张钹:迈向第三代人工智能

10 月 11 日 AI科技评论
张钹:迈向第三代人工智能


人工智能 (Artificial Intelligence,简称AI)在60多年的发展历史中,一直存在两个相互竞争的范式,即符号主义与连接主义(或称亚符号主义)。符号主义(即第一代人工智能)到上个世纪八十年代之前一直主导着AI的发展,而连接主义(即第二代人工智能)从上个世纪九十年代逐步发展,到本世纪初进入高潮,大有替代符号主义之势。但是今天看来,这两种范式只是从不同的侧面模拟人类的心智 (或大脑),具有各自的片面性,不可能触及人类真正的智能。

清华大学人工智能研究院院长、中国科学院院士张钹教授在“纪念《中国科学》创刊70周年专刊”上发表署名文章,首次全面阐述第三代人工智能的理念,提出第三代人工智能的发展路径是融合第一代的知识驱动和第二代的数据驱动的人工智能, 同时利用知识、数据、算法和算力等4个要素,建立新的可解释和鲁棒的AI理论与方法,发展安全,可信,可靠和可扩展的AI技术,这是发展AI的必经之路。

全文链接:http://scis.scichina.com/cn/2020/SSI-2020-0204.pdf

以下全文刊载张钹院士的文章《迈向第三代人工智能》。


NeurIPS 2020论文接收列表已出,欢迎大家投稿让更多的人了解你们的工作~

点击阅读原文,直达NeurIPS小组~

登录查看更多
0

相关内容

在这篇评述文章中,清华大学人工智能研究院院长、中国科学院院士张钹教授阐述了自己对于「第三代人工智能」的看法。他认为,第三代 AI 发展的思路是把第一代的知识驱动和第二代的数据驱动结合起来,通过利用知识、数据、算法和算力等 4 个要素,构造更强大的 AI,目前存在双空间模型与单一空间模型两个方案。本文对这篇评述进行了全文刊载。

成为VIP会员查看完整内容
0
33

人工智能(AI)是指在机器上实现类似乃至超越人类的感知、认知、行为等智能的系统。与人类历史上其他技术革命相比,人工智能对人类社会发展的影响可能位居前列。人类社会也正在由以计算机、通信、互联网、大数据等技术支撑的信息社会,迈向以人工智能为关键支撑的智能社会,人类生产生活以及世界发展格局将由此发生更加深刻的改变。

  人工智能分为强人工智能和弱人工智能。强人工智能,也称通用人工智能,是指达到或超越人类水平的、能够自适应地应对外界环境挑战的、具有自我意识的人工智能。弱人工智能,也称狭义人工智能,是指人工系统实现专用或特定技能的智能,如人脸识别、机器翻译等。迄今为止大家熟悉的各种人工智能系统,都只实现了特定或专用的人类智能,属于弱人工智能系统。弱人工智能可以在单项上挑战人类,比如下围棋,人类已经不是人工智能的对手了。

  人工智能发展的基本思想和技术路径有三种

  人工智能研究工作肇始于20世纪40年代,但其完整概念在1956年才正式登上历史舞台,在美国达特茅斯学院举行的“人工智能夏季研讨会”上提出。这个研讨会的主题就是用机器来模仿人类学习以及其他方面的智能,推进了人工智能起起伏伏、螺旋发展的历程。

  第一个阶段,1956—1976年,基于符号逻辑的推理证明阶段。这一阶段的主要成果是利用布尔代数作为逻辑演算的数学工具,利用演绎推理作为推理工具,发展了逻辑编程语言,实现了包括代数机器定理证明等机器推理决策系统。但在人工智能理论与方法工具尚不完备的初期阶段,以攻克认知作为目标显然不切实际,人工智能研究逐步从高潮进入低谷。

  第二个阶段,1976—2006年,基于人工规则的专家系统阶段。这个阶段的主要进展是打开了知识工程的新研究领地,研制出专家系统工具与相关语言,开发出多种专家系统,比如故障诊断专家系统、农业专家系统、疾病诊断专家系统、邮件自动分拣系统等等。专家系统主要由知识库、推理机以及交互界面构成,其中,知识库的知识主要由各领域专家人工构建。然而,知识仅靠专家的手工表达实现,终不免挂一漏万,使得专家系统无法与人类专家与时俱进的学习能力相匹配,人工智能研究第二次进入瓶颈期。

