星耀计划 | 如何理解人工智能的技术路线？

上期我们留下了这样几个问题：

1、人工智能很热，也有不同的技术路线，像机器学习只是其中的一支，除了这个之外还有没有其他的一些技术路线？

2、人工智能现在数据越来越多，现在有很多厂家推出专用的硬件，以前是拿GPU来做，现在有了Google的TPU，百度还有一个XPU，中科院计算所有一个寒武纪，对于深度学习方面定制芯片又会如何看待呢？

大家心中有了正确的回答么？今天便与大家一同分享星耀计划人工智能专场——清华大学交叉信息学院李建教授为大家带来的高品质解答。

 

李建教授分享篇

确实人工智能有个阶段非常冷，尤其是神经网络的研究在那个阶段非常冷，也就是Hinton用deep learning在取得imagenet成功之前的10多年。人工神经网络其实很早就出现了，40年代，50年代就出现了，但在学术界有一段时间非常冷，论文很难被录取，落地应用也不多，只有为数不多的科学家在坚持研究，其中有一个最重要的科学家Hinton，他自己和他的小组在坚持做这件事情。最后成了深度学习取得现在的成功的最重要推动者。

神经网络教父 Geoffrey Hinton 

 

大众听到“人工智能”这个词感觉跟智能相关的一些东西都算，尤其人工智能比较火以后，各行各业的人都在往人工智能靠。但在那个比较冷的时期，很多人甚至都避免说是做人工智能的，有一段时间，你去问他你做什么的？他说我做机器学习不做人工智能，他说他做图像识别不做人工智能。

 

为什么这么说呢？因为人工智能在那个之前有一段时间非常火，大家对人工智能抱着太大的希望，就认为可能是实现通用的人工智能，也就是强人工智能，人工智能过几天要超过人类了，要毁灭地球，终结者。期望特别高，认为人工智能什么都能干，但发展了几十年，并没有预想的那么大的突破，期望有点落差。同时，又有其他几个方法跟神经网络不同的机器学习方法又发展了起来了，但这些方法的能力和效果和人们起初对强人工智能的期望相差很远，神经网络就被冷落了，追求通用人工智能的提法也被冷落了。

 

 

Hinton在imagenet上的成功证明了深度神经网络在特定任务上比传统的方法好很多，这个时候深度神经网络和人工智能在学术界引起大家关注。直到AlphaGo把这个带到每个人的视野。

 

在人工智能领域，近年来最有突破，最火的一个路线是神经网络。但是深度神经网络不是万能的。

 

首先它应用有一些局限，一般需要大数据，需要很大的数据量来训练一个大的模型。

 

另外需要比较精准的标注，深度神经网络一般对错误标注很敏感。机器学习分成有监督学习，无监督学习，如果用深度学习来做有监督学习需要标注，如果你的标注有些噪音深度学习效果上会大打折扣。但有些传统的机器学习方法反而对这些噪音容忍度比较高，在有噪音的情况下也能做的比较好。现在深度学习更有效的利用数据，有噪音的情况下也是学术界研究的主要方面。

 

另外一块相当于无监督学习，没有标注的学习。没有标注的学习和深度学习现在也是大家正在研究的，做得还不是特别好。实际上真正的智能可能主要是无监督学习，或者只有少量标注的有监督学习，半监督学习。比如一个小孩子怎么学习，小孩不是通过看了一千万张图片终于学会我怎么认识猫，只需要别人告诉他几次就够了。

 

 

人的学习过程跟深度学习网络的学习过程非常不一样，人可能是通过潜移默化的无监督学习，偶尔配监督学习，这种一般叫半监督学习的过程。这个过程现在学术界一个研究的主要重点。这个就是我们叫强人工智能的一个东西，我们希望达到一种智能，这个智能它能够自己学习，能够跟环境相互的交互，完成多种学习任务。这个我们就叫强人工智能，人工智能不光一个领域拿很多数据学习一下，强人工智能方法能适应多个领域，融会贯通。这样才有一点像人类的智能，这个在学术界大家认为还得走很长的路才能达到。

 

深度学习已经可以下围棋了，围棋这么复杂，大家感觉难以逾越，反而跟小孩对话这件事情反而做的不太好。只能说我们对很多特定的任务能够做出很好的算法来，但是可能这种通用人工智能实现还有距离。

 

另外其他几个技术路线：传统方法用得还是非常多，我们现在产业工业界用的除了图像识别，语音识别，文本分析用深度学习，比如无人车视觉相关的也是深度学习。但是其中比如像金融，金融领域有很大特点就是数据噪音非常非常大，因为是各方博弈的结果，价格曲线，各方博弈噪音非常大，深度学习有时候就不一定非常有效，可能需要传统的这种对噪音不是很敏感的方法，或者需要深度学习结合其他方法。

 

其他还有很多数据挖掘方法，比如我们目前的一个项目，反洗钱反欺诈。一般来说欺诈行为都是有一个团伙共同活动，数据中有很多非常特殊的模式，很多也不是用深度学习来做的，用的是数据挖掘或者其他无监督学习的方法来做的。传统的方法还是有很大的空间，尤其在工业界和实用界。可能我们现在把这些都说成人工智能，因为现在这个词比较热，可能更贴切一点是大数据分析，机器学习，数据挖掘技术。

 

 

关于深度学习芯片：现在的这些芯片都是去优化当前深度学习的框架，例如反向传播算法里面有很多矩阵的运算，等等，去优化这么一个具体过程。但是会不会说在学术界某一天有一个突破，用其他一个什么学习方法来完成深度学习过程。因为实际上很多学者都认为真正的智能不是现在的反向传播学习算法这么学习，但是他们相信人不是这么学习的，人是通过另外一种方式学习的。所以说存在其他的学习范式。

 

我想如果新的方法流行起来，可能会让目前的这些芯片受到一定的冲击，因为可能整个运行模式都不太一样了。但发现这种新的模式可能需要相当长的时间，因为现在很多新提法还在萌芽阶段，也许等它到成熟至少5年、10年，或者更长时间，这是我的一个看法。

 

罗茁 | 陆刚 | 王利杰 | 郑刚 | 羊东  | 李竹 | 刘小鹰

刘二海 | 陈维广 | 王童 | 陶宁 | 冯一名 | 李汉生

符星华 |  傅哲宽 | 李论 | 李晓宁 | 李家庆 | 徐新

李祝捷 |  盛希泰 | 徐晨 | 王啸 | 李宇辉 | 陈浩

 

 

星耀计划BP收集邮箱

zangels@zangels.org.cn

（姓名+联系方式+产品简单介绍+项目BP）

 

联系地址
中关村创业大街

NO.11号楼809

 

会员招募

招募范围

1、知名投资人、知名专家顾问、成功企业家或其他商业领域的领军人物；

2、天使投资人、早期投资机构及有意向从事天使投资的高净值人士；

3、各类大学科技园、创业孵化器及各类创业服务组织；

4、各类券商、律师事务所、会计师事务所及各类中介机构；

5、理事会员已投企业。

 

会员申请方式：

发送个人简历或单位介绍至

zangels@zangels.org.cn

 

在线申请

http://www.zangels.org.cn

 

长按识别二维码

进入报名入会

 

 

联系地址

北京市海淀区海淀大街34号海置创投大厦（中关村创业大街NO.11号楼）8楼809室

 

咨询电话

办公电话：010-57174644