潘云鶴院士：人工智能邁向2.0
來源：中國科學報，作者：潘云鶴
近年來，人們對人工智能（AI）產生了濃厚興趣，產業界首先布局。大量資本與并購的涌入，加速了AI技術與應用的結合，并蔓延升溫。據美國CBInsight公司2016年7月報告，2011年至那時，谷歌、微軟、Twitter、Intel、Apple等IT巨頭收購了約140家AI領域的創業公司。僅2016年上半年，資本市場對AI投入已超2015年全年。
谷歌2014年高價收購DeepMind公司，2016年研制的AlphaGo戰勝了圍棋世界冠軍，2017年初又60連勝，谷歌自稱正從“移動優先”轉向“AI優先”。微軟小冰聊天機器人，正引導從傳統的“圖形界面”向“自然語言和情感理解交互界面”轉變；IBM開發Watson系統已進入醫院，正在改變腫瘤臨床診斷與治療的運作模式；百度公司因在機器翻譯、自然語言理解和智能汽車的布局，被評譽“最聰明的公司”……這些進步預示著AI技術將有大的飛躍。
1956年，美國學者首次提出AI概念，即讓機器能像人那樣理解、思考和學習，即用計算機模擬人的智能。AI進步的動力不僅來自于內部驅動，更來自于信息環境與社會需求等外部驅動。
隨著移動終端、互聯網、傳感器網、車聯網、穿戴設備等的流行，感知設備遍布全球，計算與人類密切相伴，網絡連接著個體和群體，快速反映與聚集他們的發現、需求、創意、知識和能力。同時，世界已從二元空間結構（物理、人類社會）演變為三元空間結構（信息網絡、物理、 人類社會），它們之間的互動將形成各種新計算，包括感知融合、“人在回路中”、增強現實（AR）、跨媒體計算等等。
智能化的需求牽引，使AI在城市、醫療、交通機器人、無人駕駛、手機、制造等發展中成為新技術、新目標，很多企業和城市已進行AI布局。
從過去追求“用計算機模擬AI”轉化為：用機器與人結合成增強的混合智能系統；用機器、人、網絡結合成新的群智系統；用人、機器、網絡和物結合成智能城市等更復雜的智能系統。
AI基本方法是數據驅動的算法，今后將涌現出大數據、傳感器、網絡、跨媒體等驅動計算，從而使大數據、感知融合、跨媒體等智能發展成為必然，傳統以字符為基礎的機器智能測試圖靈方法將受到挑戰。
當前，若干新技術變化已初露端倪，成為AI邁向2.0的技術萌芽。
以AlphaGo技術為例，其深度強化學習發展了“直覺感知（下一步在哪）”“棋局推理（全局獲勝機會如何）”和“新穎落子（想人所不敢想）”等能力，并將記憶人類棋局和自我博弈積累棋局結合了起來。目前，該深度學習技術的缺陷是不可解釋、不通用，需要大數據智能的發展來解決。
事實上，大規模個體通過互聯網參與和交互，可實現超乎尋常的智慧能力。如美國普林斯頓大學Connectome項目開發的EyeWire游戲，玩家可對顯微圖像中單個細胞及其神經元連接按功能進行涂色，145個國家的16.5萬多名科學家及志愿者參與，首次詳述了哺乳動物視網膜神經組織如何檢測運動的結構功能關系等。群智計算將極大提高人類社會的智能水平，用途廣，其理論和技術尚處原始階段。
2008年，中國科學家率先提出了“跨媒體計算”概念。2010年，《自然》發文指出，文本、圖像、語音、視頻及其交互屬性將緊密混合一體，即“跨媒體”。跨媒體智能是機器認知外界環境的基礎，對語言、視覺、圖形和聽覺的語義貫通是實現聯想、設計、概括、創造等智能行為的關鍵。當前，其尚處發展萌芽狀態，可望形成新一代AI的重要領域。
用計算機模擬人的智能固然重要，而讓計算機與人協同，取長補短成為一種“1+1>2”的增強性智能系統則更為重要。當前，各種穿戴設備、智能駕駛、外骨骼設備、人機協同手術等紛紛出現，而宏觀系統的人機協同有更大空間，預示著人機協同增強智能系統的前景廣泛。
AI誕生之際，機器人被列入目標領域，仿生學也成為重要發展方向。但大多數案例表明，對原有機械裝備進行智能化和自主化升級，要比類人機器人更高效。因此，自主智能系統將成為新一代AI的重要方向，也對制造業升級尤為重要。
