人工智能如何应对气候变化
原标题：人工智能如何应对气候变化夏至已至。去年夏天的热浪还让很多人记忆犹新，那是我国自1961年以来的最热夏季。如今，各地频繁出现的高温暴雨等极端天气让人们担心：今年夏天会比去年更热吗？
从数据上看，全球气温升高的趋势相当明显。尽管此前3年的拉尼娜现象对全球气温起到了暂时“刹车”作用，但过去8年仍是有记录以来最热的8年。其中，2016年是有记录以来全球最热的一年。目前有多家机构预测，2023年或2024年极有可能超过2016年，创造新的全球最暖纪录。
面对气候变暖，人类应该如何应对？一些科学家寄望于目前火热的人工智能。
要应对气候变化，首先要“辨症”，要有对天气的准确分析和预测研判的能力。但这并非易事，而人工智能恰恰可以在气象预测领域大展身手。
今年4月，中国发布的人工智能大模型“风乌”，首次实现在高分辨率上对核心大气变量进行超过10天的有效预报。从预报精度看，相比于传统的物理模型，“风乌”的10天预报误差降低19.4%；从预报时效看，全球范围内最好的物理模型HRES有效预报时长最大为8.5天，而“风乌”达到了10.75天；从资源效率看，现有物理模型往往需要在超级计算机上运行，而“风乌”大模型仅用GPU便可运行，30秒即可生成未来10天全球高精度预报结果。
从“风乌”的实践可以看出，人工智能应用于气象领域，从大数据中挖掘规律，可与传统的数理方程形成互补，为生产生活提供更准确、更实用的天气预报。气候变暖将让极端天气更频繁，人工智能可用于改善气象灾害警报系统，实现提前和精准预警，在防灾减灾中发挥更大作用。
应对气候变化，从长远来看，还需要“去根”，即针对气候变化原因采取各种减缓措施。不少科学家认为，气候变暖与碳排放带来的温室效应密切相关，只要人类社会的化石燃料消耗不减少，气候变暖的趋势就不会停止。
加强人工智能应用，可以实现更精准、稳定、有效的减排。人工智能作为能源转型的重要辅助工具，越来越多地被整合到工业系统和家居生活的能源管理中，提高能源利用效率、减少峰值需求，最大限度地利用可再生能源。此外，在核聚变、新能源材料、碳捕集存储利用等领域，人工智能也可以通过发挥数据分析、建模和预测等方面的优势，为这些绿色技术的研发加速。
波士顿咨询集团（BCG）曾在其研究报告中预测，如果要实现《巴黎协定》中提出的将全球平均气温上升限制在1.5℃的目标，各国必须在2030年前减少50%的碳排放。使用人工智能可以帮助减少26亿吨至53亿吨的二氧化碳排放，占减排总量的5%至10%。
如果把人工智能看作一剂药方，那么它也有局限和副作用。例如，人工智能大模型本身就是耗能大户，会增加碳排放。当它与人脑同时工作时，人脑的能耗仅为机器的0.002%。
人工智能是引领未来的新兴战略技术之一，气候变化是当今世界面临的最紧迫挑战之一。人工智能革命和绿色能源革命齐头并进，已成为大国竞争必须抢占的科技制高点。我们既期盼更绿色环保的人工智能，也期盼更智能可控的绿色能源，就像期盼盛夏不再酷热难耐。
(责编：杨曦、陈键)关注公众号：人民网财经分享让更多人看到
科技创新+资本，人工智能的未来在哪里这场论坛告诉你
6月25日下午，北京大学上海金融家俱乐部主办的2023北京大学青年金融家论坛在北外滩举办。
据介绍，本次论坛的主题为“科技创新投资的思考与实践”。当下，科技创新正深刻地改变着金融业的格局和方式。人工智能、大数据、区块链等新兴技术不断涌现，为金融业带来了巨大的机遇和挑战。
在主题演讲环节，论坛邀请了北大校友、峰瑞资本管理合伙人沈炯就科技创新投资做了分享，邀请北大校友、西北工业大学副教授邵典分析了人工智能的未来趋势。
