AI的下一个五年方案

30秒快读

 

1、类脑智能在AI脑内开了个“意识小剧场”，深度学习“不是炼金术” AI还能学什么？AI开源框架国产化，百度、旷视相对抗谷歌、脸书。

 

2、《IT时报》记者试图探寻AI的下一个5年计划。

 

01

 

类脑智能：在AI脑内开个“意识小剧场”

 

类脑智能，被誉为人工智能的终极目标。人工智能在过去十年中基本实现了感知能力,但却无法提高认知能力（推理、可解释等）。因此，从认知心理学、脑科学等领域汲取灵感，推动感知智能向认知智能演进是人工智能下个十年的重点。

 

意识图灵机：让机器感受疼痛愉悦

 

当前，我们仍处于弱人工智能阶段，尚不能制造出真正推理和解决问题的智能机器，机器也还没有自主意识。那么，人工智能要怎样产生意识？

 

 

 

图源/Pixabay

 

人的大脑是如何产生疼痛、愉悦等各种感受的？有没有办法让机器模拟甚至体验这些感觉？

 

第三十届（1995年）图灵奖得主Manuel Blum与前美国卡内基梅隆大学计算机科学系杰出教授Lenore Blum是夫妻俩，他们试图通过数学模型来理解意识。受到认知神经科学家Bernard Baars的“剧院模型”之启发，Blum夫妇提出了图灵机器的正式模型——意识图灵机（有意识的AI）。

 

短时记忆和长时记忆是认知科学里两个重要概念。在剧院模型中，意识相当于短时记忆“舞台”上所演绎的活动，坐在暗处的观众则代表长时记忆中的无意识处理器。在这个脑内小剧场里，演员和观众是怎样互动的呢？

 

 

 

Baars教授的意识模型 图源/网络

 

Lenore举了一个例子，某天你在派对上见到一个人，可怎么都想不起她的名字，等半小时后回到家，那个名字才突然从脑海中蹦出来。也就是说，半小时后那个名字才出现在你的意识或短时记忆中。

 

这中间发生了什么？你可能回忆了两人第一次见面的情景，这个信息从短时记忆中广播出来，并传到大脑的各个长时记忆处理器上。其中一个处理器表示，她是做机器学习的。这个信息被传到意识中，再广播到各个处理器。接着又有一个处理器说，她的名字是T开头的，这个信息也被广播开来。于是半小时后，她的名字出现在了“舞台”上，然而舞台上的有意识自我对无意识自我在台下的工作是不知情的。

 

假如获得了胜利的是恐惧处理器，那么收到广播的语言处理器可能会激活喊叫机制，发出一声尖叫。由于一系列动态的下放，一些输出机制可能被激活。通过语言对恐惧的回应，两个长时记忆处理器之间产生了连接，不再像初始状态下那样只能通过短时记忆进行交流。

 

Lenore解释道：“这正是赫布理论提出的‘一起激发的神经元连在一起’，如果回应变多或者关联变强，就会产生更多的连接。这种连接允许原本经过短时记忆的有意识运算变得无意识，信息块可以在处理器之间传递，很多高负荷工作就是以这种形式进行的。”

 

让盲人有一天能看得见

 

虽然意识图灵机的研究者强调简洁性（simplicity），但是复旦大学类脑智能科学与技术研究院副院长林伟认为世界呈现出来的更多还是复杂性（complexity）。微观层面上，每一个生命个体都有相应的智能行为；宏观层面上，智能个体之间的互动会产生许多群体行为。而智能是怎么产生的？群体的智能行为又是怎样产生？

 

 

 

图源/Pixabay

 

“在这个过程中，需要采集相关数据，进行相应的数据挖掘。在数据集里寻找形象的规律，甚至在这个阶段就直接可以到商业和工业中去检验结果。”林伟表示，除了挖掘大数据的规律，还需要结合模型去做模拟仿真，因为有了模型就可以去做进一步的预测研判。

 

好比在类脑人工智能中，首先要认识脑结构、解析脑机制，其后就是要模拟脑，将大脑中某些局部的功能在模型中表现出来，包括感知、认知、记忆、情感、情绪化表现等。这个模拟过程一定受到脑科学研究的启发，因为那些神经形态的基本结构实际上都可以为数学模型中最简单的动力学模型提供基本框架和思路。

 

“每个人的大脑都是有差别的，能替代的也只是一部分。从这个意义上来说，‘增强脑’可能更恰当。比如说某些病患有一些功能的丧失，帕金森、老年痴呆等。通过和生物医学工程的专家合作，可以把一些算法、控制器、芯片体系植入到相应的大脑。那样的话也许盲人也会有看得见的一天，类脑研究可以起到这样的作用。”林伟说道。