綜上所述，人們給出的AI2.0初步定義是：基于重大變化的信息新環境和發展新目標的新一代人工智能。其中，信息新環境是指互聯網與移動終端的普及、傳感網的滲透、大數據的涌現和網上社區的興起等。新目標是指智能城市、智能經濟、智能制造、智能醫療、智能家居、智能駕駛等從宏觀到微觀的智能化新需求。
AI2.0的技術特征表現在：一是從傳統知識表達技術到大數據驅動知識學習，轉向大數據驅動和知識指導相結合的方式，其中機器學習不但可自動，還可解釋，更廣泛；二是從分類型處理多媒體數據（如視覺、聽覺、文字等），邁向跨媒體認知、學習和推理的新水平；三是從追求“智能機器”到高水平的人機協同融合，走向混合型增強智能的新計算形態；四是從聚焦研究“個體智能”到基于互聯網絡的群體智能，形成在網上激發組織群體智能的技術與平臺；五是將研究的理念從機器人轉向更加廣闊的智能自主系統，從而促進改造各種機械、裝備和產品，走上智能化之路。
相比以往，AI2.0將不但以更接近人類智能的形態存在，而且以提高人類智力活動能力為主要目標，將緊密融入人們的生活（跨媒體和無人系統），甚至擴展為人身體一部分（混合增強智能），可以閱讀、管理、重組人類知識（大數據智能與群體智能），為生活、生產、資源、環境等社會發展問題提出建議，在越來越多的專門領域的博弈、識別、控制、預測中接近甚至超越人的能力。
中國正值工業化、城鎮化、信息化、農業現代化和綠色化發展高潮，急需通過AI發展不斷改善人民生活，提高社會生產力，優化城鎮的發展，提高資源利用水平，促進教育、醫療、貧困、環境、資源等緊迫問題的解決。
建議中國布局實施AI2.0時，一是要與重大需求和已積累的發展成果相結合，如電子政務、電子商務、快遞物流、智能城市及大數據等先行理念或技術成果；二是研究內容要圍繞大數據智能、互聯網群體智能、跨媒體智能、人機混合增強智能、自主智能系統等新一代方向；三是要推動和全球各國科學家與智庫開展合作，推動人工智能技術沿著服務人類的正確方向升級。
（作者：中國工程院院士、中國工程院原常務副院長，此文英文版發表于中國工程院院刊《Engineering》）
麻省理工機器學習峰會：
人工智能重塑世界
來源：人工智能快報（ID:AI_News）
據麻省理工學院網站報道，在麻省理工學院和風險投資公司Pillar聯合舉辦的機器學習峰會上，行業領導者、計算機科學家以及風險投資家匯聚一堂，討論智能計算機如何重塑我們的世界。
戰勝乳腺癌的經歷改變了麻省理工學院教授瑞加娜·巴爾齊萊（Regina Barzilay）的研究方向。這段經歷清楚明白地告訴她，腫瘤醫生及其患者極度缺乏以數據為驅動的決策工具。這不僅包括推薦哪些治療方法，還包括患者的樣品是否真的能確診癌癥，她在峰會上表示：“我們更多地將機器學習用于確定會在亞馬遜網站（Amazon）上購買哪支口紅，而不是確定是否應接受癌癥治療。”
現在，巴爾齊萊教授使用“機器學習”這種強大預測性方法研究智能計算可以如何幫助患者。借助這項技術，ows計算機可以在獲得足夠數據和訓練的前提下，自行辨認出模式，有時甚至能夠超出人類可以指出的模式。
一直以來，機器學習在消費產品領域被大肆報道（例如，蘋果公司的Siri可以和我們聊天，是因為機器學習讓她能夠理解自然人類語言），而本次峰會讓大家得以瞥見這個方法更廣闊的前景。它不僅能夠提供更好的Siri（例如，亞馬遜的“Alexa”），還能夠改進醫療保健和政府政策。
機器智能“絕對會徹底改變我們的生活”，Pillar的聯合創始人表示。他也是這次會議的組織者之一。該會議讓行業領導者，風險投資家，學生，以及來自計算機科學與人工智能實驗室（CSAIL），數據、系統和社會學院（IDSS），信息與決策系統實驗室（LIDS）的教職人員齊聚一堂，討論真實世界中的問題以及機器學習解決方案。
巴爾齊萊教授已經沿著這個方向思考，其小組的工作旨在幫助醫生和患者借助機器學習做出更明智的決策。她設想未來的患者來到腫瘤醫生的辦公室時，醫生可以告訴患者：“如果您采用這種治療方法，治愈幾率會如何變化。”
