【編者按】CCF C³是由中國計算機協會CCF CTO Club發起、面向企業技術專家的熱門技術和戰略分享會。活動旨在聯結企業CTO及進階技術人才和資深學者，每次以一個技術話題為核心，走進一家技術領先企業。
2021年9月24日，CCF C³第十期“認知智能”分享會在北京阿裡研究院舉行，來自各行業的企業CTO、進階技術人才和資深學者，共同探讨企業人工智能從感覺智能向認知智能階段發展的意義。本次活動由CCF副秘書長、億邦動力CEO王超主持，CCF副理事長、創新工場首席科學家、瀾舟科技創始人周明做了開場緻辭，并代表CCF為活動承辦方阿裡研究院頒發CCF C³活動承辦機關感謝牌。
分享會上，阿裡研究院副院長安筱鵬代表承辦方緻辭，清華大學長聘教授、清華大學人工智能研究院知識智能中心主任李涓子和CCF人工智能與模式識别專委會常委、阿裡巴巴研究院數字技術研究部進階總監蘇中在活動中分别作了題為《面向知識的可解釋認知推理》和《基于超大規模預訓練模型的小樣本和零樣本學習》的報告。
活動最後，由蘇中主持了名為《企業人工智能，從技術戰略到行業落地》的高峰論壇，CCF副理事長周明、阿裡巴巴集團公共事務副總裁程璟、清華大學李涓子教授參加了本次論壇。
以下為本次論壇的内容幹貨整理，以飨讀者。
一、從感覺智能到認知智能的挑戰
相比以前的小資料智能，現在的人工智能是一個大資料的智能，是以資料、算法和算力相關作用，形成三輪疊代的過程。但這其中還是需要将知識融合進去，這也是目前對人工智能的挑戰。
人工智能進入三輪同時驅動的時代
圖檔引自主持人蘇中《基于超大規模預訓練模型的小樣本和零樣本學習》
人的智能是可以互動的，可以把簡單的問題換一個角度重新闡述，但在大資料海量運算中是無法實作的。是以人工智能的發展方向是将知識系統代入三輪中以便更好的推理和訓練模型。
那麼從感覺智能到認知智能面臨哪些挑戰呢？
周明 CCF副理事長、創新工場首席科學家、瀾舟科技創始人
CCF副理事長周明介紹，現階段我國人工智能的發展水準與美國基本是并駕齊驅的。在感覺智能領域，從研究到實踐已經做到了世界領先水準，超過了美國。在認知智能方面，由于本身的複雜性，在全世界的發展都還處于摸索階段。
所謂感覺智能就像我們看到東西，聽到東西，這是第一步，而認知智能就是相當于我們接受到了感覺信号之後，用大腦思考、回答問題、做決策的一個過程。我們希望電腦也能學習這個過程。
從感覺智能跟認知智能在實作機理上的差別來看，感覺智能可以了解為一個single-turn（單輪互動），一個輸入和一個輸出，基本不涉及知識圖譜和常識，不需要推理步驟；相對應的認知智能就是multi-turn （多輪互動），包含複雜的内容和推理步驟，可能不單是算法、算力和資料能夠解決的。
現階段人工智能還隻是剛剛起步，我們需要建立知識庫，實作推理過程。達到這一目有不同的途徑，可以從符号、知識圖譜、常識來出發；也可以從資料出發，這兩個加起來，就好像人腦的兩個思維過程，有人用system 1 & system 2來表示，system 1（直覺系統）是用大資料完成輸入後直接快速輸出答案，end-to-end，無關對錯，也沒有太多的解釋；而system 2（邏輯推理系統）就是一步一步推理最後給出答案。
未來這兩種模式能否交彙？雖然方向還不明确，但無論往哪兒走，無非是從知識出發，要麼從資料出發，要麼融合來解決問題，這是一個重要的課題和挑戰。
周明副理事長舉了個例子：我們想象一下如果一個人要解釋一件事他可能會舉例說明，但不會舉一萬個例子，為什麼電腦沒有這麼聰明呢？就是end-to-end預訓練，它是假設大腦一片空白，什麼都沒有，對任何新任務都要做end-to-end設計。
但實際中我們的大腦是有基礎技能的，周明稱之為foundation skill，比如語言表達和了解能力、計算能力，這些技能是不需要預訓練的，隻需要将它們連在一起，當有新任務出現的時候，大腦會基于基礎技能隻需要做一些微調就可以輕松解決。
但現在的end-to-end預訓練忽略了基礎技能的存在而永遠是從零開始設計，這就導緻資料樣本量持續不足的現象（Few-shot）。foundation skill可以是資料的也可以是知識的，也可以是融合的，我們需要做的是将每一個基礎技能做好，然後設法将它們連成一片，讓每一次新任務出現時都可以進行快速調整輸出。不同于李飛飛提出的foundation model（基礎模型），同一模型可以管很多事，skill（技能）适用于任何model，而foundation model過于強調model，周明認為是不對的。
那麼面對衆多行業，foundation skills是通用的還是專用的？
