人工智能的研究路径和发展途径是什么
人工智能的研究路径和发展途径是什么？来源：中国教育信息化网作者：李志民自2016年以来AlphaGo接连击败顶级的人类围棋棋手之后，AI(人工智能)的能力和潜力再次刷新了我们的认知，并在全球掀起了一场人工智能大发展的热潮。人工智能到底会如何发展，一直都是媒体和整个社会讨论的焦点，AI研究人员是如何看待的呢？
最近，偶然在微信圈里看到北京大学的黄铁军教授为2018年图灵奖获得者、卷积神经网络之父 YannLeCun的自传写的序，其中既有不谋而合之处，又有发人深省的地方。摘编如下：
黄教授在文中写道：人类智能是地球环境培育出的最美丽的花朵，我们在为自己骄傲的同时，也要警惕人类中心主义。地球不是宇宙的中心，人类智能也没有类似的独特地位，把人类智能视为人工智能的造物主，曾经禁锢了人工智能的发展。沉迷于寻求通用智能理论，将是阻碍人工智能发展的最大障碍。这个思想基本上贯穿全文，也是非常值得深思的部分。
对于智能的定义，黄教授认为，智能是系统通过获取和加工信息而获得的能力。智能系统的重要特征是能够从无序到有序（熵减）、从简单到复杂演化（进化）的。生命系统是智能系统，也是物理系统；既具有熵减的智能特征，也遵守熵增在内的物理规律。人工智能是智能系统，也是通过获取和加工信息而获得智能，只是智能载体从有机体扩展到一般性的机器。就像人可以分为精神和肉体两个层次（当然这两个层次从根本上密不可分），机器智能也可以分为载体（具有特定结构的机器）和智能（作为一种现象的功能）两个层次，两个层次同样重要。
AI技术的传统研究路径有符号主义、连接主义和行为主义。
符号主义有过辉煌，但不能从根本上解决智能问题，一个重要原因是“纸上得来终觉浅”：人类抽象出的符号，源头是身体对物理世界的感知，人类能够通过符号进行交流，是因为人类拥有类似的身体。计算机只处理符号，就不可能有类人感知和类人智能，人类可意会而不能言传的“潜智能”，不必或不能形式化为符号，更是计算机不能触及的。要实现类人乃至超人智能，就不能仅仅依靠计算机。
连接主义采取自底向上的路线，强调智能活动是由大量简单单元通过复杂连接后并行运行的结果，基本思想是：既然生物智能是由神经网络产生的，那就通过人工方式构造神经网络，再训练人工神经网络产生智能。它的困难在于，不知道什么样的神经网络能够产生预期智能，因此大量探索归于失败。20世纪80年代神经网络曾经兴盛一时，掀起本轮人工智能浪潮的深度神经网络只是少见的成功个案。
行为主义是第三条路径。生物智能是自然进化的产物，生物通过与环境以及其他生物之间的相互作用发展出越来越强的智能，人工智能也可以沿这个途径发展。这个学派在20世纪80年代末90年代初兴起，近年来颇受瞩目的波士顿动力公司的机器狗和机器人就是这个学派的代表作。行为主义遇到的困难和连接主义类似，那就是什么样的智能主体才是“可塑之才”。
黄教授认为，展望未来，人工智能的发展途径有三条：
一是继续推进“大数据+大算力+强算法”的信息技术方法，从而得到信息模型。收集尽可能多的数据，采用深度学习、注意力模型等算法，将大数据中蕴藏的规律转换为人工神经网络的参数，这实际上是凝练了大数据精华的“隐式知识库”，可以为各类文本、图像等信息处理应用提供共性智能模型。
二是推进“结构仿脑+功能类脑+性能超脑”的类脑途径，从而得到生命模型。把大自然亿万年进化训练出的生物神经网络作为新一代人工神经网络的蓝本，构造逼近生物神经网络的神经形态芯片和系统，站在人类智能肩膀上发展机器智能。
三是通过“强化学习+物理模型+算力”的自主学习途径，从而得到自主智能模型。其技术路线的核心是建立自然环境的物理模型，通过强化学习训练自主智能模型。比如，构造地球物理模型，训练出的人工智能系统能够适应地球环境，与人类共处共融；构造高精度物理模型（例如基于量子力学模型构造出粒子、原子、分子和材料模型），可以训练出能够从事物理学和材料学研究的人工智能；构造出宇宙及其他星球的物理模型，可以训练出的人工智能则有望走出地球，适应宇宙中更复杂的环境。（参考全文可查阅：黄铁军：沉迷于寻求通用智能理论，将是阻碍AI发展的最大障碍|YannLeCun自传《科学之路》序）
从以上研究路径和发展途径看，对现阶段的人工智能毋须过分魔幻，AI只是众多科研方向的其中之一。其研究方向可以概括为：符号主义学派把人类的感知抽象成“符号”，使用逻辑推理和演算的方法，通过解析物理符号系统假说和启发式搜索原理去寻找智能，它关心的是承载智能的心理结构和逻辑结构，即符号主义学派是在研究“心智”(Mind)；连接主义学派使用生物仿生学的方法，通过构建模拟生物体脑部的组织结构去寻找智能，它关心的是承载智能的生理结构，即连接主义学派是在研究“大脑”（Brain)；而行为主义学派认为智能是由环境习得的，通过环境反馈和智能行为之间的因果联系去寻找智能，既不关心智能的载体和其内部的生理结构，也不关心智能的逻辑和心理结构，只关心智能的外部可观察到的行为表现，即行为主义学派是在研究“行为”(Action)。
