潘云鹤院士：人工智能迈向2.0 MIT机器学习峰会：人工智能重塑世界_圈子

潘云鹤院士：人工智能迈向2.0 MIT机器学习峰会：人工智能重塑世界

近年来，人们对人工智能（AI）产生了浓厚兴趣，产业界首先布局。大量资本与并购的涌入，加速了AI技术与应用的结合，并蔓延升温。据美国CBInsight公司2016年7月报告，2011年至那时，谷歌、微软、Twitter、Intel、Apple等IT巨头收购了约140家AI领域的创业公司。仅2016年上半年，资本市场对AI投入已超2015年全年。

谷歌2014年高价收购DeepMind公司，2016年研制的AlphaGo战胜了围棋世界冠军，2017年初又60连胜，谷歌自称正从“移动优先”转向“AI优先”。微软小冰聊天机器人，正引导从传统的“图形界面”向“自然语言和情感理解交互界面”转变；IBM开发Watson系统已进入医院，正在改变肿瘤临床诊断与治疗的运作模式；百度公司因在机器翻译、自然语言理解和智能汽车的布局，被评誉“最聪明的公司”……这些进步预示着AI技术将有大的飞跃。

1956年，美国学者首次提出AI概念，即让机器能像人那样理解、思考和学习，即用计算机模拟人的智能。AI进步的动力不仅来自于内部驱动，更来自于信息环境与社会需求等外部驱动。

随着移动终端、互联网、传感器网、车联网、穿戴设备等的流行，感知设备遍布全球，计算与人类密切相伴，网络连接着个体和群体，快速反映与聚集他们的发现、需求、创意、知识和能力。同时，世界已从二元空间结构（物理、人类社会）演变为三元空间结构（信息网络、物理、人类社会），它们之间的互动将形成各种新计算，包括感知融合、“人在回路中”、增强现实（AR）、跨媒体计算等等。

智能化的需求牵引，使AI在城市、医疗、交通机器人、无人驾驶、手机、制造等发展中成为新技术、新目标，很多企业和城市已进行AI布局。

从过去追求“用计算机模拟AI”转化为：用机器与人结合成增强的混合智能系统；用机器、人、网络结合成新的群智系统；用人、机器、网络和物结合成智能城市等更复杂的智能系统。

AI基本方法是数据驱动的算法，今后将涌现出大数据、传感器、网络、跨媒体等驱动计算，从而使大数据、感知融合、跨媒体等智能发展成为必然，传统以字符为基础的机器智能测试图灵方法将受到挑战。

当前，若干新技术变化已初露端倪，成为AI迈向2.0的技术萌芽。

以AlphaGo技术为例，其深度强化学习发展了“直觉感知（下一步在哪）”“棋局推理（全局获胜机会如何）”和“新颖落子（想人所不敢想）”等能力，并将记忆人类棋局和自我博弈积累棋局结合了起来。目前，该深度学习技术的缺陷是不可解释、不通用，需要大数据智能的发展来解决。

事实上，大规模个体通过互联网参与和交互，可实现超乎寻常的智慧能力。如美国普林斯顿大学Connectome项目开发的EyeWire游戏，玩家可对显微图像中单个细胞及其神经元连接按功能进行涂色，145个国家的16.5万多名科学家及志愿者参与，首次详述了哺乳动物视网膜神经组织如何检测运动的结构功能关系等。群智计算将极大提高人类社会的智能水平，用途广，其理论和技术尚处原始阶段。

2008年，中国科学家率先提出了“跨媒体计算”概念。2010年，《自然》发文指出，文本、图像、语音、视频及其交互属性将紧密混合一体，即“跨媒体”。跨媒体智能是机器认知外界环境的基础，对语言、视觉、图形和听觉的语义贯通是实现联想、设计、概括、创造等智能行为的关键。当前，其尚处发展萌芽状态，可望形成新一代AI的重要领域。

用计算机模拟人的智能固然重要，而让计算机与人协同，取长补短成为一种“1+1>2”的增强性智能系统则更为重要。当前，各种穿戴设备、智能驾驶、外骨骼设备、人机协同手术等纷纷出现，而宏观系统的人机协同有更大空间，预示着人机协同增强智能系统的前景广泛。