在青年金融家圆桌会议上，来自投资界的青年金融家就基金投资进行了热烈讨论。中国证券投资基金业协会阎焱副会长和北京大学上海金融家俱乐部潘慕平主席作为嘉宾参与了互动，交流气氛热烈。
区金融局表示，近年来虹口区积极融入上海国际金融中心建设，大力扶持培育以财富管理和资产管理为特色的金融产业，加快推动北外滩地区成为上海全球资产管理和金融科技的双重核心承载区。金融产业已经成为虹口的核心支柱产业。当前亟需从思考和实践的角度，深入研究科技创新与金融投资的融合，以推动虹口区金融产业转型升级，不断提高区域金融业的综合竞争力。希望借助本次论坛平台，能够充分实现交流与互动，为行业和虹口金融高质量发展提供有益的思路和建议。虹口热忱欢迎青年金融家来北外滩这个金融活跃区域发展，在这里更好地实现自我抱负和人生价值。
当天，与会人员还一同见证了北大上海金融家俱乐部在中国证券博物馆设立“北大上海金融家俱乐部图书专柜”的捐赠仪式。
记者：殷建华
原标题：《科技创新+资本，人工智能的未来在哪里？这场论坛告诉你》
阅读原文
全球数治｜欧美人工智能监管政策的新趋势
自拜登总统上台后，美欧在人工智能监管政策方面呈现出趋同和对标的态势，或将对今后全球人工智能治理格局产生较大影响。
以上观点来自美国乔治城大学麦考特公共政策学院学者亚历克斯·恩格勒（AlexEngler）教授的研究发现，具体见于二月初他在美国布鲁金斯学会官网发表的文章《欧盟和美国在人工智能监管方面开始趋于一致》（TheEUandU.S.areStartingtoAlignonAIRegulation）。
通常认为，美国更鼓励人工智能技术创新与发展，强调监管的科学性和灵活性，致力于确保和增强美国在该领域的科技和经济领导地位；欧盟的监管风格则趋向于强硬，既强调发展，又注重规制，期望通过高标准的立法和监管来重塑全球数字发展模式。因此，双方在人工智能领域的治理行动不时会产生分歧与摩擦。从以下几份重要监管政策文件也可以看出，美国和欧盟对人工智能这项第四次工业革命引领性新技术的治理路径和思路存在相当大的差异。
2020年以来，美国联邦政府首份《人工智能应用监管指南》、欧盟《人工智能白皮书》、《欧洲数据战略》等文件陆续出台，标志着欧美人工智能政策的侧重点从伦理规范向监管规制逐步转变，同时也显示全球范围内围绕AI主导权的竞争从争夺科技领先优势开始转向通过立法和监管来谋求科技主导地位。
亚历克斯·恩格勒（AlexEngler）指出，自2017年以来，至少已有60个国家制定和实施了某种形式的人工智能治理政策，全球治理格局随之变得复杂。随着人工智能在互联网设备和服务中的部署越来越普遍，加强人工智能治理国际合作的需求也日益紧迫。国家间若能形成更加一致和协同的人工智能治理方法，将有助于加强共同监督，支持全球人工智能供应链顺利平稳运行，并促进科学研究与数据共享。在此背景下，拜登政府对人工智能的治理开始采取较以往更为积极的态度，与欧盟相关政策表现出一定程度的对标，具体体现在重要国际合作中的政策融入、国内监管政策的积极变化及相关人事调整等方面。
恩格勒认为，欧盟构建严密人工智能监管体系的最新进展以拟议中的《人工智能法》草案为代表，将为数字服务（如招聘和招生软件）和互联网产品（如医疗设备）中的高风险人工智能应用设立严格的监管规定。同时，欧盟也积极致力于将关于人工智能政策的讨论和协调融入到新成立的欧盟-美国贸易和技术委员会（TTC）议程中去，希望能与美国在一些具体问题上达成治理共识，美国对此也表示乐见其成。另一方面，由于欧盟《人工智能法》草案的审议流程还将持续一段时间，参考《通用数据保护条例》（GDPR）的生效过程，《人工智能法》主导下的重大监管决定恐怕要等到几年后才会出台，而在通过TTC加强与欧盟治理合作的背景下，美国无论是现阶段国内监管政策的调整，还是未来几年政策变化的趋势，都有可能与欧盟逐渐靠拢，甚至在决策和执行速度方面领先于欧盟。
