一個送跑車上天的超級富豪，一個裝扮走哥特風的女歌手，畫風不搭的二人因為人工智能結緣。這是最新發生的與人工智能有關、影響力卻遠遠超出專業人群的新聞。誰都不否認人工智能的重要性和光明前景，然而言必稱人工智能的人，卻未必能說明白何為人工智能、它離取代人腦還有多遠。
人工智能是清華大學軟件學院副教授鄧仰東的主要研究方向之一。在他看來，雖然人工智能吊足了人們的胃口，但是大家還不必擔心AI會全面取代人類。
“AlphaGo確實是成功的，但是圍棋實際上遠沒有生活復雜。為什么這么說呢?圍棋是一個確定性的世界：每一步下法的可能性是確定的，整個棋局的歷史是公開的，現在的盤面中的關鍵棋子也是可知的。我們的生活就不一樣了。每一個觀測到的現象，背后可能都有多種可能性，而每一種可能性都設計到很多隱藏變量。這些不確定性，目前的人工智能技術還難以處理 。” 鄧仰東正在研究怎樣借鑒人腦處理不確定性的方法，構造新的人工智能技術，“人腦很擅長處理不確定性，特別是，人腦一方面能夠通過分布注意力和施加動作，去主動降低不確定性，一方面還可以使用貝葉斯推理和增強學習，不斷降低不確定性。”
鄧仰東的研究方向，從一開始的集成電路、集成電路計算機輔助設計、到GPU通用計算逐步進入機器學習領域。在他攻讀博士學位的卡內基梅隆大學，在人工智能方面的研究是全球頂尖的，特別是計算機學院的機器人研究所、語言技術研究所、人機交互研究所等，始終站在AI的前沿，只不過在他讀書時“沒有現在這么火。”
人工智能的發展漫長曲折。六十年前的達特茅斯會議奠定了學科的開端，最早出現的是用邏輯、概率推導數學定理的符號學派，在人們逐漸意識到人類本身就不全是靠邏輯解決問題后，這一學派已經不再是主流，取而代之的是模擬人腦的連接派。
“人腦就是一個大網絡，有一百多億個細胞，連接若干層的網絡。”鄧仰東說，最初模擬人腦的神經網絡只有一層，由于發現一層網絡無法擬合某些函數(例如異或)，六十年代成為人工智能的“冬天”，后來大家發現兩層以上網絡就能擬合任意函數，而杰夫辛頓等人提出用更深層網絡可以降低網絡整體規模， 但受限于上世紀80年代的計算能力，“雖然理論很好，算不出來也解決不了實際問題。”
直到2000年前后，計算能力提高，Yan LeCun構造了著名的人工神經識別網絡LeNet，能夠準確識別支票，讓人工智能第一次進入了人們的生活。隨后，斯坦福大學研究團隊通過給幾百萬張圖片打上準確標簽的方式，組織了多次圖像識別比賽，有力的推進了針對圖像識別的人工智能技術。2012年，斯坦福大學建立的深度網絡將機器圖片識別的錯誤率從過去20-30%降低到12%，2015年微軟將這一數字又降低到3.8%，超越了5%的人工識別錯誤率。“這是人工智能第一次超越了人類。”
AlphaGo打敗人類圍棋大師徹底點燃了大眾對人工智能的熱情。連接派基本成為主流，人們嘗試用深度神經網絡解決各種問題。人工智能正在融入各個領域，鄧仰東表示，目前應用最多的是視頻識別，比如交通領域對車牌的自動識別已經很成熟，其次是人臉識別，國內科大訊飛的語音也是比較成功的案例。很多人開始相信人工智能能解決任何問題，很快會超越人類，甚至上升到倫理的高度。
“人們總是把長期的事估計的過快發生，短期的事估計的過長發生。”在鄧仰東看來，即使是AlphaGo, 所要解決的還是高度確定的事件，但人類生活環境并不是黑白分明的，有很多不確定性、不可預期的情況發生，這是人工智能處理不了的。包括他正在進行的高鐵列車數據分析，也必須結合軌道交通領域的專業知識才可能把數據變成有價值的東西。
鄧仰東指出，目前美國人工智能的相關人才比中國多，但中國的優勢在于樣本量大、可供機器學習的數據多。2017年，鄧仰東的學生在PASCAL VOC和COCO兩項圖像識別競賽中，擊敗了牛津、微軟、Facebook等強勁對手，獲得兩項第一。這種比賽有點像人工智能的奧運會，但沒有比賽現場，而是讓選手們分頭訓練算法和模型，然后網上提交結果并使用不公開的測試數據進行評價。在鄧仰東看來，這種競賽對提高人工智能的能力非常重要。
今年他計劃派學生參加自然學家競賽，從40多萬張圖片中識別動植物，難點在于對物體的細微分類，甚至要具體到門綱目科屬種。
造一臺可以像人腦一樣思考和學習，具有自我意識的機器(AGI，通用人工智能)，是鄧仰東的遠景目標，“人工智能的根本還在于人腦，目前自由能原理(Free Energy Principle)已經形成了一種從宏觀上解釋生物認知過程的可能理論，有點像阿西莫夫基地系列小說里面的謝爾頓提出了心靈史學理論的草稿，我們可以從對抗神經網絡、貝葉斯推理以及計算機體系結構方面共同努力。”
京公網安備 11010502049343號