機器感知
機器學習已被證明十分強大。但該校一名教授認為，機器可以更快速地學習，從而完成更多任務。他的團隊所采用的方法是模仿人類在嬰兒時期的學習方式。他說：“我們從玩耍開始，了解各種事物給我們帶來的感受。”為了說明這一點，他播放了一段嬰兒手中翻轉發出吱吱響聲的氣泡包裝膜的視頻。“重點在于，我們注意到，移動這些物品時，物品會發出各種聲音。”
為了讓機器能夠以類似的方式感受這個世界，他的一名學生錄下了自己使用木槌輕擊超過1000種物品的聲音。這個聲音集合被稱之為“最美敲擊（Greatest Hits）”，包括木槌敲擊陶瓷杯具、灌木搖曳和流水飛濺時的聲音。獲得這些視頻輸入后，計算機可以開始預測這個世界的聲音，并從本質上反映其物理特性。這都無需做出明確的指示。
日常場景視頻（沒有木槌）也被證明是機敏的老師。通常會使用帶注釋的圖片訓練機器，指導它們辨識物體。這意味著程序員會十分細致地列出照片中的每個物體，例如人、燈和高腳椅，以便計算機能夠學會如何識別它們。但該團隊發現，通過向計算機提供具有物體聲音的視頻（例如街道的環境噪聲或人們的談話聲），機器的神經網絡可以在無需任何指導的情況下開始辨識物體。
該教授介紹了使用這種方法訓練的機器如何開始識別水、天空和人臉。機器能夠非常熟練地識別嬰兒，因為“他們會發出非常特別的聲音，”他說。識別的聲音保存在機器的人造神經元中。他補充道：“有許多專用于嬰兒的單元。”
決策輔助者
機器完成學習后，就能夠幫助專家更好地決策。麻省理工學院一名助理教授演示了如何通過盡可能多地識別信息數據，讓機器更快速地學習、更可靠地預測。她的團隊最近開發了新技術，讓這個過程變得更加可行。
同時，精明的機器還可以幫助我們評估政策。麻省理工學院的另一名助理教授演示了如何實現這一目的。她的團隊與經濟學家合作，重點關注如何快速準確地量化不確定性這一問題。例如，小額貸款（即為人們提供用于創業的小額貸款）是否能夠真正幫助減輕貧困，需要了解與這些貸款的回報有關的變動后才能得出結論。
要求計算機告訴我們貸款多創造了多少價值時（例如，通過3美元的投資獲得了4美元的回報），我們還可以使用機器學習來評估結果的可靠性。如果我們要調整模型，會發生什么？她問道：“我們最終是否會獲得同樣的數字？還是我們會獲得完全不同的數字，從而做出完全不同的行動決策（即制定何種政策）？”機器學習可以為我們指引方向。
關于醫療保健
但是，在峰會上討論最多的機器智能應用領域是醫療保健。計算機科學與人工智能實驗室的一名研究生在陳述會上分享了自己的成果——名為“Lana”的個人營養師應用。我們可以告訴她午餐吃了什么，她會推薦在下一餐吃的富有營養的食品。
癌癥幸存者巴爾齊萊想為計算機提供臨床報告和醫學掃描結果輸入。這些圖像包含大量信息，但單靠人類無法系統闡述，她指出。例如，如果機器獲得您的乳腺X光片，它就可能識別出某種療法有90%的幾率有效。
在同事的幫助下，巴爾齊萊教授還在研究如何提取機器的推理，這一工作雖然更加艱難但很有必要。她表示：“醫生們并不滿意在最后只獲得一個數字，他們需要知道為什么。”
在醫生辦公室以外的地方，智能機器也可幫助決策。阿曼（Aman）在與美國信息技術公司Actifio首席執行官的非正式訪談中說道，能夠實施機器學習的數據科學家已在政府機構中變得無所不在。他目前供職于默克藥業（Merck）的藥品研發部門，曾在巴拉克·奧巴馬（Barack Obama）總統的科學和技術政策辦公室（Office of Science and Technology Policy）工作。這位總統在其任期內大力推進所有病歷的數字化工作。“就醫療保健而言，我們已從數據收集、捕獲、生產和分析的石器時代來到所有這些環節的‘工業時代’，并且仍在繼續這一過程。”他表示，“所以，第一個階段是系統數字化，下一階段是美國政府向各個部門發布數據。”