首先，人作為一個人智能體有一些foundation skills，比如國文數學英語，生活常識，等等這些不分領域的技能是最底層，這就像現在預訓練模型，無論你幹什麼具體任務，都是可以通用的。當深入到某個領域的時候，由于領域的特點，又有一些領域獨有的底層foundation skill，比如電工、交通警察、醫生。如果我們把這些知識體系都建立好以後，當有新任務的時候就可以自由的調用不同領域的知識體系來使用，也很容易從一個領域擴充到另一個領域。
周明的設想是首先由我們把最基礎的技能整理建立一個類似SaaS平台，然後提供一個應用手冊給每個領域的專家來建立領域知識庫，這樣老員工可以通過wiki的形式将自己的知識加入進去，新員工就可以看到這些知識，然後這些知識體能自動的串聯起來，把人類的知識傳承下去。
二、人工智能研究領域最需要哪些突破？
李涓子 清華大學長聘教授、清華大學人工智能研究院知識智能中心主任
目前人工智能大模型已經非常強大，參數和參數之間的關系、多模态間的關系已經模組化的非常好。但李涓子教授認為，這些還隻是參數，并沒有上升到知識或者認知的層面。
是以如果說要攻克或突破的方向，李涓子教授認為有兩個思路。
一種思路就是在訓練大模型的時候把認知的東西交給它，但這種方式很難實作；另一種思路是把知識庫放上面，底下是大模型或多模态，上層的知識從大模型中蒸餾出來，用這樣一個知識結構結合底下的大模型來進行複雜問題的推理。這也是李涓子教授目前在研究的課題。這兩種思路都是希望大模型能夠在兩種知識架構下發揮最大的效應。
現在我們國家也在進行知識圖譜的技術架構，按照知識的生命周期分階段建立。這個整個技術架構下面，它還分了領域。比如電力領域、金融領域、文獻領域，在不同領域中建立跟領域相關的知識體系，知識擷取和應用的技能，形成領域的基礎設施。
三、人工智能在場景應用中的突出表現和挑戰
程璟 阿裡巴巴集團公共事務副總裁、阿裡雲市場化及政務、行業團隊核心創始成員
結合之前在工業實踐方面的經曆，程璟認為人工智能在提升效率和風控兩個方面的推動作用尤為突出。
以雙十一活動為例，在雙十一期間阿裡平台網站每秒鐘會有上千萬的通路量，這時必須使用人工智能來解決問題，“客服”就是一個典型的人工智能應用案例，它向我們展示了在高并發場景中如何把大量的簡單重複的問題用機器來解決，這大大提升了效率。
而在風控領域，比如假冒僞劣商品的篩選，對于有十億種商品的阿裡平台來說，這個工作單憑人工是無法完成的，是以也需要引入人工智能來解決。
人工智能的應用場景還有很多，比如優酷在2018年世界杯期間推出了“精彩片段集錦”，使用人工智能技術實時制作賽事精彩片段呈現給球迷們；阿裡鹿班智能設計平台，其智能生成、創作助手、智能排版、設計拓展等功能子產品，無須專業設計人員操作，可以幫助企業快速、批量、自動化的進行圖檔設計。
再比如庭審的場景，是感覺智能的典型應用，法庭記錄的時候，這不光是一個語音識别的問題，還包括對法庭上不同角色人物的識别和判斷。
不同的場景會對人工智能提出不同層次的應用需求，這些需求推動人工智能技術的發展和疊代。
程璟認為現階段人工智能實踐中的挑戰主要展現在三個方面：
1、首先是對準确率的要求。對準确率要求高的場景對人工智能的挑戰更大，就比如鋼鐵廠的例子，鋼材的評級會直接影響鋼材的價格，如果使用人工智能來識别鋼材就要保證很高的準确性。
反之對于網店客服的場景，在人工客服應接不暇的時候使用智能客服，可以極大的緩解客戶打客服電話打不進的問題，這時對回答問題的準确性就不做過高的要求了。
同理在現階段疫情流調的場景下，先通過人工智能進行第一輪的篩選，就會很大程度節約人力成本。
2、第二是魯棒性。人工智能的魯棒性較弱，很多在測試階段表現良好的資料，在實際場景應用中由于加入了一些随機噪音而變得很不穩定。
3、第三是樣本量。程璟認為在規模性的場景，資料量積累比較多的場景，人工智能的實踐效果會比較好。比如在偏網際網路的場景裡面，資料積累成本低、數量大，可供學習的樣本量就相對更多，人工智能的應用效果也會更突出。
反之對于一些政企場景，由于資料量少而複雜，對人工智能應用的挑戰就會更大。
程璟認為，如果把雲計算比作“電”，人工智能就是“燈泡”。在未來，雲計算還是會作為數字時代的基礎設施，為越來越多的創業者所用。
現在無論是感覺智能還是認知智能，都是以人為第一視角看問題，從視覺、聽覺、感覺到推理的過程都是以人為本的。在未來是否會有主體的轉化，比如從城市的角度去思考，這就超出了人的認知邊界，但機器是可以達到的，這可能是未來在工程實踐中可以去探索的一個領域。另外，在科學發現領域，人工智能的運用也将會發揮重要作用。
四、關于阿裡研究院
阿裡研究院的前身是2007年成立的阿裡研究中心和2012年成立的集團政策研究室，是國内網際網路企業中第一家内設研究智庫。十多年來，阿裡研究院秉承“開放、分享、透明、責任”的網際網路精神，依托阿裡巴巴不斷的科技創新，紮根阿裡巴巴數字經濟體豐富的商業生态、資料和案例，見證了電子商務、數字經濟和雲計算的發展，已經成為在國内外數字經濟和數字治理研究領域，具有廣泛影響力的生态型研究平台。