在上周O'Reilly和英特爾聯合主辦的AI Conference 2018北京站大會上，京東集團副總裁、AI平臺與研究部負責人周伯文發表了演講，分享了AI市場的發展和AI所面臨的技術挑戰。

　　周伯文認為，通用人工智能的到來并沒有時間表，但是從ANI（狹義AI）到ABI（廣義AI）有七個主要的技術難題需要克服。第一需要系統地解決遺忘問題，需要做持續學習；第二AI需要具備嚴密的推理和邏輯的能力；第三是AI系統需要能在沒有任何輸入的情況下自我學習；第四是架構需要更新；第五是AI需要變成一個自己能夠組合，完成一個更復雜的系統；第六是打破黑盒；第七是去掉偶然的成份。（小羿）

　　以下為周伯文博士演講實錄：

　　周伯文：我今天想跟大家探討一個話題，大家都知道AI是一個方興未艾的市場，我想告訴大家，其實這個市場可以比這個大100倍。當然，我們要達到這個目標，我們需要更多的努力。今天我想跟大家分享一下這些思考，關于這些技術挑戰的思考。

　　就像我說的一樣，AI是今天所有人都在討論的話題。當我們在談AI的時候一般會談什么？我們會談很多非常出色的AI的系統，在各種比賽中，從最近的AphaGo到AlphaZero等等，再到更早1950年我們就做過一個用AI來下棋的一個Game。除了這種非常有明確規則和邊界的下棋之外，其實AI還能用這種天生帶有模糊性的自然語言理解和問題回答的競賽。在危險邊緣的百科知識競賽中，IBM的Watson擊敗了人類的冠軍。當然遠遠不僅僅是棋類比賽，AI還可以創作性的協作。這是我們2016年做的一個工作，讓AI讀新聞，一個字一個字的像人類一樣寫一個新聞的標題，第一段是一個新聞，第二段是我們人類記者寫的標題，第三段是我們的AI寫出來的標題。能夠發現有幾個非常值得注意的是，這個動詞是AI自己想出來的，原文里面沒有，上下文里面也沒有。對比的人類用的對此就不一樣，AI用的是一個更書面化的動詞。同時對于這個里面的主語，是馬來西亞的Mahathir，相對應的人類記者寫的是Mahathir的Leader。從這里可以看到，AI做了一個創造性的改變，他知道什么時候忠實于原文，什么可以創造。

　　人工智能還可以做更多的推理，這樣的工作就是用人工智能回答專業領域的問題，關于一個保險的問題?？蛻魡柕饺绻屹I一棟帶游泳池的房子，那我的保費會上升多少。這一類的專業問題，人工智能也回答的非常好。下面的答案是人工智能從很多文檔里面找出來的一個答案，但是這個答案的神奇在于，不但告訴你這是一個好的答案，而且幫你標出了為什么這個答案是好的，這個推理遠遠超越我們的想像。這里提到的，最后面這個角落提到把近鄰找出來，告訴這個用戶的鄰居是誰。這里面有一個專業的知識在里面，保費取決于你的風險，風險取決于你有沒有鄰居。如果你的鄰居在你的游泳池里面出事了，保險公司要承擔很大的責任，如果沒有鄰居，這個保費就不會很大，所以人工智能做了這么一個好的推理，告訴你這是一個好的答案。人工智能還能做很多機器閱讀、問題回答的例子。所有這一切，我想告訴大家，這一切都是我所說的狹義的人工智能的例子。今天我們仍然是從狹義的人工智能往廣義的人工智能在轉變，我到底狹義和廣義是指什么？我給大家花一點時間介紹一下。

　　大家可能聽過人工智能，聽到AGI，即通用人工智能。有些公司在研究。我們定義一下，to AGI，我們并不知道什么時候會到來。AI我們知道的比較多，今天的AI需要大量的數據，需要人工智能算法專家去設計架構，優化規則，設計程序去學習，每個任務都是分離和獨立的。通用的人工智能是我們做人工智能所有的研究者夢寐以求的東西，我們希望這個人工智能系統有更多的廣義的自主性。我們希望它能夠無時不在的都在學習，它能夠從閱讀中學習，從討論中學習，從觀察中學習，從做實驗中學習。我們希望這個人工智能系統的架構，它的特征表達、學習算法和優化算法是相互影響、相互一起來協作往前進，而不是說人設計一個再去設計另外一個，這是我們希望做的廣義的人工智能，或者說通用的人工智能。