就美国国内人工智能监管政策而言，恩格勒认为，诸多分散和渐进式的政策发展正在汇聚成具有积极意义的变化。例如，美国食品和药物管理局和美国交通部一直致力于将人工智能监管纳入其监管框架；美国联邦贸易委员会（FTC）于近期启动了对于人工智能歧视、欺诈和数据滥用等问题的监管规则制定；住房和城市发展部正着手推翻原先制定的一项规则，允许人们对与住房分配有关的算法决策不公提起歧视诉讼和索赔；平等就业机委员会发起了一项在人员雇佣和办公场所管理等方面需合理有限采用人工智能系统的倡议；五大金融监管部门也已开始调查美国金融机构中存在的影响风险管理、公平借贷和信用额度的人工智能应用及相关做法。与此同时，美国国家标准和技术研究院正在制定一个人工智能风险管理框架，部分参考了欧盟对人工智能进行分级监管的思路；参议院最近拟议的《平台责任和透明度法案》则提出在经国家科学基金会批准并由FTC强制执行企业合规的前提下，科研人员将可以使用来自各大互联网平台的原始数据。其立法思路与欧盟的《数字服务法》草案核心条款也颇为类似。
在美国监管机构负责人的人事调整方面，拜登政府任用了知名反垄断专家莉娜·汉（LinaKhan）担任FTC主席，麦莉蒂斯·怀特柯（MeredithWhittaker）负责AINow研究所，并邀请资深人工智能危害研究学者苏莱希·文可塔苏波莱曼年（SureshVenkatasubramanian）和拉希达·理查德森（RashidaRichardson）加入白宫科技政策办公室，启动一系列关于生物识别等有害人工智能技术的公共活动，以推动人工智能权利法案的制定。
恩格勒认为，上述这些政策安排显示拜登政府正在趋向与欧盟相类似的人工智能监管目标，并且在具体行动上也变得更为积极主动，客观上将加强欧美双方在人工智能治理政策上的一致性。但是，双方还可以采取更进一步的行动，特别是在遏制人工智能危害方面形成共同的定义和治理方法，为达成长期政策对标奠定基础。首先，应当推动双方国家标准机构之间实现更多的人工智能数据共享，以及具体监管机构、人员之间的沟通与合作。其次，双方可委派特定人员组成一个国际人工智能监管协调机构来推动双方政策对标，并就如何避免规则冲突向各相关方面提供建议。在此基础上，双方可继续致力于实现一致的人工智能系统审计程序和标准，以及通过对人工智能系统的联合实验、测试等方式来促成更有凝聚力的监管行动。接下来，美国和欧盟还应该考虑将监管合作融入TTC协商议程，为更广泛的全球治理做好准备。
美国和欧盟前期在人工智能监管政策方面的思路差异主要源于其产业发展实际状况的差别，但归根结底都是为了打造自身的竞争力和技术主导权。随着人工智能领域的竞争从技术研发、数字经济层面逐渐扩展到国际规则制定层面，双方意识到国际协同治理的重要性，在具体监管政策上开始趋同也属意料之中。当前，全球正处于人工智能技术创新和产业增长的爆发期，各国各地区纷纷出台人工智能战略，而监管正是其中一项十分重要的政策工具，加强国际监管合作亦是实现利益共赢的理性选择。同样作为人工智能大国的中国，也应考虑积极投身人工智能领域的国际治理合作与标准制定，重视AI伦理，加强AI治理，从而进一步提升科技竞争力和规则话语权。
AIGC、AI、AGI，解密人工智能技术的发展历程和未来趋势！
根据最近的机构研究报告，为您总结相关行业的投资要点，供参考：一、认识AIGC
