【中国科技网】郑南宁院士:混合增强智能——协同与认知

日期:2017-09-02 浏览量: 

人工智能是一种引领许多领域产生颠覆性变革的使能技术,合理并有效地利用人工智能技术,意味着价值创造和竞争优势。为抢抓人工智能发展的重大战略机遇,依托我国应用需求和市场的巨大优势,加快建设创新型国家和世界科技强国,在党中央、国务院统一部署和要求下,《新一代人工智能发展规划》(以下简称规划)对我国人工智能发展战略做了全面部署,明确了我国人工智能发展的总体要求及三步走的战略目标,并将人机协同的混合增强智能作为规划部署的五个重要方向之一。

智能机器与各类智能终端已经成为人类的伴随者,人与智能机器的交互、混合是未来社会的发展形态。人机协同的混合增强智能是新一代人工智能的典型特征。

当前的人工智能系统在不同层次都依赖大量的样本训练完成有监督的学习。真正的通用智能会在经验和知识积累的基础上灵巧地无监督学习。如果仅仅是利用各种人工智能计算模型或算法的简单组合,不可能得到一个通用的人工智能。特定领域的人工智能系统如谷歌的Alpha Go、IBM的深蓝和Watson等依赖强大的计算能力在挑战人类智力方面取得了巨大进步,但这些系统还无法通过自身思考得到更高层次的智能,它们与具有高度自主学习能力的通用人工智能依然存在着差距。但是,人工智能在这些特定领域应用的巨大成功为我们研究与发展新一代人工智能提供了重要的借鉴和新的方法。

人类面临的许多问题具有不确定性、脆弱性和开放性,也是智能机器的服务对象和最终“价值判断”的仲裁者,因此,人类智能与机器智能的协同是贯穿始终的。任何智能程度的机器都无法完全取代人类,这就需要将人的作用或认知模型引入到人工智能系统中,形成混合-增强智能形态,这种形态是人工智能或机器智能的可行的、重要的成长模式。

混合增强智能形态可分为两种基本实现形式:人在回路的混合增强智能,基于认知计算的混合增强智能。

一、人在回路的混合增强智能

将人的作用引入到智能系统中,形成人在回路的混合智能范式。在这种范式中人始终是这类智能系统的一部分,当系统中计算机的输出置信度低时,人主动介入调整参数给出合理正确的问题求解,构成提升智能水平的反馈回路。

把人的作用引入到智能系统的计算回路中,可以把人对模糊、不确定问题分析与响应的高级认知机制与机器智能系统紧密耦合,使得两者相互适应,协同工作,形成双向的信息交流与控制,使人的感知、认知能力和计算机强大的运算和存储能力相结合,构成“1+1>2”的智能增强智能形态。

在当前大数据、深度学习在不同领域不断取得突破性成果之际,更需要清楚认识到,即使为人工智能系统提供充足、甚至无限的数据资源,也无法排除人类对它的干预。例如,面对人机交互系统中对人类语言或行为的细微差别和模糊性的理解,特别是将人工智能技术应用于一些重大领域(如产业风险管理、医疗诊断、刑事司法、自主驾驶、社会舆情分析、智能机器人等)时,如何避免由于人工智能技术的局限性而带来的风险、失控甚至危害?这就需要引入人类的监督与互动,允许人参与验证,提高智能系统的置信度,以最佳的方式利用人的知识,最优地平衡人的智力和计算机的计算能力,从而实现大规模的非完整、非结构化知识信息的处理,有效避免由于当前人工智能技术的局限性而引发的决策风险和系统失控等问题。

二、基于认知计算的混合增强智能

在人工智能系统中引入受生物启发的智能计算模型,构建基于认知计算的的混合增强智能。这类混合智能是通过模仿生物大脑功能提升计算机的感知、推理和决策能力的智能软件或硬件,以更准确地建立像人脑一样感知、推理和响应激励的智能计算模型,尤其是如何建立因果模型、直觉推理和联想记忆的新计算框架。

对当前人工智能而言,解决某些对人类来说属于智力挑战的问题可能是相对简单的,但是解决对人类来说习以为常的问题却非常困难。例如,很少有三岁的孩童能下围棋(除非受过专门的训练),但所有的三岁孩童都能认出自己的父母,且不需要大量经过标注的人脸数据集的训练。人工智能研究的重要方向之一是借鉴认知科学、计算神经科学的研究成果,使计算机通过直觉推理,经验学习将自身引导到更高层次的智能。

另外,在现实世界中,人们无法为所有问题建模,这里存在条件问题(Qualification Problem)和分支问题(Ramification Problem),即不可能枚举出一个行为的所有先决条件,也不可能枚举出一个行为的所有分支。而人脑对真实世界环境的理解、非完整信息的处理、复杂时空关联的任务处理能力是当前机器学习无法比拟的,还有人的大脑神经网络结构的可塑性,以及人脑在非认知因素和认知功能之间的相互作用,它们是形式化方法难以、甚至不能描述的。人脑对于非认知因素的理解更多的来自于直觉,并受到经验和长期知识积累的影响。人脑所具有的自然生物智能形式,为提高机器对复杂动态环境或情景的适应性,以及非完整、非结构化信息处理和自主学习能力,为构建基于认知计算的混合-增强智能提供了重要启示。

认知计算架构可以将复杂的规划、问题求解与感知和动作模块相结合,有可能解释或实现某些人类或动物行为以及他们在新的环境中学习和行动的方式,可以建立比现有程序计算量少得多的人工智能系统。在认知计算的框架下,可以构建更加完善的大规模数据处理和更多样化的计算平台,也可为多代理系统解决规划和学习模型的问题,以及为新的任务环境中的机器协同提供新的模式。

人工智能追求的长期目标是使机器能像人一样感知世界和解决问题。当前的人工智能已不是一个独立、封闭和自我循环发展的智能科学体系,而是通过与其他科学领域的交叉结合融入到人类社会进化的过程中,并将深刻改变人类社会生活,改变世界。

报道链接:http://www.sohu.com/a/161408336_160309

相关推荐