　　就像我說的一樣，通用人工智能并沒有一個明確的時間表，我們看到這個定義也不是特別的清楚。我想廣義的人工智能是我們下一個里程碑。我把廣義的人工智能定義為有下面幾個特點：

　　第一，人工智能系統能夠自己去補充知識，能夠選擇性的補充知識，在離線的時候，會從不同的資源當中學習知識；

　　第二，它能夠保留和適應原有的這些人工智能模型，在新的任務里面，它能夠很快的適應，但是同時，它不會忘記已有的一些技能；

　　第三，因為它的學習方式，它的技能會越來越好，同時不會忘記原來的技能。

　　從ANI（狹義AI）到ABI（廣義AI）有七個主要的技術方向，需要我們的研究人員和技術工作者克服，跟大家簡單分享一下：

　　第一，ANI現在做的是狹隘的，一個個獨立的AI問題，ABI是要做廣義的、打通的終身學習。需要做到這個目的，就需要我們去系統的解決這個遺忘問題，做更好的Learning to Learning，需要做持續學習。

　　第二，我們現在的系統，大部分的神經網絡深度學習系統需要取得選擇性的彈性，為什么讓AI從頭到尾寫一本嚴密的推理小說是不可能的，因為他不可能做到這么嚴密的推理和邏輯。他們不能夠在很長的時間上去理解，這是一個很重要的能力。

　　第三，我們現在看到的人工智能雖然非常成功，大部分是來自于大數據。我們下面就需要從新的方向，我們需要不僅僅是標注的、監督的學習，也不僅僅是我們最近看到非常成功的這種，還有一種更極端的情況，就是連輸入都沒有，這個系統能夠自己自我學習，這個聽起來好像很神奇，但是我們人類就是這么做的。有一個生理現象，就是你每天晚上回到家的時候，你睡著了以后，你的大腦里面會重演一遍你今天做的事情，你在想什么做的不對，什么做的好，到第二天早晨起來的時候你還記得。這種情況下AI系統也會有，就是在沒有任何輸入的情況下自我學習。

　　第四是架構要變。我們現在是AI專家在設計，大家一起來學習，到將來AI一定是自己學習去更新。

　　第五，我們需要變成一個自己能夠組合，完成一個更復雜的系統，怎么組合，怎么完成更復雜的系統，這是AI需要自己去掌握的。

　　第六，今天的AI更多的情況下是黑盒，我們需要AI的公司讓用戶、專家能夠理解為什么要做這個決定。就像我剛才講的例子一樣，為什么說那個答案提到了回答保險公司的情況是一個好的答案，因為他提到了你的近鄰，給你解釋為什么是一個好的回答。

　　第七是關于優化，優化這一塊，我們今天人工智能的成功有點偶然的成份，我們做了一個神經網絡，理論上大家都知道它是非最優的。但是我們發現，好像在使用的系統當中也可以，這就導致今天AI大量的成功。但是如果達到了前面的那些目的，就是你在不停的演進，你的表征在演進。在這種新的框架下面，我們很難有運氣把這個問題解決。所以我認為，更有效的方式是一定需要的。

　　下面給大家舉兩個具體的例子，挑兩個方向給大家講一下近期的研究成果，讓大家看到一些ABI出現的一些前景。首先我想給大家講一下從所有可能的輸入中去學習，這個方向的研究領域很多，我給大家挑一個最近的工作，很有意思，就是機器閱讀、理解和問題回答。大家都知道，機器閱讀理解現在能夠非常好的回答百科全書的工作。一個原因就是能夠很好的標注這些數據，產生問題再產生答案去訓練。所以訓練數據里面，監督學習需要文檔，機器閱讀文檔，機器看這個問題，再看答案，再一起來做這個學習，幾十萬數量級的大數據做學習。如果我變成ABI，如果真的能夠閱讀理解跟人類一樣，那為什么你讀一個新的領域的文章還需要我給你標注數據呢？能不能自己讀完這個文章，就把這個文章看懂？所以我們現在做的一個研究就是，怎么能夠把一個系統回答問題，挪到一個新的領域。這個新的領域里面，不給他任何問題，他自己要學會，我們只測試數據和訓練數據。人是怎么讀的？我們想人讀新的文章，會自問自答，他講的是什么事情，什么問題。這是關于印度尼西亞的一個籃球員的新聞，來自CNN。有多少英國人被救了，答案是3個，文章里面提到過。從這個過程當中，就會產生新的領域的閱讀能力。我們做ABI的學習方式，跟人類的學習是非常像的。

