后深度学习时代的人工智能
2018-01-21 00:00
330 查看
1956年,在美国达特茅斯学院举行的一次会议上,"人工智能"的研究领域正式确立。六十年后的今天,人工智能的发展正进入前所未有的大好时期。通过分析这个时代下人工智能与计算机的发展轨迹,人们可以重新认识人工智能、认识计算机、认识自身。深度学习:跨时代的技术今天,我国的人工智能热潮与30年前日本兴起的人工智能热潮相比,发生了变化——时间不同、地点不同、主题也不同。这次人工智能的大发展与深度学习紧密相关, 深度学习:跨时代的技术
今天,我国的人工智能热潮与30年前日本兴起的人 工智能热潮相比,发生了变化——时间不同、地点不同、主 题也不同。这次人工智能的大发展与深度学习紧密相关, 体现在:
(1)从知识情报处理转变为深度学习; (2)从第五代计算机(日本提出的概念)转变为类脑计 算机; (3)从大容量知识库转变为大数据技术; (4)从高速符号推理机转变为类脑芯片; (5)从自然语言理解转变为感知(机器人)。 两次人工智能热潮最大的不同点在于:大数据技术和概率统计方法(及其理论)两个因素催生的深度学习大潮。可以说,大数据与概率统计方法共同推动了神经网络模型的创建和发展。特别是概率统计方法中的贝叶斯统计学,它在被“引进”人工智能领域后,促使人工智能发生了革命性的变化。 现代计算机能够进行深度学习,能够在几百万几千万的参数下对程序进行优化,很多人都以为是计算机变“快”了,其实要归功于概率统计方法的变化。这个变化使得计算机能把深度学习做好。所谓深度,就是网络层数比较多。 深度学习可以解决一些不能清楚表述的问题,让计算机摆脱“知其然,不知其所以然”的窘境——它能让计算机针对不确定性的问题,针对不断的变化而不断地再学习。另外,深度学习还有一个完全改变传统神经网络的作 用——它不仅仅能函数映射,更重要的是能自动提取多层次重复的模式(特征),不依赖于人工设计。 由于使用深度学习方法,语音识别、图像识别的准确度提高了10%左右,模式识别能力达到新的高度,掀起了 人工智能的进一步发展热潮。
后深度学习时代的人工智能
后深度学习时代的人工智能,就是要把人工智能从狭义的、只能解决一定范围内的问题,推广到更宽广的范围,从弱人工智能到强人工智能,再到通用人工智能。这项工 作面临三个主要挑战(见表1):要解决这三项挑战,可以考虑两种解决办法: 一是把人工智能中“知识驱动”与“数据驱动”两个方 法结合起来,因为这两个方法是互补的。其中,“数据驱动”的优点是可以从数据中提取模型。 “知识驱动”的方法是用离散的符号表示,而基于数据驱动的深度学习方法是用高维空间向量表示,如果能把两种方法“沟通”起来,有可能极大地推动人工智能技术的发展与应用。 另外一个办法是回到神经网络的本源。借助于人脑神经的工作机制研究,进一步推动深度神经网络模型的深 入发展。
后深度学习时代的计算机
当前,计算机发展有几个瓶颈:一是能耗大,二是串行处理的工作方式。我认为,现代的电子计算机还需要在很长一段时间里依赖冯·诺依曼结构。
现在业界最热门的话题是量子计算、类脑计算。不要以为量子计算一问世,现在的计算机就快要淘汰了。实际上,量子算法目前只有一二种可用的算法,所以它不能完 全代替现在的计算机,就像量子通讯不能完全代替现在的 通讯一样。 而现在的类脑计算,正确地讲应该叫Brain Inspired Computing,而不是Brain-like。当前,连大脑的运行机制都没有研究清楚,怎么可能开展完全的类脑计算呢?类脑计算研究的开展,需要学科的交叉,我特别推荐数学、认知科学、心理学、神经科学和语言学等领域的学者积极开展交叉学科研究,从而推动人工智能理论的进一步发展和创 新。
(根据张钹院士在CNCC 2016 大会上所做的特邀报 告《人工智能未来展望,后深度学习时代》整理)■
今天,我国的人工智能热潮与30年前日本兴起的人 工智能热潮相比,发生了变化——时间不同、地点不同、主 题也不同。这次人工智能的大发展与深度学习紧密相关, 体现在:
