“深度學(xué)習(xí)的鑰匙丟在了黑暗角落?！睆堚撛菏坎恢挂淮翁岢鲞@個論點(diǎn)。深度學(xué)習(xí)方法易受欺騙、易受攻擊已經(jīng)是研究者們達(dá)成的共識，追其根本原因，張鈸歸結(jié)為：大家只是在燈亮的方向?qū)δＰ托扌扪a(bǔ)補(bǔ)，沒有向人類深入學(xué)習(xí)。更為具體的是：沒有在數(shù)據(jù)驅(qū)動的基礎(chǔ)上引進(jìn)知識，沒有改變深度學(xué)習(xí)網(wǎng)絡(luò)的模型與結(jié)構(gòu)。

對人工智能發(fā)展的三個階段進(jìn)行剖析：1.計(jì)算智能;2.感知智能;3.認(rèn)知智能。顯然，2019年是在第二階段渡過的，在2019年，我們進(jìn)一步研究語音識別，計(jì)算機(jī)人臉的識別，以及想方設(shè)法讓計(jì)算機(jī)加強(qiáng)語言文字處理能力。但是，對于第三階段，讓人工智能真正的進(jìn)行理解，進(jìn)行思考，進(jìn)行推理還尚未觸及到門檻。

“當(dāng)前的人工智能很多的研究，并不在于理解，是一個非常表象的匹配?！鼻迦A大學(xué)黃民烈在AI Time 第十期學(xué)術(shù)論壇中提到，“當(dāng)前的感知智能實(shí)際上是涉及機(jī)器的視覺、聽覺和觸覺感知的能力，主要是對深數(shù)據(jù)的處理，能做一些分類、檢測，然后基于這些再做初步的決策，特點(diǎn)是數(shù)據(jù)驅(qū)動，是一種典型的弱人工智能的范疇。”

這也就是說深度學(xué)習(xí)技術(shù)的確是推動了感知智能技術(shù)的快速發(fā)展，但是僅僅依靠深度學(xué)習(xí)技術(shù)是遠(yuǎn)遠(yuǎn)不夠的，深度學(xué)習(xí)是純粹基于數(shù)據(jù)的方法，屬于歸納的范疇，并不具有可解釋性。從感知智能走向認(rèn)知智能，僅僅依靠深度學(xué)習(xí)是遠(yuǎn)遠(yuǎn)不夠的，還需要有更多突破。

所以，從感知智能走向認(rèn)知智能必須把相關(guān)研究放在認(rèn)知層面，即將研究方向聚焦于人的語言、認(rèn)知和邏輯相關(guān)方面，打造具有歸納的能力，有推理的能力，有知識運(yùn)用的能力的強(qiáng)人工智能。

認(rèn)知智能的獲取，AI研究的瓶頸

感知智能和認(rèn)知智能是人類的兩個不同的性質(zhì)，無法對這兩個行為進(jìn)行孰高孰低的評價。張鈸院士認(rèn)為人類的智能實(shí)際上是三個內(nèi)容，分別是感知智能、理性行為、人類的一些行為動作，這三個內(nèi)容加起來才是認(rèn)知智能。

在感知方面，最大的問題是無法從感性的認(rèn)識提高到理性，也就是說目前深度學(xué)習(xí)幾乎達(dá)不到從感性上升到理性。然而推理在攻克人工智能項(xiàng)目難題時非常重要，例如交互視覺的相關(guān)研究中，如果場景中有鏡子，呈現(xiàn)的場景是虛像，當(dāng)前的深度學(xué)習(xí)算法無法有效處理，這時候便需要推理。

在醫(yī)學(xué)影像中，如果如果兩根血管離的非常近，深度學(xué)習(xí)很容易把兩個并在一起，準(zhǔn)確區(qū)分則需要進(jìn)行推理。讓機(jī)器獲得推理能力，就要讓機(jī)器做一個“人類”，模仿人腦思考的方式，建立新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，賦予其足夠的表達(dá)力。

正如阿里巴巴的楊紅霞在AI Time第10期中談到：“小朋友觀看一次狗的圖片，就能認(rèn)識到狗這個物種，但是機(jī)器需要訓(xùn)練成千上萬張圖片才不會犯錯誤;對于一只狗眼睛，人可能下意識的感知到這是一只狗的眼睛，機(jī)器可能會因?yàn)?a target="_blank">信息不充分判斷失敗”。

所以，用少量的信息得到最好的效果，也是機(jī)器獲得認(rèn)識智能的一個表現(xiàn)。將數(shù)據(jù)和知識結(jié)合獲得認(rèn)知是學(xué)界達(dá)成共識的一個方法，但是知識獲很困難，將數(shù)據(jù)和知識結(jié)合更加困難。讓AI獲得知識的知識庫在業(yè)界稱為“知識圖譜”，它不僅要關(guān)注知識點(diǎn)還要關(guān)注知識點(diǎn)間的關(guān)聯(lián)。這些關(guān)聯(lián)將賦予AI聯(lián)想力。

