牛津大学计算机系主任谈人工智能:符号主义与神经网络应融合发展

推荐会员: dtfaner199 所属分类: 行业精选 发布时间: 2016-08-13 22:26

AIR 010 | 牛津计算机系主任:AI中符号主义和神经网络应融合发展

AlphaGo击败李世石的成就让业界对人工智能刮目相看,大家也对deep learning(深度学习)技术既好奇又疑惑,兴奋的同时也面临着研究中的各种困难。在人工智能与机器人峰会上,AlphaGo背后的团队DeepMind成员之一、牛津大学计算机系主任、Oxford-DeepMind Partnership负责人,AAAI、EURAI Fellow 迈克尔伍尔德里奇Michael Wooldridge,就人工智能研究的现状和未来、成就与挑战作了报告报告分享。

Michael Wooldridge表示,目前神经网络型人工智能还存在许多限制,首先表现在它们无法理解人类社会关系。而对于神经网络型的人工智能,比如AlphaGo,我们也无法理解它是如何思考的。但是,人工智能要活得人类的认同,它必须有这种被理解的透明度。不过,

不过,有意识的机器会出现的,但在它出现之前,世界一定会有很多各种关于机器意识的迹象先产生,我们不会一蹴而就。

哪些技术可行,哪些不可行?

比如说深度学习和机器视觉,我们如何把所有这些技术能够结合在一起去实现人工智能?当中有哪些成功的机会?这些技巧如何帮助我们实现长期的人工智能的目标?

强AI很厉害,但弱AI才是当下追求的

对于弱人工智能和强人工智能,这是一个很重要的区分:强AI是通用型的,是属于我们在好莱坞大片中看到的——比如说天空漫游2001的机器人,这些机器人是有自我意识的,是自主的,它根本就是一个人一样具有各种的功能。

但是,这个是一个遥远的梦想,走到这一步还有很长的路才能实现,同时这也不是我们现在人工智能研究的方向,目前来说大部分的研究都是集中在我们叫弱AI。

弱AI只不过它的目标没有放在这么高和远,弱AI让机器和电脑做一些现在只有人脑或者是动物大脑做的事情,所以说弱AI是专注于具体的任务上——我当然知道弱不等于它就没有用,弱也不是就那么容易做,只是说针对性不同,所以弱AI主要是针对于非常具体的任务。

计算机现在到底擅长做什么?

电脑实际上设计的本意是做什么。电脑或者说计算机,如果不编程的话,其实电脑就是按照一些精密的指令来运算的机器,它可以按照你的指令去执行,执行的非常快,它一秒可以做上千万、上亿的数据。不过,电脑做的一切都是必须要分解到低阶简单而且是非常精确的指令。所以,如果超越这些的话电脑就无能为力了,但是,人工智能上必须要归纳到这个指令上,那么,目前来说计算机能做那些,不能做哪些呢?

电脑很容易做的是算术,比如说解决一些任务,人工智能基本上都能做,往下就比较难了。电脑可以做算术,做得又快又准,因为很容易把算术的算式表述成这种低接的指令,所以算术非常的简单,但是再难一点,比如说解决复杂的问题——开车,这个最近也已经攻克了,但是基本上是解题的一种任务,每个任务都是要把这个任务分解成简单的指令让计算机执行。

有意识的机器最终会出现吗?

再往下就是有意识的机器,为什么这这么难呢?比如说复杂推理,比如说玩游戏,玩一盘棋盘游戏要做复杂的推理,处理定义不清的问题——计算机要按照非常精准的指令执行,它执行得快但是你这个指令要清楚;另外还和感知有关,感知就是要理解我们周边的物理世界。

但是这个感知对计算机来说是很难的,而且感知对于自我驾驶的汽车来说是最难的一块。比如说造车目前来说比较简单,只要你知道驾驶的规则那就很容易,但是问题就是你开车的过程中怎么感知周边的环境?另外就是判断,判断是没有精准的规则的,很多时候要去看直觉、猜想,这对电脑来说是很困难的。

我们说强AI是一种有自我意识的物体,我觉得强AI应该短期内不会实现,而且我也不认为会出现AlphaGo这样的事件就能够引导到强AI。换句话说,机器它能够下棋,它能够识别人脸,做很多的任务,它做很多很多东西都好加在一起也不等于它就内有意识。

什么叫意识?我们也没有办法鉴别出一种有意识的机器。所以这种有意识的机器这不会一夜之间出现,但未来会出现。人也不会魔术师,有意识的机器出现之前前面会出现很多有意识的迹象,通过这种迹象来推出这种意识。比如说我们今天来开这个会,这就需要一种意识,我觉得这种突破都非常的重要,而且我觉得这个对社会有变革作用,最终这种技术的进步使得人类更健康,使得人类更有能力去做更多高效的活动,政府和商业更有效率,人工智能会给我们带来更大的好处。

神经网络型AI与符号主义AI的区别与融合

现在的人工智能有两种方法:一个是不时髦的,一个是很时髦的——神经网络型人工智能和符号主义型人工智能。

未来的人工智能必须要把两种融合在一起,神经我讲的就是一些神经架构,人工智能的这种架构是被人脑的神经系统所启发,另外一种就是符号法,符号法不是说复制一个大脑的结构,反而我们是把人脑的推理能力用符合表示出来。

人工智能深度学习和神经AI的优与劣

神经网络的AI其实是取决于人脑微结构的灵感,我们去看一下人脑的构造,基本上就是把一个想法输入到神经网络,进入到隐含的神经层单元。它如果获得了某一个配置之后,可以从中进行选择,而且在选择过程中对每一个输入有不同的权重,按照这个权重来进行计算。这个输入是代表了我们周边的环境,输出就反应了我们的行为的选择。

这是一个非常古老的想法了,早至1940年代就已经提出来,50年代就已经有这方面的人工智能的研究,但是在1970年代有点销声匿迹,1980年代又有一个新的突破。这是一个非常长的过程,在过去十年,这方面突发性地有大量的研究。因为是有真真正正的技术上的突破,这种神经网络需要三个元素:

第一个需要有这种算法的突破。

2004年在多伦多大学和世界上的一些学者提出一些基本上的一些根本性的新技术来怎么样把这个神经网络进行组织,但是最重要的他们还可以建造这个神经网络之后还需要大量大量的培训数据。

第二是训练数据。

过去说是大数据的十年,数据是我们现在所掌握的了,比如说我们有社交媒体,你拍了自拍,写了名字,等于是社交网络获取了你的信息,这些信息客观帮助我们神经网络进行训练,从而辨别人脸。

第三点需要有运算的能力才能够训练这种神经网络。

所以这正是在过去十年当中真正发展其他的,我认为正因为这三个因素导致我们最近深度学习和神经网络的重大的成功了突破。

给大家看一个小短片,它是DeepMin——这个是之前的程序,这个程序就是打电玩。它们在100个训练当中,刚开始玩得不怎么行,它也不知道自己在干什么,就做一些随机的行动。但是慢慢来通过训练之后,它玩得越来越好了。训练400次之后,基本上就像一个人类的选手一样。

这个游戏的开发者之前并没有预测到这样的行为,这个完全是学习到的行为。这个程序学到了如何玩