譚鐵牛院士：向生物學習 開啟模式識别新突破

人們在觀察事物或現象的時候，常常要把各個相似的但又不完全相同的事物或現象組成一類。例如一個數字有不同的寫法，對一個人來說，某一種寫法雖然沒有見過，但大腦卻能自動将這個字識别出來。

這種模式識别行為雖然人們早已司空見慣，在中國科學院院士譚鐵牛看來，它卻是人類最重要的智能行為。而機器模式識别能力則很大程度上反應了機器智能類人的程度，成為人工智能的核心内容之一。

實際上在過去幾十年中，機器的模式識别取得了長足的進展，在特定領域取得了成功的應用，但是，現有模式識别方法與生物系統相比依舊存在顯著不足。

“目前，一些面向特定任務的模式識别已取得突破性進展，有的性能已可與人媲美。”譚鐵牛說，““但通用模式識别系統仍然任重道遠。機器模式識别的瓶頸主要集中在魯棒性差、自适應性差、可泛化性差三個方面。”

通俗來說，目前的模式識别技術還不夠“皮實”。比如，遇到局部形變、光照變化、遮擋、淩亂背景、尺度變化等幹擾，機器就很容易出錯；機器也不會像人類一樣舉一反三、觸類旁通，而是要進行大樣本的訓練。

在譚鐵牛看來，這些瓶頸的突破口還要到自然界中去尋找。“向生物學習，開展生物啟發的模式識别，有望實作模式識别理論與方法的新突破，達到對不同任務無縫切換、對環境自主适應、對知識凝練抽取等目标。”

他所提出的生物啟發的模式識别，就是要向生物模式識别系統學習，充分借鑒腦科學、認知科學乃至心理學的先進成果，突破現有理論與方法固有的局限性，實作模式識别理論與方法的創新。

譬如，在譚鐵牛等人的一篇論文中，研究人員受到人腦長短時記憶的啟發，提出了一種多模态記憶網絡，通過引入注意和記憶機制子產品，對具有時間依賴關系的多種模态長序列進行模組化，應用于諸如視訊描述生成、智能對話等領域中。

又比如，人類能夠将某種知識或者技能遷移到另一種相似的領域中，在已有知識的輔助下，新的學習任務隻需要很少的訓練就能達到不錯的效果。這種遷移學習的能力也受到了模式識别領域學者的關注，科學家試圖模仿生物從熟悉領域到陌生領域的學習方法，建構跨領域跨模态遷移學習的模型，充分利用大量舊的已标注樣本和目前少量标記資料來訓練新模型，解決新問題。

“總之，模式識别是智能化時代的關鍵使能技術。”譚鐵牛最後說，“向生物系統學習，開展生物啟發的模式識别研究，具有十分廣闊的創新空間與發展前景。”

本文來源于"中國人工智能學會",原文發表時間" 2017-05-18 "