cncc 2016｜清华大学张钹院士起底： 后深度学习时代的人工智能 | 雷峰网-米乐m6平台
雷锋网按：本文根据张钹院士近日在 cncc 2016 上所做的大会特邀报告《《人工智能未来展望，后深度学习时代》》编辑整理而来，在未改变原意的基础上略作了删减。
张钹：ccf会士，2014ccf终身成就奖获得者，中国科学院院士，计算机专家，清华大学类脑计算研究中心学术委员会主任。曾任信息学院学术委员会主任物联网物联网，智能技术与系统国家重点实验室主任，中国自动化学会智能控制专业委员会主任，计算机学报副主宾，2011年德国汉堡大学授予自然科学名誉博士，2016年获微软研究员接触合作贡献奖等。从事人工智能理论、人工神经网络、遗传算法遗传算法、分形和小波等理论研究，以及把上述理论应用于模式识别、知识工程、智能机器人与智能控制等领域的应用技术研究，共发表论文200多篇，中英文专著4部。
今年是人工智能60周年，如果用人生的起步来衡量的话，已经进入了老年，不过还是有很多人希望人工智能能提供成熟的成果和技术，用来发展产业、发展经济进行科学研究。我今天做的报告，将通过分析时代的特点，这个时代下人工智能与计算机的可能命运，来重新认识人工智能，我们赖以生存的计算机，还有我们自己。
后深度学习的前提－人工智能的春天又来了
如今人工智能的春天又来了，不过和30年前在日本的那次相比，时间不同、地点不同，主题也不同，这一次是关于人工智能第二个成果，深度学习相关的。
从知识情报处理到深度学习
从第五代计算机到类脑计算机
从大容量知识库到大数据
从高速符号推理到类脑芯片
从自然语言理解到感知（机器人）
我想这一次是不是我们的机会，我们能不能弯道超车还是又一个日本的“五代机”？我的看法是这两个可能性都存在，关键我们怎么做。
中国有句老话，三十年河东，三十年河西，和30年前比现在有何不同？在我眼里两点，一点是大数据，另一点是概率统计方法（及其理论）。正是因为这两个因素催生了现在的深度学习大潮。
这个第一点大数据我不用宣传，大家看这个图就行。
这是在这种启发下建立的神经网络模型，这里神经网络模型里要着重讲下概率统计方法论，两个词，一个贝叶斯推理，一个概率统计，被“引进”了人工智能，并使得人工智能发生了革命性的变化。
其实很多人不知道，作为对当下人工智能有根本性贡献的概率统计，30年前的它跟现在的它还有很多不同。就是下图的四个里程碑。
我们现在能够做深度学习，能够在几百万、几千万的参数下做优化，很多人都以为是计算机变快，其实不完全是，而是要归功于概念统计方法的变化。这个变化使得我们现在能把深度学习做好。就是上面四个里程碑的出现，大家一定要注意上面的四个里程碑。
后来这些里程碑进一步发展成神经网络了，特别是深度学习，使用多层网络进行学习。所谓深度，就是层数比较多。由于用的深度学习方法，把模式识别、图像识别等识别方法的准确度提高了10%，这个事情又引起了深度学习的热。
为什么呢？因为深度学习解决了一个问题，有相当一部分人，按中文的说法，我们知其然，不知其所以然。我能识别了了马，但我们描述不了马，然后怎么办？那就用深度学习办法：
它可以解决一些不能完全表述的问题，也就是说“知其然，不知其所以然” 的问题。
第二个它能针对不确定性的问题，我们不断的变化，我可以不断的再学习，最后，它能解决不能清楚表达的问题。
另外，深度学习还有一个完全改变传统神经网络的作用，它不仅仅做函数映射，更重要提取那些多层次重复的模式，这是我们讲的真正公共的特征。
这样使我们做模式识别可以达到很高的水平，后来这些用到模式识别、用到语音，包括用到文本（现在正在做，但是效果不如前面，但也有一些效果），效果都很不错。
我们可以这么来说，深度学习这个第二个人工智能提供出来的成果，可以帮助我们解决在给定的数据库下，有了可利用的大数据，在感知信息处理上，有可能达到人类的水平甚至超过人类的水平。
