马化腾：AI发展趋势，从专用人工智能走向通用人工智能
8月29日，由国家发改委、科技部、工信部、国家互联网信息办公室、中科院、中国工程院和上海市人民政府共同主办“2019世界人工智能大会”在沪举办，亿欧作为官方合作媒体为您带来精选分享：
腾讯董事会主席兼首席执行官马化腾在2019世界人工智能大会上表示，AI领域热度不减，突破连连。腾讯建立的四大AI实验室涵盖了从全面的基础研究到多种应用开发，涵盖机器人、量子计算、边缘计算、IoT物联网等等，打造了面向未来的科技引擎。
马化腾认为通用人工智能发展趋势越来越清晰。AI从专才向通才发展，实现从专用人工智能向通用人工智能的跨越发展，这也是下一阶段的重要趋势。
马化腾表示，腾讯和王者荣耀团队合作开发了AI绝悟，绝悟不依赖人类的经验，它从零到一自学成才，目前绝悟已经达到了职业水平，是从专用人工智能迈向通用人工智能的重要一步。目前，腾讯的游戏物理引擎具有强大的仿真能力，在人工模拟方面也是全球比较领先的。
马化腾认为，在AI应用方面，AI与各行各业融合，人工智能发展将会给我们带以“AI+”为标志的普惠型智能社会，未来十年人工智能产业将在我国将进入高速发展期。
马化腾再次提到科技向善，并表示智能科技要维护伦理道德底线，实现行业和企业的伦理自律准则。
马化腾强调加强全球治理和合作是AI发展当中必不可少的一环，全球产业割裂，技术脱钩会损害人类的长期利益，应该努力跨越这些壁垒。
以下为马化腾演讲实录：
去年这个时候，腾讯华东总部在上海正式成立，目前华东总部拥有员工近5000人，在建中的华东总部新大厦也表达了我们扎根上海发展的决心。
一年来，我们在上海地区对人工智能、云计算、文化创意领域大幅度增加了投入，取得了一些新进展。
比如我们全力支持上海建设人工智能创新发展高地，我们专注视觉研究的优图实验室和科恩实验室都落户上海。为了全力支持上海打造全球电竞之都，腾讯电竞六大职业联赛均落地上海，超过50家腾讯电竞体系职业俱乐部也落地上海。我们还和上海久事集团达成战略合作，将东方体育中心认证为腾讯电竞推荐场馆。为助力上海市数字政府建设，我们打造了智慧市场监管平台等项目。
为了配合大会召开，我们还带来了可体验18项AI技术和互联网应用的线下科技嘉年华。我们在TDay展馆里体现了人工智能加上海文化因素，开展这样的科普活动已经几天了，受到了上海市民的喜爱。
本次大会主题是“智联世界，无限可能”，我们感觉到AI领域热度不减，突破连连。
腾讯建立的四大AI实验室涵盖了从全面的基础研究到多种应用开发，涵盖机器人、量子计算、边缘计算、IoT物联网等等，打造面向未来的科技引擎。
首先，通用人工智能发展趋势越来越清晰。AI向人类社会继续靠近，从专才向通才发展，实现从专用人工智能向通用人工智能的跨越发展，这也是下一阶段的重要趋势。
其中重要的一步就是“人工+智能”向自主智能转化，以AlphaGo的后续版本AlphaZero为代表，人的干预减少，机器自我学习能力大大增强。从2016年起，腾讯的AILab连续多年打造世界冠军围棋AI，随后和王者荣耀合作开发了AI绝悟，绝悟不依赖人类的经验，它从零到一自学成才，目前绝悟已经达到了职业水平，这是从专用人工智能迈向通用人工智能的重要一步。
虚拟世界作为真实世界的模拟和仿真，一直是检验和提升AI能力的试金石，而复杂的虚拟环境被业界认为是攻克AI的难题，也就是关键一步。如果我们在模拟真实世界的虚拟游戏中，AI学会跟人一样进行快速分析决策和行动，那么AI就能够执行更加困难和更加复杂的任务。
举一个例子，大家知道可观测宇宙原子的数量是10的80次方，到了王者荣耀，决策的复杂度可以高达10的2万次方，在如此复杂的虚拟环境，如果AI都能表现得类似或者超越人类，在真实世界里要实现通用就非常值得期待了。这个得益于我们游戏的物理引擎具有强大的仿真能力，让AI有了逼真的训练效果。目前，我们在人工智能研究的人工模拟方面表现也是全球比较领先的。
我们从绝艺到绝悟，不断累积强大的算法，让AI有了超强大脑。
第二，在AI应用方面，AI与各行各业日益融合，人工智能发展将会给我们带以“AI+”为标志的普惠型智能社会。人工智能产业未来十年在我国将进入高速发展期，目前AI和各个行业结合之后形成的智慧制造、智慧安防、智慧零售、智慧医疗、智慧交通等方面全方位的行业解决方案正在全国落地生根。
智慧医疗是我们最关注的重点，我们建设了医疗营销人工智能平台，辅助医生诊断多种癌症和疾病，可以对700多种疾病进行识别和预测，目前已经成为了国家级的标杆项目。我们还通过互联网医院、电子健康卡等专业医学科普项目构成了医疗领域AI应用的小生态。
第三，AI治理方面，以科技向善引领全方位治理，确保AI可知、可用、可控、可靠，这是我在去年大会当中提出来的。过去一年我们看到AI治理的紧迫性越来越高，我们也在思考。
我们今年提出了科技向善，作为腾讯的新的使命，探索AI与人的探索之道。
今年6月，国家提出“发展负责任的人工智能”，这是我国首次发布发展人工智能治理的原则。智能科技要维护伦理道德底线，实现行业和企业的伦理自律准则。政府、企业、社会在AI治理大原则上有高度共识。