AI诞生之际，机器人被列入目标领域，仿生学也成为重要发展方向。但大多数案例表明，对原有机械装备进行智能化和自主化升级，要比类人机器人更高效。因此，自主智能系统将成为新一代AI的重要方向，也对制造业升级尤为重要。

综上所述，人们给出的AI2.0初步定义是：基于重大变化的信息新环境和发展新目标的新一代人工智能。其中，信息新环境是指互联网与移动终端的普及、传感网的渗透、大数据的涌现和网上社区的兴起等。新目标是指智能城市、智能经济、智能制造、智能医疗、智能家居、智能驾驶等从宏观到微观的智能化新需求。

AI2.0的技术特征表现在：一是从传统知识表达技术到大数据驱动知识学习，转向大数据驱动和知识指导相结合的方式，其中机器学习不但可自动，还可解释，更广泛；二是从分类型处理多媒体数据（如视觉、听觉、文字等），迈向跨媒体认知、学习和推理的新水平；三是从追求“智能机器”到高水平的人机协同融合，走向混合型增强智能的新计算形态；四是从聚焦研究“个体智能”到基于互联网络的群体智能，形成在网上激发组织群体智能的技术与平台；五是将研究的理念从机器人转向更加广阔的智能自主系统，从而促进改造各种机械、装备和产品，走上智能化之路。

相比以往，AI2.0将不但以更接近人类智能的形态存在，而且以提高人类智力活动能力为主要目标，将紧密融入人们的生活（跨媒体和无人系统），甚至扩展为人身体一部分（混合增强智能），可以阅读、管理、重组人类知识（大数据智能与群体智能），为生活、生产、资源、环境等社会发展问题提出建议，在越来越多的专门领域的博弈、识别、控制、预测中接近甚至超越人的能力。

中国正值工业化、城镇化、信息化、农业现代化和绿色化发展高潮，急需通过AI发展不断改善人民生活，提高社会生产力，优化城镇的发展，提高资源利用水平，促进教育、医疗、贫困、环境、资源等紧迫问题的解决。

建议中国布局实施AI2.0时，一是要与重大需求和已积累的发展成果相结合，如电子政务、电子商务、快递物流、智能城市及大数据等先行理念或技术成果；二是研究内容要围绕大数据智能、互联网群体智能、跨媒体智能、人机混合增强智能、自主智能系统等新一代方向；三是要推动和全球各国科学家与智库开展合作，推动人工智能技术沿着服务人类的正确方向升级。

麻省理工机器学习峰会：

人工智能重塑世界

据麻省理工学院网站报道，在麻省理工学院和风险投资公司Pillar联合举办的机器学习峰会上，行业领导者、计算机科学家以及风险投资家汇聚一堂，讨论智能计算机如何重塑我们的世界。

战胜乳腺癌的经历改变了麻省理工学院教授瑞加娜·巴尔齐莱（Regina Barzilay）的研究方向。这段经历清楚明白地告诉她，肿瘤医生及其患者极度缺乏以数据为驱动的决策工具。这不仅包括推荐哪些治疗方法，还包括患者的样品是否真的能确诊癌症，她在峰会上表示：“我们更多地将机器学习用于确定会在亚马逊网站（Amazon）上购买哪支口红，而不是确定是否应接受癌症治疗。”

现在，巴尔齐莱教授使用“机器学习”这种强大预测性方法研究智能计算可以如何帮助患者。借助这项技术，ows计算机可以在获得足够数据和训练的前提下，自行辨认出模式，有时甚至能够超出人类可以指出的模式。

一直以来，机器学习在消费产品领域被大肆报道（例如，苹果公司的Siri可以和我们聊天，是因为机器学习让她能够理解自然人类语言），而本次峰会让大家得以瞥见这个方法更广阔的前景。它不仅能够提供更好的Siri（例如，亚马逊的“Alexa”），还能够改进医疗保健和政府政策。

机器智能“绝对会彻底改变我们的生活”，Pillar的联合创始人表示。他也是这次会议的组织者之一。该会议让行业领导者，风险投资家，学生，以及来自计算机科学与人工智能实验室（CSAIL），数据、系统和社会学院（IDSS），信息与决策系统实验室（LIDS）的教职人员齐聚一堂，讨论真实世界中的问题以及机器学习解决方案。

巴尔齐莱教授已经沿着这个方向思考，其小组的工作旨在帮助医生和患者借助机器学习做出更明智的决策。她设想未来的患者来到肿瘤医生的办公室时，医生可以告诉患者：“如果您采用这种治疗方法，治愈几率会如何变化。”