AIGC（ArtificialIntelligenceGeneratedContent），即人工智能内容生成。AIGC通常基于深度学习和自然语言处理技术，利用大规模的语料库进行训练，从而让机器能够自动生成与人类语言相似的内容。一般来说，AIGC需要输入一些指令或者关键词，然后系统就会自动产生相应的内容，例如文章、新闻、评论、诗歌、小说、音乐、视频字幕等等。当下，树立对AIGC正确的认知已经成为重要的知识素养。下文将从概念、技术和热点话题等多个角度出发，帮助读者形成对AIGC概念的初步认知。
二、从AI、AIGC到AGI
理解AIGC，需要结合人工智能（ArtificialIntelligence）、内容生成（GeneratedContent）两个角度。一方面，AIGC属于AI的分支，从人工智能的角度理解有利于掌握其技术内涵。
AI指人工智能，它是一种能够通过计算机程序实现人类智能的技术。AI在上个世纪50年代出现，并在之后几十年里得到了广泛的发展和应用。它包括了许多不同的子领域，如机器学习、自然语言处理、计算机视觉等，可以应用于广泛的领域，如医疗、金融、工业等。
AIGC技术的兴起可以追溯到近年来机器学习和深度学习等技术的发展。AIGC指人工智能生成技术，它是一种利用机器学习和神经网络等技术来生成各种形式内容的技术。这些内容包括文本、图像、音频等等，通常是通过输入大量的训练数据来训练模型，并使用这些模型来生成新的内容。2023年，ChatGPT应用的出现展示了AIGC的潜力，掀起了AIGC的发展浪潮。
AGI指通用人工智能，它是一种可以像人类一样进行多种任务和活动的人工智能技术。与目前的AI技术相比，AGI具有更高的灵活性和智能性，可以在不同的环境和任务中进行适应和学习。然而，AGI技术仍处于概念发展的初级阶
（以上内容为自选股智能机器写手差分机完成，仅作为用户看盘参考，不能作为操作依据。）风险提示：以上内容仅作为作者或者嘉宾的观点，不代表和讯的任何立场，不构成与和讯相关的任何投资建议。在作出任何投资决定前，投资者应根据自身情况考虑投资产品相关的风险因素，并于需要时咨询专业投资顾问意见。和讯竭力但不能证实上述内容的真实性、准确性和原创性，对此和讯不做任何保证和承诺。（责任编辑：贺翀）高新波教授：人工智能未来发展趋势分析
0分享至来源：高校人工智能与大数据创新联盟如果按照聪明和笨、勤奋和懒惰来划分，世人大致可分为四类：聪明且勤奋、笨但勤奋、聪明却懒惰、笨且懒惰。一般而言，前两种人成功的几率会比较大。因此，人们总结出“勤能补拙是良训，一份汗水一份才”的成功经验。进而得出了“聪明人都在下笨功夫，愚蠢的人都在找捷径”这样看似很有道理的名言警句。与此同时，人们又常说“聪明是一种天赋，勤奋是一种选择”，因此大家往往会把勤奋看成一种美德，而把聪明贬低为“小聪明”。但是，在现实生活中靠勤奋成功的人，总是给人一种很悲壮的感觉，令人尊重但并不让人羡慕。如果可以选择，我们当然希望选择聪明。聪明往往是指一个人机智灵活，学习中具有举一反三、触类旁通的能力。这样的人不费多少力气就能掌握某种知识和技能，而且善于解决复杂问题，尤其是以前没有处理过的问题。而勤奋则是指认认真真努力干好每一件事情，不怕吃苦，踏实肯干。这样的人默默持久的坚持，有一种水滴石穿、永不言弃的精神。经过了60多年的发展，人工智能（ArtificialIntelligence,AI）就是父母口中所说的那个别人家的孩子，看上去毫不费力却取得了很大的成功。其实，今天的AI只是一个勤奋、听话、精力充沛、几近完美的“笨小孩”。