目前人工智能正在從感知智能走向認(rèn)知智能，將帶來新一輪的技術(shù)變革和社會經(jīng)濟(jì)變革。
4月7日，百分點(diǎn)科技特別邀請百分點(diǎn)認(rèn)知智能實(shí)驗(yàn)室名譽(yù)主任、自然語言處理（NLP）領(lǐng)域的國際著名學(xué)者、ACL終身成就獎得主、中國中文信息學(xué)會名譽(yù)理事長李生教授，以“人工智能正在由感知走向認(rèn)知”為主題進(jìn)行了講座分享。
|感知有所突破 認(rèn)知還在路上
李生教授認(rèn)為，人工智能經(jīng)歷了規(guī)則推理、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)三個階段，基于多層人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)是目前人工智能最有效的學(xué)習(xí)算法。深度學(xué)習(xí)在識別（感知智能）上已有突破，但在理解（認(rèn)知智能）上還有局限性，即將碰到天花板。
這是因?yàn)椋祟悓κ澜绲恼J(rèn)識可分為感性認(rèn)識和理性認(rèn)識兩種，感性認(rèn)識只能看到事物的表象，理性認(rèn)識能察覺到事物的本質(zhì)，能更深刻、更全面、更可靠地反映事物的本來面目，從而引導(dǎo)人們按規(guī)律辦事，有效地改造世界。
人工智能是對人類智能的模擬，也因此，感知智能對應(yīng)著感性認(rèn)識（識別），認(rèn)知智能則對應(yīng)著理性認(rèn)識（理解）。
目前，深度學(xué)習(xí)在人工智能兩大應(yīng)用技術(shù)機(jī)器視覺和語言語音處理方面都取得了“識別”上的突破，同時也遇到一些“理解”上的挑戰(zhàn)：
在圖像識別方面，深度學(xué)習(xí)甚至超過人類。有了深度學(xué)習(xí)之后，機(jī)器自動提取特征，解決了人工提取難度大、效率低的問題，圖像分割、目標(biāo)檢測、目標(biāo)跟蹤、圖像檢索、圖像增強(qiáng)和圖像濾波降維等都有了極大進(jìn)展。但它自適應(yīng)性及泛化能力還不強(qiáng)，光線以及遮攔都可能降低其穩(wěn)定性。
同時，計算機(jī)視覺還有一個更重要方向三維重建，它要求對圖像進(jìn)行語義理解，通常用于與環(huán)境的有效交互。比如CT等醫(yī)學(xué)影像的三維重建，還有自動駕駛及VR、AR等方面，需要走重建與識別融合的道路。
在語音處理方面，語音處理（識別）屬于感知的范疇，而語言處理特別是文本語言的處理則需要更多對語義的理解。語言理解的實(shí)質(zhì)是語義理解（說話人的意圖），目前還十分困難，一方面是由于語言的歧義性（一詞多義）和多樣性（一義多詞）；另一方面是高度依賴知識，除上下文內(nèi)容之外，還有語言知識（語法結(jié)構(gòu)）、專業(yè)知識、背景知識、常識性知識和先驗(yàn)知識等。
語義理解是自然語言處理（特別是機(jī)器翻譯）的重點(diǎn)也是難點(diǎn)，如何從形式與意義的多對多映射中，依據(jù)當(dāng)前的語境找出一種最為合適的對應(yīng)，是語義理解的核心問題。
也因此，無論是計算機(jī)視覺還是語音識別，都需要“理解”能力。但由于當(dāng)前人工智能缺乏理解，導(dǎo)致“認(rèn)知還在路上”。李生教授認(rèn)為，人工智能進(jìn)一步的發(fā)展必須逾越人類大腦思維能力鴻溝，解決不了推理問題機(jī)器就難以實(shí)現(xiàn)真正的認(rèn)知。
具體來說，深度學(xué)習(xí)目前還是引領(lǐng)人工智能發(fā)展的核心技術(shù)，作為多層神經(jīng)網(wǎng)絡(luò)，受腦神經(jīng)科學(xué)的啟發(fā)而發(fā)展起來。深度學(xué)習(xí)是聯(lián)結(jié)主義代表，基于概率統(tǒng)計的算法，采用監(jiān)督學(xué)習(xí)方式，并需要用大量標(biāo)注數(shù)據(jù)去訓(xùn)練模型，再用訓(xùn)練好的模型去測試未知數(shù)據(jù)。
但是，基于統(tǒng)計的數(shù)據(jù)驅(qū)動方法可能準(zhǔn)確率很高，但其魯棒性差，經(jīng)不起干擾，性能高低主要取決于訓(xùn)練數(shù)據(jù)的質(zhì)量。