  第三个阶段,2006年至今,大数据驱动的深度神经网络阶段,也是深度学习大行其道的时期。人工神经网络的发展,随着人工智能的发展起起伏伏。初期人们对其可以模拟生物神经系统的某些功能十分关注,但是对复杂网络的学习收敛性、健壮性和快速学习能力一直难以把握,直到上世纪80年代反向传播算法的发明和90年代卷积网络的发明,神经网络研究取得重要突破。深度神经网络方法走到前台,开启了人工智能新阶段。

  自诞生以来,人工智能发展的基本思想和技术路径总的来说有三种。

  第一种路径是符号主义或者说逻辑学派,形式逻辑是其理论基础,主张人工智能应从智能的功能模拟入手,认为符号是智能的基本元素,智能是符号的表征和运算过程。前述第一个阶段和第二个阶段中,符号主义都是主导思想。

  第二种路径是连接主义或者说神经网络学派,发源于上世纪40年代,强调智能活动是由大量简单(神经)单元通过复杂连接后并行运行的结果。其基本思想是:既然人脑智能是由神经网络产生的,那就通过人工方式构造神经网络,再通过训练产生智能。人工神经网络是对生物神经网络的抽象和简化。80年代神经网络的兴盛和近年来兴起的深度学习网络,都是包含多层神经元的人工神经网络。

  第三种路径是行为主义或者说控制学派,又称进化主义。这个学派在上世纪80年代末、90年代初兴起,思想源头是上世纪40年代的控制论。控制论认为,智能来自智能主体与环境以及其他智能主体相互作用的成功经验,是优胜劣汰、适者生存的结果。

  机器学习是未来方向,将人类从重复性劳动中解放出来

  机器学习是上世纪80年代中期发展起来的人工智能新方向。机器学习研究机器怎样模拟或实现人类的学习行为,以获取新的知识或技能,或者根据环境自适应地调整对策。机器学习可以让机器通过对经验进行“归纳”和“推理”而实现自动改进。

  目前,机器学习仍然是人工智能研究的热点之一,包括深度学习的可解释性和可信性,增强智能系统的自学习和自适应能力,以及无监督学习、多模态协同学习、强化学习、终生学习等新的机器学习方法。另外,考虑到数据安全和隐私保护,在数据加密或者部分加密的情况下如何学习,也是重要研究方向之一。在深度学习浪潮推动下,人工智能其他研究方向也在加速发展,包括机器感知、模式识别与数据挖掘、自然语言处理、知识表示与处理、智能芯片与系统、认知与神经科学启发的人工智能、人工智能和其他学科的交叉等。

  中国是世界上人工智能研发和产业规模最大的国家之一。虽然我们在人工智能基础理论与算法、核心芯片与元器件、机器学习算法开源框架等方面起步较晚,但在国家人工智能优先发展策略、大数据规模、人工智能应用场景与产业规模、青年人才数量等方面具有优势。

  中国的人工智能发展,挑战与机遇同在,机遇大于挑战。尽管是后来者,但我们市场规模大,青年人多,奋斗精神强,长期来看更有优势。如果说18世纪中叶蒸汽机带来第一次工业革命,持续了100年;19世纪中叶电力带来第二次工业革命,持续了100年;20世纪中叶计算机与通信带来第三次工业革命,到现在持续了70多年;我们可以预见,本世纪中叶前后人工智能可能会带来下一次工业革命,影响百年。当然,现在人工智能技术的储备还远没有达到开启智能时代的量级,还需要持续积累和创新。现在的计算机体系结构,还无法满足实现强人工智能的需求。未来可能的突破方向包括人工智能基础理论与算法、类脑计算、生物计算、量子计算等。

  其影响不仅关系国家发展,而且关系亿万劳动者日常生活。以深度学习为代表的人工智能技术高速发展并广泛应用,正在深刻改变人类社会生活的方方面面。产业界从提高效率、降低成本等角度,积极采用人工智能技术解决各种应用问题,包括智能机器人、智能制造、智能监控、无人驾驶、自动问答、医疗诊断、智能家居、政务法务等,为人类带来福祉。