 

02

 

深度学习“不是炼金术” AI还能学什么？

 

AI正在日常生活中渗透。无论是刷脸进门、机器人扫地还是和智能音箱对话，这些应用均可归类于人工智能的语音和图像识别。的确，这一代人工智能的发展建立于AI对人类感知的模仿。这得益于人工智能背后的深度学习，通过神经网络层层分类信息。“只是现在AI还在弱智能阶段，要让机器解决问题，首先需要人工定义问题和机制，转化为数学模型，并通过数据训练模型。”在一位阿里系技术人员看来，如今的AI只能映射，还无法产生联想，机器具备真实推理能力仍是人工智能的发展局限。

 

深度学习需要依赖海量的数据，与此同时，这一代人工智能的应用带来了对隐私、数据安全的担忧。还有没有针对这两个困局的更好解决方法？今年WAIC 2020上，联邦学习、迁移学习是两大热词，AI算法的演进版，在很多领域已经落地，他们为什么能解决深度学习的困境？《IT时报》记者一路探寻。

 

联邦学习：隐秘的数据 公开的模型

 

你的人脸信息，5毛一份。这是日前新华社记者在网络黑市上发现的非法买卖。一时刷遍朋友圈。

 

当人们越来越依赖于刷脸支付，但如果这些生物信息被泄露给不法分子，加之你的身份证、银行卡信息也被暴露，大众难免担心信息泄露的后果。

 

A方收集数据，B方清洗数据，转移到C方建模训练，最终卖给D方使用，每个环节都有着数据泄露隐患。

 

 

 

颇有预见性的，这一届世界人工智能大会上，联邦学习被屡次提及，它最大的特征是数据信息不离开本地设备，所谓“数据不出域”，但可以加密上传训练模型，服务器端综合各自模型之后，再反馈给用户模型改进方案。

 

AI技术人员杨建国认为，如果将传统的AI深度学习看作是一场开卷考，那么联邦学习是AI的一场闭卷考，以利用“隐秘”数据为前提。

 

万向区块链研究院院长肖风曾在世界人工智能大会上分享，区块链技术的溯源特性能有效监控数据的使用权，一旦数据被泄露，信息将被记录。这暗示区块链技术在联邦学习中的可能。

 

那么，区块链技术是否已在AI领域使用？

 

一位温州某区块链企业CEO胡松（化名）告诉《IT时报》记者，目前区块链还没有在实际应用上与AI结合，仍在理论和概念阶段，“近期区块链行业比较沉默，老的故事还没有应用，新的突破性概念还未诞生。”

 

遗憾的是，在和多位采访对象沟通中，《IT时报》记者发现，受限于“看不到的数据”，多家AI企业并不愿应用联邦学习。

 

“联邦学习可以使用一般机器学习能使用的所有算法，但需要额外加一些技术来满足‘闭卷’的需求。”因此，杨建国认为，除了数据隐私安全，目前一般机器学习存在的缺陷，联邦学习无能为力。

 

沪上一位AI算法研究人员认为，联邦学习在训练模型时可能出现不收敛的问题，构建的模型或许并不是最优解。在实际运用中，联邦学习对AI企业在终端数据之间的通信和计算开销有一定要求。此外，联邦学习在面对隐私的攻击时可能存在安全漏洞，也无法较好控制学习时所使用的数据质量。这些均是联邦学习的缺陷。

 

不过，杨建国对此仍有期许，他看到联邦学习的研究和技术在不断扩展，这是积极的一面。

 

迁移学习：用小样本快速得出答案

 

“你认为哪种机器学习方式可能会成为未来的主流？”当《IT时报》记者向多位AI行业的技术人士抛出这一问题时，多位采访对象均将目光瞄向迁移学习。

 

韩林（化名）是一位医学影像视觉深度学习的AI技术人员，疫情期间他利用百度飞桨开发了能快速识别新冠病症的AI模型。

 

“飞桨上有100万分类的图像预训练模型，利用这个模型，调整不同的初始化权重，通过迁移学习，能够改善最终准确率。”在韩林看来，对开发者而言，迁移学习省去了从头开始训练的时间。

 

新冠疫情下，各大医院紧急投入“AI阅片”，在上海计算机软件技术开发中心人工智能技术研究应用与测评团队负责人陈敏刚看来，正是通过将新冠肺炎病人的CT加入到经过大量训练的病毒性肺炎CT影像模型，经过模型精调得出的成果。这个过程，便是迁移学习。

（编辑：淮安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!