可以看出，当前的人工智能还只能说是由自动控制向自动化的升级，本质上还是人的智能，仅仅也就停留在弱人工智能的初级阶段，离有知觉、有自我意识，可以独立思考问题并制定解决问题的最优方案甚至有自己的价值观和世界观体系的强人工智能更是相差十万八千里。
所以我们应该去思考，人工智能没有解决的是什么？智能的形成机制是什么？有没有脑科学和神经科学的可靠理论支撑？难道智能仅仅是算法吗？搞清楚这些问题，我们就不会陷入科幻的杞人忧天和恐慌之中而得出自己的判断。自然人的智能只是电信号吗，只是靠电力吗？没有电力供应的智能机器怎么运转，人类在发明电力之前可是有过几千年的文明史。
上一篇：预长聘制应以真正的同行评议为基础
下一篇：什么是碳达峰、碳中和
人工智能崛起的关键人物
一个是斯坦福大学计算机科学系和电子工程系教授吴恩达。吴恩达主要成就在机器学习和人工智能领域，他是人工智能和机器学习领域最权威的学者之一。2010年，时任斯坦福大学教授的吴恩达加入谷歌开发团队XLab——这个团队已先后为谷歌开发无人驾驶汽车和谷歌眼镜两个知名项目。吴恩达与谷歌顶级工程师开始合作建立全球最大的“神经网络”，这个神经网络能以与人类大脑学习新事物相同的方式来学习现实生活。谷歌将这个项目命名为“谷歌大脑”，也就是之前提到的GoogleBrain项目。
吴恩达
另外一个人也是斯坦福的教授，2015年“全球百大思想者”李飞飞。李飞飞建立了一个图像识别资料库，通过这个图像库的训练，李飞飞成功地训练出视觉能力超过人的人工智能系统。
李飞飞
所以学术界对于深度学习的重视是2012年到来的。这一年人工智能视觉识别实现了突破，在斯坦福举办的ImageNet比赛上，深度学习不光超越了其它所有算法，也第一次超越了人类。
公众对于人工智能的重视发生得更晚。一直到2016年3月份，谷歌AlphaGo战胜了李世石，深度学习受到了大众追捧。
这里插个题外话。回顾这段历史，我们发现两个道理：
1.人工智能的发展史源远流长。
2.人工智能的开创者GeoffreyHinton教授不年轻了。
在传统的认知里，我们经常会觉得很多伟大的科学发明都是一蹴而就的。因为中国人从小听惯了“牛顿和苹果”的故事，以为伟大的发明都是灵光一闪。
与人工智能类似，现代3D打印技术的发明人查尔斯·胡尔（CharlesW.Hull）在1986年发明了SLA（光固化立体成型）技术。但受限于当时的工艺条件，其体型十分庞大，有效打印空间却非常狭窄。在这30多年的时间里，人类做了大量的研究，进行了无数次的探索，不断改进细节，才得以把这项技术的潜力真正发挥出来。
全球第一台光固化SLA-250
这就回到我们刚开始提出的，我们往往会重视那些新技术的发明家，然而忽略了改进并推广这项技术的战略家。把技术革命的价值真正实现出来，推动社会进步的，包括众多企业家，他们都在为人类科技的进步添砖加瓦。
深度学习只是人工智能的一部分
回到人工智能的话题上来我们知道，深度学习只是人工智能的一个分支。这一轮人工智能革命的代表是深度学习的突破，以AlphaGo为代表的深度学习领域内的佼佼者，已经开始将其运用到各个行业领域。但是人工智能的革命才刚刚开始，未来到底是不是深度学习的延续，还是人工智能的另一个领域实现赶超，我们都不得而知。
深度学习是机器学习（MachineLearning）研究中的一个新领域。所谓机器学习，是指通过学习算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来的预测。机器学习是人工智能的一个分支，很多时候几乎成为人工智能的代名词。
除了深度学习，机器学习还有一个重要的分支：强化学习（ReinforcementLearning，RL），也成为增强学习。Google的DeepMind就是将深度学习和强化学习这两者的精髓合二为一，提出了深度强化学习。强化学习最早可追溯到生理学家巴普洛夫的条件反射实验，关注的是一个能感知环境的智能体（Agent，学习者）如何在环境中采取一系列行为，获得最大的累积回报。
美国最早的移动计算系统（PALM）的发明人JeffHawkings发明了记忆预测模型，相比深度学习，记忆预测模型更符合人类的思维特征。但是因为JeffHawkings构建的人工智能系统表现不够好，尚未得到广泛的应用。
今天我们主要讲了三点。
1.新科技的发明仅仅是一个开端，我们还需要把科技优势发挥出来并不断优化的推动者。
2.深度学习真正开始实现大规模应用的两位推动者分别是吴恩达和李飞飞，都是华裔。
3.深度学习只是人工智能的一个分支，在未来是否会有其它科技超越深度学习，今天看来都是未知的。
与志同道合的人一起，关注3D打印世界的新变量。返回搜狐，查看更多