  从就业角度来看,越来越多的超市、银行、餐馆开始使用机器服务,甚至律师、证券分析师等高知识含量工作也可能被机器人取代,这给劳动者就业带来挑战。人工智能的应用必然会提高劳动生产率,正如第一次工业革命期间,机器的应用虽然减少了传统轻工业就业岗位,但是也创造了更多新兴产业就业岗位。人工智能也一样,随着它的发展,将会产生很多新的工作岗位,只是对技能的要求与传统岗位不同。因此,随着人工智能的推进,教育培训体系也应该根据就业结构变化而积极调整,加快推进产业升级中的职业转岗培训。

  人工智能把我们从简单重复的劳动中解放出来,更有利于人类充分挖掘自己的智能潜力。面对即将到来的智能社会,我们应该以积极态度拥抱变化。与其担忧工作被抢走,不如与机器“共勉”,机器尚在持续学习,我们人类难道不应该更加努力学习、终身学习吗? 

(作者:高文,北京大学教授、中国工程院院士,黄铁军为北京大学教授)

推荐读物:

1.《人工智能导论》:李德毅主编;中国科学技术出版社出版。全面覆盖人工智能的基本概念和重要方向,图文并茂,通俗易懂。

2.《人工智能全球格局:未来趋势与中国位势》:国务院发展研究中心国际技术经济研究所等著;中国人民大学出版社出版。客观审视各国政府和科技公司的人工智能布局,讲述以科技创新领跑世界的中国故事。

3.《AI 的25 种可能》:[ 美] 约翰·布罗克曼编著;浙江人民出版社出版。25 位著名专家从不同角度解读人工智能,对专业人员和大众读者都具有启发性。

来源:人民日报

http://www.cac.gov.cn/2020-02/18/c_1583568733316229.htm

成为VIP会员查看完整内容
0
17
小贴士
相关资讯
人机融合智能的现状与展望
走向智能论坛
3+阅读 · 2019年2月17日
张钹院士:我们正在通往真正AI的路上
德先生
3+阅读 · 2018年7月1日
张钹院士:走向真正的人工智能(附报告全文)
走向智能论坛
7+阅读 · 2018年7月1日
谭铁牛院士:人工智能的春天刚刚开始(附PPT)
走向智能论坛
9+阅读 · 2018年5月29日
CCCF专栏:黄铁军| 也谈强人工智能
中国计算机学会
4+阅读 · 2018年2月15日
【深度】谭铁牛院士谈人工智能发展新动态
中国科学院自动化研究所
3+阅读 · 2017年12月28日
相关论文
Kristijonas Cyras,Ramamurthy Badrinath,Swarup Kumar Mohalik,Anusha Mujumdar,Alexandros Nikou,Alessandro Previti,Vaishnavi Sundararajan,Aneta Vulgarakis Feljan
10+阅读 · 9月1日
Financial Time Series Representation Learning
Philippe Chatigny,Jean-Marc Patenaude,Shengrui Wang
7+阅读 · 3月27日
Yantao Shen,Yuanjun Xiong,Wei Xia,Stefano Soatto
4+阅读 · 3月26日
Learning to Respond with Stickers: A Framework of Unifying Multi-Modality in Multi-Turn Dialog
Shen Gao,Xiuying Chen,Chang Liu,Li Liu,Dongyan Zhao,Rui Yan
12+阅读 · 3月10日
Adversarial Representation Learning for Text-to-Image Matching
Nikolaos Sarafianos,Xiang Xu,Ioannis A. Kakadiaris
6+阅读 · 2019年8月28日
Recommendation Systems for Tourism Based on Social Networks: A Survey
Alan Menk,Laura Sebastia,Rebeca Ferreira
3+阅读 · 2019年3月28日
Alexander Jung
9+阅读 · 2018年8月19日
Chenhui Chu,Rui Wang
11+阅读 · 2018年6月1日
Jianxin Lin,Yingce Xia,Tao Qin,Zhibo Chen,Tie-Yan Liu
3+阅读 · 2018年5月1日
Ermo Wei,Drew Wicke,David Freelan,Sean Luke
8+阅读 · 2018年4月25日
Top