聚焦益链科技区块链全球生态大会：人工智能的基础研究

　　区块链从来都不是孤身一人在战斗，它与大数据、人工智能等新兴技术紧密相连，影响着未来世界的发展。2019区块链全球生态大会上，上海交通大学卢策吾教授带来了题为《人工智能的基础研究》的精彩分享，深度剖析了人工智能的底层技术指标及面临的瓶颈。

卢策吾教授提到，从2012年开始，各种关于人工智能的新闻开始涌现，但是大部分新闻趋于表面，我们应该更多从人工智能基础研究看待这个行业的发展。

人工智能拥有什么样的特性?

按照从科学突破到产业革命的逻辑，电磁科学、计算机科学、人工智能科学等因为科学发展突破导致整个行业巨大的革命，因此人工智能是科学驱动型的产业。从基础科学到现实的产业革命，突破的时间越来越快，仅仅几年的时间就可以看到人工智能目前这么大的体量，由此可见各个国家也把人工智能当成科技发展的重点。

人工智能从1950年开始发展，途中有起有落，一旦有进展就会产生很大的波动。在70年代、80年代，人工智能是基于规则的专家系统，但是难点就在于规则很难写下来;到了90年代和00年代，出现了机器学习，机器学习默会知识表达，但是出现了计算力不足、算法表征能力不足、数据不够等问题。因此，人们在5到6年之前发展了深度学习，在三个方面产生了巨大的突破：GPU的出现，让计算能力大大提高;算法深度学习，让表征能力更强;大规模数据的驱动。恰恰在2012年，这三点都得到了突破。

为什么深度学习需要带来大量的数据?

这会带来什么问题?深度学习之后，人工智能会走向什么地方?人类可以通过几个特点就知道猫和狗的区别，但是对于机器来说，它需要在大量的数据当中寻找相似处。为什么需要大数据?因为深度学习就是在大量数据中找相似的地方做判断。数据是原油，也是枷锁。数据获取和计算力会存在人类可达边界，数据并不是什么都可以做，它在可达边界之外什么都做不好。因此，有多少人工就有多少智能，因为人工智能背后需要大量的数据，而每次的学习成本都会非常高。机器关联是通过信号相似性，小跨度的;而人类关联是基于理解，大跨度的，根本的区别决定当今人工智能会遇到什么样的瓶颈。

计算机看到车，它的深度学习是记下“车的模式”而不是“车的概念”，是基于信号相似和模式的记录而非基于理解。因此，学术界接下来会关注小样本学习、迁移学习、样本生成等问题，来推动人工智能下一步增长，每一小步的拓展都可以带来大领域的进步。

卢策吾提出，人的学习代价是随着任务增加呈下降趋势的，但深度学习的学习代价是随着任务增加而增加，人们也在思考如何突破这些壁垒。关联能力、推理能力、学习能力、知识构建……这些概念要落实、要可计算、要可被建模都很困难。下一步应该怎么走?定义问题比解决问题更重要，例如学习关联推理，“如何定义如何验证”在某个层面来说比基础研究更重要。

回到产业界关心的话题

1、这一轮人工智能热潮的底层技术驱动是什么?有什么特点?

人工智能的底层驱动就是深度学习，需要大数据，但是成本很高。

2、这轮AI产业热潮是否有泡沫，未来发展会不会进入瓶颈?

与互联网产业相比，互联网产业的科学根基是在80年代，而深度学习的科学根基是在2006年以前。从2002年互联网泡沫来看，一个基础科学成立之后，会产生很多有待完善的需求。互联网的科学根基达到了万亿美元规模的级别，人工智能的科学根基也逐步出现了无人车、行业机器人、智能医疗等项目，问题在于科学如何渗透到行业里面去。因此，深度学习的红利足以产生很大的产业规模，目前来看，这个红利还没有被完全消化。待深度学习的红利消化完之后，我们则需要有新的基础研究进展来突破瓶颈。

3、人工智能会不会带来更多的失业?

人工智能可能会带来工作方式的转换，越是有套路、关联跨度越小的工作，机器替代的能力会更强。

4、未来机器会不会威胁人类?

机器的行动目标只能由人类给予，机器不会自己给自己定目标，因此威胁人类的只能是人类自己。

卢策吾表示，理解人工智能的基础研究发展，可以帮助我们透过现象认清本质，从而洞悉人工智能产业未来的方向。从机器研究的角度看行业发展，回到大学和研究机构的任务和使命问题，我们应该成为人工智能基础研究中拥有关键技术和关键算法的先锋者、提出大问题和关键理论的思考者以及远见者。人工智能是一个全新的学科，从本科设计到博士培养都需要去探索。如何培养出世界顶级的人工智能博士?这些都是大学和研究机构需要考虑的问题。