而符號主義是研究并模擬人的思維方法，使用符號、規(guī)則和邏輯來表征知識，進(jìn)行邏輯推理。因此，未來的機(jī)器理解也應(yīng)該像人一樣，走歸納與演繹融合的道路，將聯(lián)結(jié)主義與符合主義相結(jié)合，將統(tǒng)計與推理相結(jié)合。
|從學(xué)術(shù)界出發(fā) 在產(chǎn)業(yè)界落地
總體來說，當(dāng)前人工智能仍然依賴算法，所用的深度學(xué)習(xí)算法還存在著不具備小樣本學(xué)習(xí)功能、泛化能力和抗干擾能力不強(qiáng)、不具備思考和知識推理能力等一系列局限性，人工智能的研究任重道遠(yuǎn)。
近年來，深度學(xué)習(xí)不斷在網(wǎng)絡(luò)深度和網(wǎng)絡(luò)結(jié)構(gòu)上做文章，但不管怎樣，它還是受腦啟發(fā)而不是類腦，人工智能與人類智能比較起來還存在著沒有意識、不能思維、不能推理等一些根本性的差異。
因此，李生教授認(rèn)為，不具有完全推理能力的人工智能不能算作真正的人工智能。人工智能的未來應(yīng)該是逐漸逼近人類智能，可能會有人腦思維和電腦思維兩種途徑，因此要從二者的差異入手，找出人工智能未來發(fā)展的出路。
未來需要研究與應(yīng)用并進(jìn)，從學(xué)術(shù)界出發(fā)、在產(chǎn)業(yè)界落地，用產(chǎn)業(yè)落地來推動學(xué)術(shù)的進(jìn)一步突破。研究與應(yīng)用并進(jìn)，技術(shù)與產(chǎn)業(yè)需求結(jié)合，變成可以落地的應(yīng)用系統(tǒng)。
在互動交流中，被問及人工智能未來的發(fā)展方向時，李生教授表示，近年來人工智能主要是歸納綜合，還不是演繹推理，比如GPT-3等訓(xùn)練模型體量大，能處理TB級的數(shù)據(jù)容量，但都屬于蠻力操作。
李生教授介紹，人工智能是個多學(xué)科交叉的技術(shù)領(lǐng)域，大家要不斷學(xué)習(xí)，啟發(fā)自己的思維，從現(xiàn)有的多學(xué)科研究成果中不斷獲取經(jīng)驗(yàn)，從而實(shí)現(xiàn)創(chuàng)新實(shí)踐。生物需要智能，市場也需要智能，做一個學(xué)術(shù)界和商業(yè)界兼得的優(yōu)秀智能人才。
由于機(jī)器善于計算數(shù)據(jù)，人類善于處理知識；機(jī)器對于解決靜態(tài)的，確定性的問題是強(qiáng)項(xiàng)，而人類經(jīng)常遇到的是動態(tài)的不確定性的問題。因此，要想突破人工智能的局限性，需要用腦科學(xué)牽頭，帶動計算機(jī)科學(xué)和數(shù)學(xué)等學(xué)科的深入研究。
未來要進(jìn)行“兩個加強(qiáng)三個結(jié)合”，一方面要加強(qiáng)基礎(chǔ)理論研究，包括腦科學(xué)和認(rèn)知科學(xué)、數(shù)學(xué)（微積分，線性代數(shù)，概率統(tǒng)計，邏輯推理）和計算機(jī)科學(xué)（算法，結(jié)構(gòu)）；另一方面加強(qiáng)基礎(chǔ)設(shè)施建設(shè)，包括芯片、傳感器、算法和平臺。
同時，在基礎(chǔ)理論上進(jìn)行學(xué)科交叉，用腦科學(xué)帶動數(shù)學(xué)和計算機(jī)科學(xué)，其算法是核心，學(xué)習(xí)一點(diǎn)復(fù)雜性和不確定性理論，研究一下復(fù)雜性和不確定性算法。
具體來說，要將軟件算法與硬件芯片結(jié)合、知識推理與數(shù)據(jù)統(tǒng)計結(jié)合、機(jī)器計算與人類認(rèn)知結(jié)合。 單純的經(jīng)驗(yàn)論和單純唯理論都會束縛人工智能的手腳，只有在理論基礎(chǔ)上取得根本性突破，才能避免走進(jìn)死胡同。
李生教授表示，人工智能的發(fā)展在于對人腦智能機(jī)理的逼近程度，是讓機(jī)器理解、掌握并運(yùn)用人類知識。 機(jī)器永遠(yuǎn)是人類的助手和工具，面對它、掌握它、用好它，人機(jī)融合才是發(fā)展的出路。