提到水，它要反映到密度、透明等多個性質(zhì)聯(lián)系起來，更高級的是計(jì)算出用多大力道去取水。知識圖譜的建立非常困難，人類海量的知識如何翻譯成機(jī)器的語言，并與之建立聯(lián)系，很成問題。

尤其是之前這項(xiàng)工作一直是人工完成的，例如谷歌詞庫、百度百科、維基百科等都可以轉(zhuǎn)換為知識圖譜，但工作量大、內(nèi)容異常龐雜。

幸好，有一些思路為我們提供了參考，例如圖神經(jīng)網(wǎng)絡(luò)在對圖節(jié)點(diǎn)之間依賴關(guān)系進(jìn)行建模的強(qiáng)大功能，使得與圖分析相關(guān)的研究領(lǐng)域取得了突破;從人腦中借助的注意力機(jī)制、記憶、遺忘也很好的改變了現(xiàn)有的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)計(jì)動態(tài)神經(jīng)網(wǎng)絡(luò)，根據(jù)外界的輸入，改變自身的結(jié)構(gòu)和參數(shù)。

正如達(dá)摩院2020十大科技趨勢預(yù)測中的那樣，人工智能會從感知智能向認(rèn)知智能演進(jìn)。人工智能已經(jīng)在“聽、說、看”等感知智能領(lǐng)域已經(jīng)達(dá)到或超越了人類水準(zhǔn)，但在需要外部知識、邏輯推理或者領(lǐng)域遷移的認(rèn)知智能領(lǐng)域還處于初級階段。

認(rèn)知智能將從認(rèn)知心理學(xué)、腦科學(xué)及人類社會歷史中汲取靈感，并結(jié)合跨領(lǐng)域知識圖譜、因果推理、持續(xù)學(xué)習(xí)等技術(shù)，建立穩(wěn)定獲取和表達(dá)知識的有效機(jī)制，讓知識能夠被機(jī)器理解和運(yùn)用，實(shí)現(xiàn)從感知智能到認(rèn)知智能的關(guān)鍵突破。獲取和表達(dá)知識重要的是有高效的學(xué)習(xí)系統(tǒng)，那么現(xiàn)在的學(xué)習(xí)系統(tǒng)，應(yīng)該怎么樣去積累，去獲得知識?

模擬人類大腦，構(gòu)建機(jī)器學(xué)習(xí)系統(tǒng)

觀察人類的進(jìn)化角度、發(fā)展的角度，從而讓機(jī)器學(xué)習(xí)這種角度是一個非常好的路徑，但是具體實(shí)施確是非常個困難。關(guān)于學(xué)習(xí)系統(tǒng)，張鈸院士在AI Time 學(xué)術(shù)論壇中提到：“對于人腦來說，其實(shí)從神經(jīng)元的表述來講，差別并不大，一個非常重要的原因，人類的大腦連接的很少，提供了非常靈活的學(xué)習(xí)機(jī)會，人類最大的優(yōu)勢就在于腦容量越大，但是都是不確定的，全是靠出生10多年不斷的產(chǎn)生連接，所以這屬于非常靈活的結(jié)構(gòu)。

這也就是說，學(xué)習(xí)知識的能力，并不是取決于神經(jīng)網(wǎng)絡(luò)已有的固定連接。人工智能的最終解決要依靠我們對大腦的工作有深入的了解，對大腦理解越多，對如何構(gòu)建學(xué)習(xí)系統(tǒng)就會更加清晰。

正如張鈸院士提到的那樣，目前我們對大腦的了解，在細(xì)胞這個量級上面，所有的重大問題都清楚，人腦細(xì)胞的重大問題基本上都解決了，但是這些知識對人工智能幾乎沒有什么用處，因?yàn)橐呀鉀Q的問題太細(xì)節(jié)了，太底層了，無法直接運(yùn)用。

真正對人工智能有用就是網(wǎng)絡(luò)，解決人腦的回路問題才是重點(diǎn)，然而現(xiàn)在在腦回路方面的研究非常粗淺?，F(xiàn)在的嘗試主要基于類腦計(jì)算，依靠神經(jīng)科學(xué)家和數(shù)學(xué)家。而早期的類腦計(jì)算(也可以狹義的稱為神經(jīng)計(jì)算)，將神經(jīng)元和突觸模型作為基礎(chǔ)，把這些模型用在許多現(xiàn)實(shí)中的識別任務(wù)，從而發(fā)揮模擬人腦功能，例如字體識別，人臉識別等等。

腦建模則是在認(rèn)知腦的基礎(chǔ)上進(jìn)行的，目前的類腦計(jì)算算法還有很大的研究價值，目前發(fā)現(xiàn)的生物學(xué)機(jī)制只有少部分使用了計(jì)算神經(jīng)學(xué)的方式進(jìn)行模擬，被用在類腦計(jì)算中的機(jī)制則更加有限。另外，計(jì)算機(jī)仿真工具和數(shù)學(xué)的理論分析仍然不夠完善，類腦計(jì)算沒有形成統(tǒng)一的理論框架，面對大數(shù)據(jù)時代還沒辦法取代深度學(xué)習(xí)等成熟算法和工具的地位。

? ? ? ?責(zé)任編輯：ct