后深度学习时代的人工智能
后深度学习时代的人工智能，就是想把人工智能从这个狭义的，只能解决一定范围的方法，推广更宽广的范围去，这就是我们现在讲所谓的弱人工智能、强人工智能、以及通用人工智能。那我们要做这个工作面临什么挑战？基本上面临三个挑战。
1）一个是概念统计方法带来的困难。
我们刚刚说概率统计方法，对人工智能起到了革命性的变化，但是也给人工智能带来极大的挑战，这就是概念统计本身的原因——通过大量的数据，它只能搞出来重复出现的特征，或者是数据中间的统计关联性，它找出来的不是本质上的特征、语义上的特征，它找出来的关系，也不是因果关系，而是关联关系。
这样做的后果是什么？这里有深度网络做出来的手写数字识别系统，各种各样的2它都能认出来，它声称它这个性能超过了人，识别能力很超前 。
但你们看，当我们用这种噪声去欺骗它，它可以用99.99%的置信度确认它是2，这在人是不可能发生的，为什么机器会发生，因为机器去认识这种0和1，不是根据0和1本身的性质来认识，而是通过黑白分布的统计性质来认识它，因为这排噪声跟2的统计是一样的，所以才有这样的错误。
这个在模式识别上没有问题，但如果用到决策就会出现大错，它甚至可以把一块石头看成是马。这个问题非常严重，也就是说深度学习区分的是重复的模型，但大脑区分的是语义的特征，这两种区分有本质的区别，但是有关联。
2）第二个，生数据带来的问题。
大数据有很多好处，其实大数据带来很大问题。我们现在大数据跟以前的大数据不一样，大量的数据是生数据。我们看网络上传来的数据都是掺杂了很多噪声，有骗人的，有各种垃圾，这种数据叫生数据。大家看下机器对于生数据和经过加工的数据的鲁棒性表现相对很差，不像人。
如果我们用右边的图去训练这个神经网络，它能很好认识的猫；如果用左边的图，它很难认识，因为它不知道猫在哪儿。这个吴教授在我们学校做报告的时候，我跟他开玩笑说，你老说你的好成果，不说你的毛病，它为什么能在猫脸与人脸的识别上都识别地非常好，因为它用训练例的时候，是经过精心挑选的，没有背景，没有经过加工。因此，这三样东西的识别都做地非常好。但如果正例、负例都随便取，那它的识别率只有百分之十几，几乎不认识，可见机器跟人的认识形式是很不一样，它非常不鲁棒。
3）第三个，推广能力，领域迁移。
这两种方法都是就事论事，都很难推广到不同领域，这就是我们的挑战。我们要从一个弱的智能到通用智能，必须要克服这种困难，如果解决这种困难，目前来讲两个解决办法。
两个解决办法
1）一个办法，是人工智能的这两个方法结合起来，因为这两个方法是互补的。
因为知识驱动跟语义挂钩，是理解；数据驱动是黑箱的方法，不理解，但可以保持从数据中提取模型。那么，前面那个必须有人工做模型，这个地方关键在哪儿？知识驱动方法是用离散的符号表示，深度学习是用高维空间里头的向量，这两个东西我们如果能把它 “沟通” 起来，就会把人工智能推动非常大地一步，现在世界上很多机构也在做这件事。
2）另外一个办法，就是回到神经网络的本源。
它是根据神经网络和深度学习借助于人脑神经的工作机制来形成的，人的神经网络有一套办法，这套办法可以借鉴到现在的人工神经网络来，这个工作，世界上也有很多机构在做。
我们一般把计算方法、深度学习，这两个东西如果能够沟通起来，现在主要做的沟通，这两个方法结合起来就会把人工智能推广大大的应用。
第二个，我一个文本看起来洋洋洒洒数万页，我为什么知道这里面说的是什么，因为不同局部的，我怎么从局部的信息，把它整合成为全局的认知，这个大脑里面也有一套办法，这里面也涉及到很多研究。如果我们把这些研究移植到这个地方来，把人工智能往前走一步。
后深度学习的计算机