比如，打败围棋九段柯洁和李世石的AlphaGo存储了多达100万盘棋谱，它正是通过学习这些数据才总结出柯洁和李世石下棋的策略，进而提前做出布局。而柯洁和李世石两个人加起来终其一生也不可能下到100万盘棋。尽管后来AlphaGo的升级版AlphaGoZero已经无需再输入棋谱，而是从零基础开始，通过自己左右互搏自学成才。AlphaGoZero不断探索和累积经验，现在已碾压AlphaGo。但是，我们却很难把AlphaGo和AlphaGoZero与“聪明”关联起来。因为它们的成功更多来自“勤能补拙”，就像是我们自己家的那个懂事勤奋又刻苦的孩子，确实取得了很大成功，但是着实相当不易，非常辛苦！我们由衷地为孩子高兴，却又总觉得苦了孩子，总希望他们能多一点聪明，少一点辛劳！同样的道理，我们也希望未来的AI更多地赢在“智能”而不是“人工”上。对于未来AI的发展，大家都做出了很多预测。概括起来，大致可以总结为以下六个方面的发展趋势。如果在这些方面不断取得新突破，就会使AI不仅勤奋而且聪明，可更好地满足人们的需要。高新波重庆邮电大学校长、教授；西安电子科技大学大数据安全教育部工程研究中心主任，重庆市青年科技领军人才协会会长，科技部重点领域创新团队负责人，教育部创新团队负责人。主要从事机器学习、计算机视觉、模式识别和多媒体内容分析等领域的研究和教学工作。CAAI/CIE/CCF/IETFellow。一、绿色低碳更灵巧的人工智能2021年10月24日，中共中央、国务院《关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》提出大力发展绿色低碳产业，为AI赋能产业提出了新要求——绿色化助力碳中和。清华大学智能产业研究院院长张亚勤提出AI+IoT绿色低碳应用场景，一是清洁能源和传统能源的融合领域，AIoT技术可以监测碳排放，智能调度；二是信息和通信技术产业本身，大型的数据中心、5G等快速发展，消耗了很多能源，AI可以应用其中实现节能减排；三是新兴产业，比如在绿色城市、绿色交通等领域，AIoT也大有可为。其实，未来AI自身的发展也应该沿着绿色低碳方向进行。当下的AI正在“野蛮生长”，其算法、数据和算力这三大基石也在进行规模扩张式发展。深度神经网络的模型规模越来越大，参数越来越多，因此所需要训练样本的规模越来越大，训练网络所需的算力必须越来越强，对资源的消耗必然越来越高。这样的发展显然是与绿色低碳背道而驰。以OpenAI提出的自然语言处理领域的GPT模型为例，其强大的功能是建立在超大的训练语料、超多的模型参数，以及超强的计算资源之上。GPT模型的参数量为1.17亿，预训练数据量5GB；GPT-2的参数量为15亿，预训练数据量40GB；GPT-3的参数量为1750亿，预训练数据量45GB。据说，GPT-4的参数量将达到100万亿，比GPT-3还要大500倍。同时，针对监督学习来说，数据量的增长需要很多人力进行样本标注，从而产生了一批又一批被AI“累死”的人。为此，有人提出了“难道有多少人工，才有多少智能？”这样的灵魂拷问。反观人类的智慧体现在“否定”“遗忘”“有所为有所不为”等哲学上。这样的智慧是在做减法，通过主动“选择”走上了一条绿色极简的发展道路。为了实现绿色低碳智能系统，我们希望未来AI的发展方向应该是做“减法”而不是做“加法”。一方面构建更为灵巧的网络模型，通过轻量化的模型降低对数据量和算力的需求；另一方面，构建更为高效广泛的共享复用机制，针对AI大模型，加大开放、共享的广度和深度，提高预训练模型的效益，从而从宏观上实现绿色低碳的总体效果。