美国国家工程院外籍院士沈向洋:未来5年可能是人工智能最有突破的时候

南方+ 记者

4月25日——26日,2021人工智能与机器人国际研讨会在香港中文大学(深圳)举行,本次大会以“历史转折期的科技”为主题,汇集了20余位中外院士和60余位业界专家,重点围绕人工智能和机器人技术、5G、数字技术等议题分享研究成果、研讨技术难题和交换创新见解,意在为我国目前在人工智能与机器人领域面临的技术挑战和关键应用难题寻找解决方案。

25日上午,美国国家工程院外籍院士、粤港澳大湾区数字经济研究院(IDEA)理事长沈向洋出席大会并发表《从深度学习到深度智能》的主题演讲。演讲中,沈向洋对过去十年人工智能发生的变化做了总结。他提到,当前我们在大数据利用和计算架构方面的创新有着很大的进步,但是通用人工智能的进展一直缓慢。此外,他表示深度学习只是狭义的人工智能,必须构建 robust AI 才能实现真正的强人工智能。

深度学习取得进展的10年

“我们必须认真思考智能的真正含义是什么。如果把人工智能进行分类,可以分为弱人工智能和强人工智能。”沈向洋说。

其中,弱人工智能对应的是深度学习,围绕单一任务点,需要大量数据做支撑,有时候不那么可靠,可移植性差/移植过后需要大量重新训练。强人工智能(robust AI)对应深度智能,强调系统化地解决宽泛的问题,具备灵活与动态的推理能力,可以很好地移植到不同场景。显然,当前需要的是强人工智能。我们想要综合各种来源的知识,期望AI能够对世界上正在发生的事情进行推理。就像人类一样,能够在一种语境中学习,在另一种语境中应用。

谈到深度学习,DNN(深度神经网络)是绕不开的话题,它的强大之处已经在语音、视觉、自然语言处理等领域得到了验证。而真正把深度神经网络用于语音识别的重要文章是2012年的《Deep Neural Networks for Acoustic Modeling in Speech Recognition》,这篇文章由包括Hinton在内的四个研究小组参与,那时的深度学习刚开始发挥威力。

自从这篇文章问世之后,深度学习不断取得进展。沈向洋总结过去十年,尤其是DNN问世到现在这段时间“人工智能”的三大变化:一是在大数据利用方面有着惊人的有效性,表现在DNN的巨大进步离不开海量数据的支撑;二是对计算能力的需求日益增长,表现在我们设计的算法越来越依赖于算力处理数据;三是虽然DNN有巨大进展,但通用人工智能的进展缓慢。

沈向洋做大会演讲

从深度学习到深度智能

当前有没有从深度学习转向深度智能的机会?在沈向洋看来,当前一些机器学习的结果对于每一个任务来说,已经不只是“分类器”,而是robust AI 智能体。例如它可以通过实践继续学习技能和知识(强化学习),以及探索示例(无监督学习)。这类智能体的特点是用比较少的学习次数,就能解决非常新的任务。

事实上,沈向洋最近在思考robust AI的时候感觉这三个方面在实现robust AI时大有可为:一是构建大规模的强机器学习仿真器。不仅是游戏,还有自动驾驶等复杂系统。二是对于机器学习本质的深度理解。从优化功能开始,思考我们从里面真正学到的是什么。三是基于神经与符号的混合模型(Hybrid Neural/Symbolic Model for Robust AI)。

雷蒙德微软研究院写了一篇论文,题目为《SOLOIST: Few-shot Task-Oriented Dialog with A Single Pre-trainedAuto-regressive Model》,文章中提出了一种新的方法,能够利用迁移学习进行高效地大规模构建面向任务的对话系统。

在沈向洋看来,这篇文章有两个亮点,其一是有个预训练模型GTG(Grounded Text generator),其二是该方法实现了真正的会话学习。

沈向洋相信:“接下来的5年可能是人工智能最有突破的时候,可以做出很多了不起的成果。”

大会现场观众认真聆听

【记者】金永胜

【摄影】谢昊燃

【海报设计】栾艺婷


大会专题入口:聚焦2021人工智能与机器人国际研讨会



编辑 史青玉
版权声明:未经许可禁止以任何形式转载
+1
您已点过

订阅后可查看全文(剩余80%)

更多精彩内容请进入频道查看

还没看够?打开南方+看看吧
立即打开