现在对计算机有这么几个批评，一个你能耗太大，大脑这么大强，才25w，你这一个计算机得多少？另外一个批评，就是对冯诺依曼结构，人脑里面是处理跟存储在一起，你处理跟存储分开，所以对对现在的计算机说三道四。
我想给大家吃一个定心丸，现代的计算机，我们这个人工智能学会（里的人）还是可以靠它维持很长时间的。首先，现在大家讨论最热的一个是个量子计算、一个是类脑计算。大家不要量子计算一出来现在的计算就不行了，不对了。因为量子算法，目前只有一个算法，它就是因子分解，它可以把指数变成多样性，其它的都没用。其它的，这个计算机即使它出来，只有涉及到因子分解那些算法，它有可能加快，其他它目前还没有算法，算不了。所以量子计算机现在绝对代替不了现在的计算机，就像量子通讯代替不了现在的通讯一样。
我想给大家吃的第二个定心丸，现在讲的类脑计算，正确地讲叫brain inspired computer，而不是brain like，大脑你都不知道什么样子，你like谁呢。
如何建造计算，实现人工智能的两种途径，计算机方式或者学大脑的方式。数据提高了，加一个网络芯片，目前做这个工作的人基本上都得保留一些冯诺依曼架构，不能把冯诺依曼立马取消了。当然也有人直接从右边往左边做，这个是属于基础研究的一类，我们要做的话，这个类脑就需要学科的交叉，我特别推荐要数学、认知科学、心理学、神经科学和语言学等。
最后说一下，人工智能究竟有多大的希望呢？取决于我们对认知的世界的认知，取决于我们对自身的了解多少？
好了，我们把我们对自身的了解分成两个部分，左边部分是“我们知道we know”，右边那部分叫做“我们不知道”，所以我们把它画大一点。
我们知道的东西的白色的部分，这就是“我知道的知道”，这就是知其所以然更知其所以然，这就是白盒。（we know what we know）
比如说下国际象棋，就是我们能说清楚，我们知其所以然，又知其所以然，这个用传统的人工智能模型可以解决它。
我们知道的下方黑色部分，是“我们不知道的知道”。（ we don't know what we know）。
这是黑箱，感知就是这样，我们知其所以然，不知其所以然，我们知道那是张三，但我们说不清楚张三鼻子多高眼睛多大，那怎么办，用深度学习。
从黑箱到白箱中间有个灰色地带，好多问题有的说清楚，有的说不清楚。最典型的就是围棋，围棋有一部分能说清楚，而象棋都能说清楚，马为什么这么走，卒为什么要向前走，围棋绝大部分一颗白子为什么要落在这个地方，大师也说不清楚，他会说这是我的棋感。
棋感怎么做？这就是alphago的重大贡献，把棋感当作模式识别来做，你看到这个版面以后，你就应该知道怎么落子，这个版面就是一个模式，现在我们现在可以说，大师下围棋下得好，不是因为它太聪明了，而是他的模式识别能力非常强，棋子有一点点变化，他就知道变了，就知道我的策略要变，这个就是用传统模型 深度学习，alphago就是这么做的，蒙特卡洛搜索＋深度学习。这就是我们不知道的知道。
还有蓝色的部分，我们是不知道，但是我们（清楚地）知道我们不知道。（we know what we don't know）
比如情感、意识等等，这个也能够用深度学习的方法来模拟，至少做到表面模拟。人工智能能做的这么多，这就是人工智能的厉害之处，为什么大家注意到，过去除了白色的部分，其它部分我们都不能做，人工智能却能够做这一切。
但是唯独黄色这部分，我们都不知道我们不知道。（we don't know what we don't know）
我们都不知道怎的情况下怎么做呢？脑科学研究覆盖了所有，所以，我们的信息是建立在这个基础上，我们不知道的我们不知道，变成我们知道的我们不知道，再把它变成我们知道的我们知道。传统的算法只占在白色部分的一小部分，也就是说可以建立数学模型的问题，所以，我们为什么说人工智能寄予这么大的希望，原因就在这儿。
我就说这么多，谢谢大家。