总之，“创新、协调、绿色、开放、共享”五大发展理念为未来AI的发展指明了方向，提出了根本遵循。二、知识数据双驱动的人工智能人工智能的发展历程经常被划分为两代，即知识驱动的AI和数据驱动的AI。第一代AI主要基于知识库和推理机来模拟人类的推理和思考行为。其代表性成果就是IBM公司的DeepBlue和DeeperBlue，于1997年5月打败了当时的国际象棋冠军卡斯帕罗夫。知识驱动的AI具有很好的可解释性，而且知识作为一种数据和信息高度凝练的体现,也往往意味着更高的算法执行效率。但是，其缺点在于完全依赖专家知识。一方面，将知识变成机器可理解可执行的算法十分费时费力；另一方面，还有大量的知识或经验难以表达建模。因此，知识驱动的AI的应用范围非常有限。第二代AI则基于深度学习来模拟人类的感知，如视觉、听觉、触觉等。其代表性成果就是深度神经网络，通过收集大量的训练数据并进行标注，然后训练设计好的深度网络。这类AI不需要领域知识，只需要通过大数据的训练就可以达到甚至超过人类的感知或识别水平。这类AI具有通用性强、端到端的“黑箱”或傻瓜特性。但是，也正是由于其“黑箱”特性，才使得第二代AI算法非常脆弱，依赖高质量、带标记的大数据和强大的算力。因此，具有鲁棒性差、不可解释，以及不太可靠等瓶颈问题。为此，清华大学张钹院士提出第三代AI，希望将知识驱动和数据驱动结合起来，充分发挥知识、数据、算法和算力四要素的作用，建立可解释的鲁棒AI理论。为了探索知识与数据双驱动AI的落地，华为云提出了知识计算的概念。它把各种形态的知识，通过一系列AI技术进行抽取、表达后协同大量数据进行计算，进而产生更为精准的模型，并再次赋能给机器和人。目前，知识计算在若干垂直行业获得初步成功。为此，华为云把明确定义的应用场景、充沛的算力、可以演进的AI、组织与人才的匹配归纳为影响行业AI落地的4个关键要素。但是，这种垂直行业成功的AI距离通用AI却是渐行渐远。未来，数据与知识双驱动的通用AI将是一项极具挑战性的课题。三、人机物融合的混合人工智能习近平总书记在2021年5月中国科协第十次全国代表大会上的讲话指出：“以信息技术、人工智能为代表的新兴科技快速发展，大大拓展了时间、空间和人们认知范围，人类正在进入一个人机物三元融合的万物智能互联时代”。为此，我们的研究对象将由过去的物理-信息系统（CPS）向物理-信息-人类社会更复杂的系统扩展。人类所面临的许多问题具有不确定性、脆弱性和开放性，同时人类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将是贯穿始终的。这就需要将人的作用或认知模型引入到AI中，从而形成“人机混合智能”或“混合增强智能”。人机混合增强智能有两种形态，一种是人在回路中（Human-in-the-loop）的混合增强智能；一种是人在回路上（Human-on-the-loop）的混合增强智能，或者说基于认知计算的混合增强智能。前者将人作为一个计算节点或者决策节点放置于整个智能回路中；后者则将人的认知模型引入到AI系统，形成一种类人的AI。其实“人机混合”这一概念并不陌生，人与动物一个最重要的区别就是人会制造和使用工具，而人使用工具的过程就是“人机混合”的过程。机械化时代，人机混合延伸和增强人的体力；信息化时代，人机混合延伸和增强人的感知力；在今天的智能化时代，人机混合增强人类的智力，将是人脑主导的“感知力增强”和“智力增强”。比如，可穿戴设备，智能手表、智能眼镜、智能服装等，都帮助我们构建以人为中心的智能系统。人机混合增强智能系统的技术瓶颈在于人机的自然交互或接口技术，这将是未来AI研究的难点和关键核心问题。