè)環(huán)境的感知。

第三個(gè)，叫自我系統(tǒng)的準(zhǔn)入能力，我們描述的是這個(gè)機(jī)器它能夠自定義什么是我，什么是非我，這叫人設(shè)。如果這個(gè)機(jī)器能知道自己的人設(shè)是什么，那么我們認(rèn)為它有一定的認(rèn)知能力。

第四個(gè)，優(yōu)先級(jí)與訪問(wèn)控制能力，在一定的特定場(chǎng)景下它有選擇的能力。我們?nèi)硕伎梢栽陔p十一選擇購(gòu)物，如果機(jī)器在雙十一的時(shí)候能選擇我今天想買點(diǎn)東西，明天后悔了，不應(yīng)該買，這時(shí)候這個(gè)機(jī)器有一定的優(yōu)先級(jí)和訪問(wèn)控制。

第五個(gè)，召集與控制能力，這個(gè)機(jī)器應(yīng)該有統(tǒng)計(jì)和決策的能力。

第六個(gè)，決策與執(zhí)行能力，這個(gè)機(jī)器人在感知到所有的數(shù)據(jù)以后它可以做決策。

第七個(gè)，錯(cuò)誤探測(cè)與編輯能力，這個(gè)非常重要，人類的很多知識(shí)，其實(shí)是在試錯(cuò)中發(fā)現(xiàn)的，比如我們現(xiàn)在學(xué)的很多知識(shí)，我們并不知道什么知識(shí)是最好的，我們?cè)诓煌５脑囧e(cuò)，也許我們今天學(xué)到了 1+1 等于 2 是很好，但是你嘗試1+1 等于 3，1+1 等于 0，是不是也可以呢？你嘗試完了發(fā)現(xiàn)都不對(duì)，這叫做錯(cuò)誤探測(cè)與編輯，讓機(jī)器具有這個(gè)能力，非常地重要。

第八個(gè)，反思與自我控制、自我監(jiān)控，如果這個(gè)機(jī)器人在跟你聊天的過(guò)程中，聊了很久，說(shuō)“不好意思我昨天跟你說(shuō)的一句話說(shuō)錯(cuò)了，我今天糾正了?！边@時(shí)候機(jī)器具有反思能力。

最后，這個(gè)機(jī)器一定要有條理和理性。

我們把這些叫做認(rèn)知 AI 的九準(zhǔn)則。在九個(gè)準(zhǔn)則的基礎(chǔ)上，我們提出一個(gè)全新的認(rèn)知圖譜的概念。

常識(shí)圖譜有三個(gè)核心的要素。第一，常識(shí)圖譜，比如說(shuō)高精度知識(shí)圖譜的構(gòu)建、領(lǐng)域知識(shí)圖譜的應(yīng)用系統(tǒng)、超大規(guī)模知識(shí)圖譜的構(gòu)建，還有基于知識(shí)圖譜的搜索和推薦，這是傳統(tǒng)的一些東西。 第二，跟我們計(jì)算模型非常相關(guān)，我們叫邏輯生成，這時(shí)候需要超大規(guī)模的預(yù)訓(xùn)練模型，并且能夠自動(dòng)進(jìn)行內(nèi)容生成。同時(shí)我們?cè)谖磥?lái)可以構(gòu)建一個(gè)數(shù)字人的系統(tǒng)，它能夠自動(dòng)的在系統(tǒng)中，能夠生成相關(guān)的東西，能夠做得像人一樣的數(shù)字人。 第三，需要認(rèn)知推理，需要有認(rèn)知推理的能力，讓計(jì)算機(jī)有推理、有邏輯的能力。

說(shuō)起來(lái)比較虛，大家會(huì)問(wèn)什么叫推理邏輯？人的認(rèn)知有兩個(gè)系統(tǒng)，一個(gè)叫系統(tǒng) 1，一個(gè)叫系統(tǒng) 2，系統(tǒng) 1 就是計(jì)算機(jī)做的匹配，你說(shuō)清華大學(xué)在哪，它立刻匹配出來(lái)在北京，但是你說(shuō)清華大學(xué)在全球計(jì)算機(jī)里面到底排在第幾？以及為什么排在第幾？這時(shí)候就需要一些邏輯推理，這時(shí)候計(jì)算機(jī)就回答不了，這時(shí)候需要做邏輯推理，我們要思考優(yōu)勢(shì)在哪，人思考的時(shí)候叫系統(tǒng) 2，慢系統(tǒng)，里面要做更多復(fù)雜的邏輯思考。我們當(dāng)前所有的深度學(xué)習(xí)都是做系統(tǒng) 1，解決了系統(tǒng) 1 問(wèn)題，是直覺(jué)認(rèn)知，而不是邏輯認(rèn)知。我們未來(lái)要做更多的就是系統(tǒng) 2 的事情。

我們從腦科學(xué)來(lái)看，相對(duì)現(xiàn)在做的事情有兩個(gè)最大的不同，第一，就是記憶，第二就是推理。記憶是通過(guò)海馬體實(shí)現(xiàn)，認(rèn)知是前額葉來(lái)實(shí)現(xiàn)，這兩個(gè)系統(tǒng)非常關(guān)鍵，怎么實(shí)現(xiàn)呢？我們看記憶模型，巴德利記憶模型分三層，短期記憶就是一個(gè)超級(jí)大的大數(shù)據(jù)模型，在大數(shù)據(jù)模型中，我們?cè)趺窗汛髷?shù)據(jù)模型中有些信息變成一個(gè)長(zhǎng)期記憶，變成我們知識(shí)，這就是記憶模型要做的事情。 當(dāng)然從邏輯推理下，還有更多的事情要做，那我們現(xiàn)在怎么辦？認(rèn)知圖譜核心的東西就變成我們需要知識(shí)圖譜，也需要深度學(xué)習(xí)，我們還要把認(rèn)知心理的一些東西結(jié)合進(jìn)來(lái)，來(lái)構(gòu)造一個(gè)新的模型。

于是，最后一頁(yè)，我們構(gòu)建了這樣一個(gè)框架，這個(gè)框架左邊是一個(gè)查詢接口，這是輸入，你可以說(shuō)用戶端，中間是一個(gè)超大規(guī)模的預(yù)訓(xùn)練模型，一個(gè)記憶模型，記憶模型通過(guò)試錯(cuò)、蒸餾，把一些信息變成一個(gè)長(zhǎng)期記憶存在長(zhǎng)期記憶模型中，長(zhǎng)期記憶模型中會(huì)做無(wú)意識(shí)的探測(cè)，也會(huì)做很多自我定義和條例的邏輯，并且做一些認(rèn)知的推理。在這樣的基礎(chǔ)上我們構(gòu)建一個(gè)平臺(tái)，目標(biāo)是打造一個(gè)知識(shí)和認(rèn)知推理雙輪驅(qū)動(dòng)的一個(gè)框架。底層是分布式的存儲(chǔ)和管理，中間是推理、決策、預(yù)測(cè)，再上面是提供各式各樣的 API。

責(zé)任編輯：xj

原文標(biāo)題：【峰咖】清華大學(xué)唐杰教授：認(rèn)知圖譜是人工智能的下一個(gè)瑰寶

文章出處：【微信公眾號(hào)：機(jī)器人峰會(huì)】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。