(1)从知识情报处理转变为深度学习; (2)从第五代计算机(日本提出的概念)转变为类脑计 算机; (3)从大容量知识库转变为大数据技术; (4)从高速符号推理机转变为类脑芯片; (5)从自然语言理解转变为感知(机器人)。 两次人工智能热潮最大的不同点在于:大数据技术和概率统计方法(及其理论)两个因素催生的深度学习大潮。可以说,大数据与概率统计方法共同推动了神经网络模型的创建和发展。特别是概率统计方法中的贝叶斯统计学,它在被“引进”人工智能领域后,促使人工智能发生了革命性的变化。 现代计算机能够进行深度学习,能够在几百万几千万的参数下对程序进行优化,很多人都以为是计算机变“快”了,其实要归功于概率统计方法的变化。这个变化使得计算机能把深度学习做好。所谓深度,就是网络层数比较多。 深度学习可以解决一些不能清楚表述的问题,让计算机摆脱“知其然,不知其所以然”的窘境——它能让计算机针对不确定性的问题,针对不断的变化而不断地再学习。另外,深度学习还有一个完全改变传统神经网络的作 用——它不仅仅能函数映射,更重要的是能自动提取多层次重复的模式(特征),不依赖于人工设计。 由于使用深度学习方法,语音识别、图像识别的准确度提高了10%左右,模式识别能力达到新的高度,掀起了 人工智能的进一步发展热潮。
后深度学习时代的人工智能
后深度学习时代的人工智能,就是要把人工智能从狭义的、只能解决一定范围内的问题,推广到更宽广的范围,从弱人工智能到强人工智能,再到通用人工智能。这项工 作面临三个主要挑战(见表1):要解决这三项挑战,可以考虑两种解决办法: 一是把人工智能中“知识驱动”与“数据驱动”两个方 法结合起来,因为这两个方法是互补的。其中,“数据驱动”的优点是可以从数据中提取模型。 “知识驱动”的方法是用离散的符号表示,而基于数据驱动的深度学习方法是用高维空间向量表示,如果能把两种方法“沟通”起来,有可能极大地推动人工智能技术的发展与应用。 另外一个办法是回到神经网络的本源。借助于人脑神经的工作机制研究,进一步推动深度神经网络模型的深 入发展。
后深度学习时代的计算机
当前,计算机发展有几个瓶颈:一是能耗大,二是串行处理的工作方式。我认为,现代的电子计算机还需要在很长一段时间里依赖冯·诺依曼结构。
现在业界最热门的话题是量子计算、类脑计算。不要以为量子计算一问世,现在的计算机就快要淘汰了。实际上,量子算法目前只有一二种可用的算法,所以它不能完 全代替现在的计算机,就像量子通讯不能完全代替现在的 通讯一样。 而现在的类脑计算,正确地讲应该叫Brain Inspired Computing,而不是Brain-like。当前,连大脑的运行机制都没有研究清楚,怎么可能开展完全的类脑计算呢?类脑计算研究的开展,需要学科的交叉,我特别推荐数学、认知科学、心理学、神经科学和语言学等领域的学者积极开展交叉学科研究,从而推动人工智能理论的进一步发展和创 新。
(根据张钹院士在CNCC 2016 大会上所做的特邀报 告《人工智能未来展望,后深度学习时代》整理)■
相关文章推荐
- 人工智能、机器学习、深度学习、数据挖掘、数据分析区分
- 余凯老师发表的:深度学习: 推进人工智能的梦想
- 深度学习之google deepmind的alphago AI人工智能算法技术演变历程
- 清华刘知远:教你用HowNet在深度学习时代搞事情(附论文下载)
- 第七章 人工智能,7.1 基于深度强化学习与自适应在线学习的搜索和推荐算法研究(作者:灵培、霹雳、哲予)
- ROS + Caffe 机器人操作系统框架和深度学习框架笔记 (機器人控制與人工智能)
- 有关深度学习人工智能的感悟
- 人工智能,机器学习,深度学习的区别
- 7月7日云栖精选夜读:专访 | 杨强教授谈CCAI、深度学习泡沫与人工智能入门
- 互联网世界的“人工智能”——探秘“深度学习”的前世今生
- 深度学习: 推进人工智能的梦想
- 深度学习时代的计算机视觉
- 人工智能时代,应立即学习python
- NVIDIA深度学习芯片Tesla P4、P40强化人工智能!
- 深度学习之Google Deepmind的alphago人工智能算法技术演变历程
- 2018年的人工智能和深度学习将会如何发展? | 分析
- 新一代人工智能发力:深度学习技术正在改变互联网
- 人工智能、机器学习和深度学习三者的关系
- 【Cherry读书笔记】人工智能革命-为什么深度学习会突然改变你的生活?
- 林倞:Beyond Supervised Deep Learning--后深度学习时代的挑战