当前，人机混合智能已经有了很多尝试。比如，可穿戴搬运机器人在马达驱动下支撑人的上半身，减轻搬运重物时腰部负担；一些科学家还尝试将电极植入人脑中，让人脑可以随时直接从计算机中下载或上传数据，大幅提升人类的认知能力。未来人机混合增强智能希望能够建立以人为中心的智能形态，保证它“可用、好用”，而且“可控”。此外，当前的AI由于尚没有自主的意识，其价值观主要是由使用者的价值观决定。因此，我们需要通过人机混合的方式为AI“立心”，从而让AI更好的为人类“立功”。四、可信可靠可解释的人工智能机器学习尤其是深度学习的发展使得人工智能模型越来越复杂，而这些更复杂更强大的模型变得越来越不透明。再加上这些模型基本上仍然是围绕相关性和关联性建立的，从而导致很多挑战性的问题，如虚假的关联性、模型调试性和透明性的缺失、模型的不可控，以及不受欢迎的数据放大等。其中，最核心的问题就是AI的可解释性。这一问题不解决，AI系统就会存在不可信、不可控和不可靠的软肋。2019年欧盟出台《人工智能道德准则》，明确提出AI的发展方向应该是“可信赖的”，包含安全、隐私和透明、可解释等。2016年，来自谷歌机器学习科学家AliRahimi在NIPS大会上表示，当前有一种把机器学习当成炼金术来使用的错误趋势。同年，美国国防高级研究计划局制定了“DARPAExplainableAI(XAI)Program”，希望研究出可解释性的AI模型。关于“可解释性”，来自谷歌的科学家在2017年ICML会议上给出一个定义——可解释性是一种以人类理解的语言(术语)给人类提供解释的能力（Interpretabilityastheabilitytoexplainortopresentinunderstandabletermstoahuman）。人有显性知识和隐性知识，隐性知识就是经验直觉，人可以有效地结合两种不同的知识；而我们在解释、理解事物时必须是利用显性知识。当前的深度学习是以概率模型得到了隐性的知识，而显性知识适合用知识图谱来模拟。但是，目前深度学习和知识图谱这两个世界还没有很好地走到一起。可解释性要求对AI系统的技术过程和相关的决策过程能够给出合理解释。技术可解释性要求AI做出的决策是可以被人们所理解和追溯。在AI系统会对人类的生命造成重大影响时，就需要AI系统的决策过程有一个合理的解释、提前的预判与合法的控制。因此可解释性AI有三大需求，第一是使深度神经网组件变得透明；第二是从深度神经网里面学习到语义图；第三是生成人能理解的解释。AI系统不一定有意识，但可以有目的。机器学习的真正难点在于保证机器的目的与人的价值观一致。AI面临的重要挑战不是机器能做多少事，而是知道机器做的对不对。五、非深度神经网络的人工智能今天AI的成功在很大程度上是大数据和深度学习的成功。如果把AI未来的发展全部寄托在深度神经网络上，总让人感到有些单调，尽管目前的网络形态也是多种多样的。为了保持“物种的多样性”，有必要研究深度神经网络以外的AI系统。南京大学周志华教授认为，深度神经网络之所以成功的原因主要是基于逐层加工处理、内置特征变换和模型复杂度三个关键因素。但是，这三个因素并没有“要求”我们必须使用神经网络模型；只要能同时做到这三点，别的模型应该也能做深度学习。为此，他们提出了“深度森林”这种非神经网络的新型深度学习模型。深度森林的基础构件是不可微的决策树，其训练过程并不基于BP算法，甚至不依赖于梯度计算。“深度森林”具有训练简单、效率高等优点，小规模训练数据也可运转，而且在理论分析方面也更容易。因此，成为非深度神经网络AI系统的一种尝试。