　　我們把這個新的領域的閱讀理解問題回答變成兩個任務。一個就是我們去訓練一個教師系統，就是自問自答，我讀了這個文章產生哪些問題，讓用戶自己找到答案，通過這個過程，對這個過程加深了深刻的理解。我們把自己產生的問題和回答放到一起去訓練一個模型，去做新的領域的閱讀理解。所以可以看到這些結果，如果你不用原來百科全書的去做的話，如果完全給你一個標注的話，準確度高很多。但是如果我們用這種方法，完全沒有數據怎么去學？在很大程度上接近了后者，比前者好很多。

　　再講下一個話題，我們看到一些類腦（Brain-Inspired）的算法，很多人工智能做這些簡單的工作，跟人的大腦相比，這個差距是非常明顯的，我們的大腦是一個非均衡的動態系統。絕不僅僅是一個簡單的預測系統。將來的ABI和AGI，一定會結合這種彈性，包含什么時候該選擇記住，什么時候該選擇遺忘。你的記憶等等，所有的這些要融合在一起，就像我們坐的飛機跟鳥一樣去飛，現在缺乏這樣一個機制。我們現在做了一個終身學習，覺得更有彈性，更可靠。這其中一個問題就是，我怎么讓這個大腦，讓這個AI系統有可變化性，跟人類大腦一樣。為什么會這么講？因為大家可能不知道，在我們大腦中有一個現象，我們每天都有新的腦細胞在產生，也有腦細胞在死亡。所以你會在中國聽到一句話說，這個問題太難了，會死很多的腦細胞。但是即使是一個成年人，也會有很多新的腦細胞產生。

　　這種現象在我們AI里面的下一個工作，我們在做動態重構的一個工作。下面這個圖，中間那一層是一些個藍色的節點，可以想像成一個隱性的神經元。我們做的你可以想成是一個稀疏的，中間藍色的點代表了中間一層神經元。我們做的工作就是，我能不能在學習的過程當中動態的看一下這一層有多少神經元，可以加上這個神經元，也可以選擇性的模擬腦細胞的產生和死亡。這個產生的過程中，因為我在AI系統面臨不同的挑戰，就是我以前學的很好的東西，我現在做一個新的東西，我發現不適應了，所以腦細胞要死亡。人類說學這個東西死了很多腦細胞，我可能文科很好，做數學死了很多腦細胞，就說明有些腦細胞可能不適合學數學，所以會自然而然的死亡，但是有新的腦細胞產生，所以就會產生新的腦細胞，這是這張圖的意義。

　　我們看一下這個結果。通過這種做法，可以看到，我們現在做的是試圖重構不同的圖，不斷的改變系統測試的環境。這個系統本來的訓練是重構這個城市風光，城堡、別墅，我們動態產生一些讓它去重構這種植物、自然風光，包括花、草這些東西。這種環境不斷的變化，我們發現在學習過程當中，這個系統不斷的產生新的細胞和老的細胞。到最后動態產生的系統遠遠好于一個靜態的人工專家設計的系統。我們發現，這個結構更壓縮，更有效率，數據的規模更小，模型規模更小，這是一個非常有意思的視角。

　　如果我的整個演講，大家能夠記住一句話的話就是這句話：ABI意味著有更好的需求和標識數據，我們對專家人工系統，算法專家的依賴性會減少，我們會有更多可解釋的人工智能解決給大家分享。更重要的在于，你去設計和研發的一個AI系統，可以來做更多不同的任務。所有這一切合在一起，就會形成我們說的ABI。但是如果ABI能夠達到，對任何AI的應用企業，對AI的使用者來說，這意味著一個比今天大100倍的人工智能市場，謝謝大家！

<menuitem id="zjj55"></menuitem>

<menuitem id="zjj55"></menuitem>

<big id="zjj55"></big>

責任編輯：韓希宇