IDEA创始人&理事长沈向洋：未来5年可能是人工智能最有突破的时候

文章来源：南方Plus，IDEA数字经济研究院
作者：金永胜

在香港中文大学（深圳）举行的2021人工智能与机器人国际研讨会上，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）理事长沈向洋发表了《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。

 

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。”