2017GAITC| 通用AI之路：繼續大資料驅動深度學習還是另尋他途

2017年5月21日至22日，由中國人工智能學會、中國中文資訊學會主辦的“2017全球人工智能技術大會”将在北京國家會議中心拉開序幕。本次大會為中國人工智能權威大會，以“交叉、融合、相生、共赢”為主題，将彙聚多位全球人工智能學術界和産業界著名學者、頂級專家和業界精英。

深度學習引燃人工智能熱

對于人工智能領域的學者和從業者來說，2016年初阿爾法狗戰勝李世石，具有裡程碑式的重要意義，而這一事件也讓深度學習一詞走紅，創投圈跟風掀起一股人工智能投資熱，毫不誇張地說，這一次“人工智能熱”是深度學習所引發的。

人工智能是計算機的一個分支學科，早在1956 年計算機科學家們在達特茅斯會議（dartmouth conferences）上便被明确提出，在人工智能這個概念裡包含着衆多分支技術，其中機器學習便是其中一類算法。如果說ai是一個合集，那麼機器學習就是ai的子集，而深度學習又是機器學習這個子集裡面的一種技術。

其實，深度學習也并非一項新技術。2006年，加拿大多倫多大學教授、機器學習領域泰鬥geoffrey hinton和他的學生ruslan salakhutdinov在頂尖學術刊物《科學》上發表了一篇文章，開啟了深度學習在學術界和産業界的浪潮。

随着gpu性能的顯著提升以及圖形處理器（gpu）的廣泛應用，計算機可以實作更快、更便宜、更強大的并行處理。另外，得益于幾乎無限的存儲空間和海量資料的出現，圖像、文本、交易資料、地圖資料等應有盡有，使得深度學習的模型可以得到有效訓練，深度學習的應用場景随之增加，尤其是在計算機視覺上表現最為搶眼。

但是，深度學習加大資料的方法是否就是目前水準下的最終解決方案呢？2017年5月21日，全球人工智能大會的尖峰對話環節将邀請多位學界專家和商業精英，展開主題為“通用ai之路：繼續大資料驅動深度學習還是另尋他途”的圓桌論壇，參會嘉賓分别為360首席科學家，360人工智能研究院院長顔水成，羅切斯特大學教授、騰訊優圖顧問羅傑波，雲知聲cto梁家恩，北京大學資訊科學技術學院教授,計算機科學技術系系主任黃鐵軍，山東大學計算機學院與軟體學院院長陳寶權，北京大學資訊科學技術學院智能科學系教授，機器感覺與智能教育部重點實驗室主任査紅彬。

何為通用人工智能

首先，何為通用人工智能？

根據維基百科的解釋，通用人工智能（artificial general intelligence，agi）也稱強人工智能，指具備執行一般智慧行為的能力。通用人工智能類似于人類智能，可以将意識、感性、知識和自覺等人類的特征互相連結，擁有人類五感（甚至更多）、推理能力以及人類思維方式。而在目前技術水準下，人工智能隻能在某些固定領域達到或超過人類智能，被稱為弱人工智能（narrow ai）。

通用人工智能的強大可以滿足人們對未來的想象，也是現實中人工智能的發展方向，要達到通用人工智能的程度，僅靠深度學習+大資料的方式難以實作。

深度學習的局限性

在深度學習乃至人工智能概念被提出之前，科學家就開始模拟人腦的神經網絡，開發人工神經網絡的算法，人工神經網絡中資料傳播也模仿大腦中神經元的信号傳播，将輸入值進行多層篩選，每層神經元都會給出權重，最終輸出一個判斷結果。而深度學習可以簡單了解為傳統神經網絡的拓展，是以一些之前接觸過人工神經網絡的機器學習從業者對深度學習的印象很可能是：這不過是多層結構的人工神經網絡而已。

不過，雖然目前深度學習的應用效果十分不錯，但它也并非是萬能的。深度學習需要結合特定領域的先驗知識，和其他模型結合才能得到最準确的結果。此外，類似于神經網絡，深度學習的另一局限性是可解釋性不強，像個“黑箱子”一樣不知為什麼能取得好的效果，使用者不知如何有針對性地去具體改進，而這有可能成為産品更新過程中的阻礙。

是以，雖然目前深度學習+大資料訓練得方式在語音、圖像上表現不錯，但是在一些複雜函數上，深度學習捉襟見肘。那麼，在通往通用人工智能的方向上，我們還需要做哪些準備？5月21日，學界專家同ai領域創業者将齊聚全球人工智能大會，進行這一次深入的探讨。

本文來源于"中國人工智能學會",原文發表時間" 2017-05-11 "