机器感知

机器学习已被证明十分强大。但该校一名教授认为，机器可以更快速地学习，从而完成更多任务。他的团队所采用的方法是模仿人类在婴儿时期的学习方式。他说：“我们从玩耍开始，了解各种事物给我们带来的感受。”为了说明这一点，他播放了一段婴儿手中翻转发出吱吱响声的气泡包装膜的视频。“重点在于，我们注意到，移动这些物品时，物品会发出各种声音。”

为了让机器能够以类似的方式感受这个世界，他的一名学生录下了自己使用木槌轻击超过1000种物品的声音。这个声音集合被称之为“最美敲击（Greatest Hits）”，包括木槌敲击陶瓷杯具、灌木摇曳和流水飞溅时的声音。获得这些视频输入后，计算机可以开始预测这个世界的声音，并从本质上反映其物理特性。这都无需做出明确的指示。

日常场景视频（没有木槌）也被证明是机敏的老师。通常会使用带注释的图片训练机器，指导它们辨识物体。这意味着程序员会十分细致地列出照片中的每个物体，例如人、灯和高脚椅，以便计算机能够学会如何识别它们。但该团队发现，通过向计算机提供具有物体声音的视频（例如街道的环境噪声或人们的谈话声），机器的神经网络可以在无需任何指导的情况下开始辨识物体。

该教授介绍了使用这种方法训练的机器如何开始识别水、天空和人脸。机器能够非常熟练地识别婴儿，因为“他们会发出非常特别的声音，”他说。识别的声音保存在机器的人造神经元中。他补充道：“有许多专用于婴儿的单元。”

决策辅助者

机器完成学习后，就能够帮助专家更好地决策。麻省理工学院一名助理教授演示了如何通过尽可能多地识别信息数据，让机器更快速地学习、更可靠地预测。她的团队最近开发了新技术，让这个过程变得更加可行。

同时，精明的机器还可以帮助我们评估政策。麻省理工学院的另一名助理教授演示了如何实现这一目的。她的团队与经济学家合作，重点关注如何快速准确地量化不确定性这一问题。例如，小额贷款（即为人们提供用于创业的小额贷款）是否能够真正帮助减轻贫困，需要了解与这些贷款的回报有关的变动后才能得出结论。

要求计算机告诉我们贷款多创造了多少价值时（例如，通过3美元的投资获得了4美元的回报），我们还可以使用机器学习来评估结果的可靠性。如果我们要调整模型，会发生什么？她问道：“我们最终是否会获得同样的数字？还是我们会获得完全不同的数字，从而做出完全不同的行动决策（即制定何种政策）？”机器学习可以为我们指引方向。

关于医疗保健

但是，在峰会上讨论最多的机器智能应用领域是医疗保健。计算机科学与人工智能实验室的一名研究生在陈述会上分享了自己的成果——名为“Lana”的个人营养师应用。我们可以告诉她午餐吃了什么，她会推荐在下一餐吃的富有营养的食品。

癌症幸存者巴尔齐莱想为计算机提供临床报告和医学扫描结果输入。这些图像包含大量信息，但单靠人类无法系统阐述，她指出。例如，如果机器获得您的乳腺X光片，它就可能识别出某种疗法有90%的几率有效。

在同事的帮助下，巴尔齐莱教授还在研究如何提取机器的推理，这一工作虽然更加艰难但很有必要。她表示：“医生们并不满意在最后只获得一个数字，他们需要知道为什么。”

在医生办公室以外的地方，智能机器也可帮助决策。阿曼（Aman）在与美国信息技术公司Actifio首席执行官的非正式访谈中说道，能够实施机器学习的数据科学家已在政府机构中变得无所不在。他目前供职于默克药业（Merck）的药品研发部门，曾在巴拉克·奥巴马（Barack Obama）总统的科学和技术政策办公室（Office of Science and Technology Policy）工作。这位总统在其任期内大力推进所有病历的数字化工作。“就医疗保健而言，我们已从数据收集、捕获、生产和分析的石器时代来到所有这些环节的‘工业时代’，并且仍在继续这一过程。”他表示，“所以，第一个阶段是系统数字化，下一阶段是美国政府向各个部门发布数据。”