此外，华南理工大学陈俊龙教授认为，虽然深度结构网络非常强大，但大多数网络都被极度耗时的训练过程所困扰。其中最主要的原因是，上述深度网络都结构复杂并且涉及到大量的超参数。为此，他提出了宽度神经网络系统。相对于“深度”结构来说，“宽度”结构由于没有层与层之间的耦合而非常简洁。同样，由于没有多层连接，宽度网络亦不需要利用梯度下降来更新权值，所以计算速度大大优于深度学习。在网络精度达不到要求时，可以通过增加网络的“宽度”来提升精度，而增加宽度所增加的计算量与深度网络增加层数相比，可以说是微乎其微。当然，也有学者认为，现有的宽度学习仅适用于数据特征不多，但对预测实时性要求较高的场景。不管是深度森林还是宽度网络，它们的意义在于为我们提供了未来AI系统的更多可能，以及多元化的新选择。从而避免出现人们不得不被迫选择深度神经网络的无奈。我们相信，未来一定还会有更多的非深度神经网络的AI系统，因为系统多样性是改善AI生态环境的重要保障。六、开放环境自适应的人工智能今天AI取得的成功基本上都是封闭环境中的成功，其中的机器学习有许多假设条件，比如针对数据的独立同分布假设，以及数据分布恒定假设等。我们通常要假定样本类别恒定，测试数据的类别是与训练数据的类别一致，不会出现训练时没有遇到的类别。此外，样本属性也是恒定的，在测试时也要求属性特征完备。而实际情况是，我们现在越来越多地碰到所谓的开放动态环境。在这样的环境中可能一切都会发生变化，这就要求未来的AI必须具备环境自适应能力，或者说要求AI的鲁棒性要强。比如，在自动驾驶或无人驾驶领域，在实验室的封闭环境下，无论采集多少训练样本都不可能涵盖所有情况，因为现实世界远比我们想象的丰富。这样在自动驾驶的过程中会遇到越来越多的以前没有见到的特殊情况，尤其是越是突发事件，越是很少出现的场景，这就对AI系统的自适应性或鲁棒性提出极大的挑战。因此，未来AI的发展必须能应对“开放环境”的问题，即如何在一个开放环境下通过机器学习进行数据分析和建模。此外，现有AI技术依赖大量的高质量训练数据和计算资源来充分学习模型的参数。在系统初始建模阶段，由于数据充分能够得到比较理想的效果。然而，在投入使用一段时期后，在线数据内容的更新，就会产生系统性能上的偏差，严重时直接导致系统下线。在训练数据量有限的情况下，一些规模巨大的深度神经网络也容易出现过拟合，使得在新数据上的测试性能远低于之前测试数据上的性能。同时，在特定数据集上测试性能良好的深度神经网络，很容易被添加少量随机噪声的“对抗”样本欺骗，从而导致系统很容易出现高可信度的错误判断。因此，发展鲁棒性、可扩展性强的智能学习系统必定会成为下一代AI系统的重要研究课题。从以上未来AI系统发展的六种形态以及各自的发展趋势来看，下一步的研究需要系统、全面地借鉴人类的认知机理，不仅是神经系统的特性，还有认知系统（包括知识表示、更新、推理等），发展更加具有生物合理性，以及更灵活、更可信可靠的AI系统。唯有如此，未来AI系统才能够实现“不仅勤奋而且更聪明更有智慧”的理想。让我们共同努力，一起向未来！来源：中国人工智能学会（参考文献略）版权声明：转载文章和图片均来自公开网络，推送文章除非无法确认，我们都会注明作者和来源。如果出处有误或侵犯到原作者权益，请与我们联系删除或授权事宜往期精彩文章（单击就可查看）：1.2.3.4.5.6.7.8.9.10.11.12.办13.14.15.16.17.18.19.20.21.22.23.24.25.特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.
/阅读下一篇/返回网易首页下载网易新闻客户端