另外，我还想强调加强全球治理和合作是AI发展当中必不可少的一环，今天没有哪一个国家拥有全部的资源、技术和能力。产业割裂、技术脱钩会损害人类的长期利益，面对种种矛盾，我们应该拿出智慧和胸怀，努力跨越这些壁垒。
最后，感谢大会组织方以卓越的远见和热情，把政府、科技、人文、教育、企业、投资等各个方面的力量凝聚在一起探讨AI的发展前景。
责任编辑：韩希宇
免责声明：
中国电子银行网发布的专栏、投稿以及征文相关文章，其文字、图片、视频均来源于作者投稿或转载自相关作品方；如涉及未经许可使用作品的问题，请您优先联系我们（联系邮箱：cebnet@cfca.com.cn，电话：400-880-9888），我们会第一时间核实，谢谢配合。
通用人工智能的时代已经来临
原创PatrickHammer等返朴
本文旨在向读者指出通用性AI发展面临的许多挑战和误解。短期应用成果应与长远蓝图相得益彰。我们需要渊思寂虑，精进系统研发，从而理解主体感知，并使之实时适应不断变化的环境。
撰文|PatrickHammer（TempleUniversity，USA）,TonyLofthouse（EvolvingSolutionsLtd.,UK）
翻译|刘凯（渤海大学教育科学学院、渤海大学通用人工智能研究所）
能记忆和推理不同情境信息的个人AI助手总似“呼之欲出”，但直至鼠年年末，这样的AI助手竟仍未实现。同样，机器学习尽管进展斐然，可一旦离开“人工”协助，自主系统依旧难言“智能”——无法在不同学习中贯通数据并整合模型，以实现经验的跨领域迁移。
若将AI的目标设定为优化函数来解决领域问题，那么我们一直在与日俱进。很多曾被视作难如登天的特定问题（参考文献[1][6][11]），用最优化——尤其是深度神经元网络（DL）的反向传播来解决，已被证实立见成效，且远超人力之际。计算机视觉、机器翻译、语音识别、棋艺博弈、电子竞技等诸多领域焕然如新——人工智能正迅速被全面“驯化”。
正所谓“莫为风波羡平地，人间处处是危机”，此类“驯化”的共同缺陷是：学习仅发生在模型部署之前。可事实上，实时学习才是动物获得生存优势的智能展现。相较而言，支撑机器学习的脊檩则是狭隘的学习理念。更深入地看，所有的离线优化（OfflineOptimization）问题，本质上都是基于进化而非个体智慧。例如，假定被植入某种遗传密码，转基因萤火虫就能准确探测特定猎物并成功捕食。这种情况下，萤火虫无需实时学习便可拥有相应技能。类似地，只要预装导航、定位、目标检测（ObjectDetection）等预置功能的模块或经离线优化设定参数，自动驾驶汽车就应该能够即开即走。
时至今日，如何从离线优化转向快速可靠的实时学习，主流人工智能仍未给出令人信服的回答。但这既是对智能本质之叩问，也是人工智能的初心所向。与荒野生存的动物一样，通用人工智能（Artificialgeneralintelligence，AGI）能够在运行时应对无法预见的情况。快速和可靠的适应力不仅能够推动新一代机器人及个人助手的实践发展，也理应被视为智能理论的那块“核心拼图”。
对“智能”一词的理解万别千差、百口不一，王培为此专门撰写《人工智能定义专论》一文，并刊发于《通用人工智能》（JGAI，2019年第10卷）。这篇文章被认为是解决人工智能领域核心历史遗留争议最给力的尝试之一，受邀的同行评议专家多达110位，且广泛来自多所著名大学以及DeepMind、GoogleBrain等知名业界公司。文章标靶为智能的“非主流”定义，即“智能是知识和资源不足情况下，主体对环境的适应能力”。尽管该定义在另一项对567名人工智能专家的调研中高票获选，但对资源限制和实时适应必要性的质疑之声也同样存在。有些质疑源自人工系统与生物系统的差异，认为后者总是在知识和资源不足的条件下通过演化进行适应，但部署后的AI系统则无需再配备这种能力。
对智能本质的不少误解都为忽视实时学习所致。比如，遗传算法（GA，参考文献[5]）有时被当做强化学习（RL，参考文献[12]）的“替身”。诚然，根据前文所述，遗传算法之于强化学习，正如进化之于智能。但只有当学习发生在海量的代际实例模拟中，上述类比方才成立。而这对自主机器人或动物毫不适用，因为二者都能在单次生命周期内以最快速度适应未知环境。很显然，只要致命事件发生一次，个体学习也就戛然而止。这也正是高度模拟领域（如参考文献[11]）取得了巨大成功却难以“变现”的主要原因。于是，与实时的适应性系统相比，离线优化这位“同学”着实有些志大材疏。
机器学习视角下，存在三项重要挑战：
一是，智能主体若想适应动态（非稳态）环境，“好用”的决策理论便不可或缺。对动物而言，这是通过进化实现的。但对机器而言，单独个体的一生中却无法学到。因此，尽管离不开先天预设，但其行为表现则是先天和后天的相互结合。
强化学习就是一个非常成功的决策理论（RL，参考文献[12]）。虽在非稳态环境中难堪大用（主体的适应性需求与学习速率衰减是一对矛盾），不过至少能够用于实时学习。强化学习有一些主要概念的限制，基于行为主义的强化学习最为常见。通过对具有最高预期回报的“状态—行为”之间的响应映射（策略）进行学习，且无须对所在情境的其他因果关系进行建模，令此类主体具有奖励中心主义的世界观。这意味着，一旦效用函数发生变化，主体就必须重新习得一个新策略，既有知识也无法借助先天设计而迁移到新任务中。对于存在单一明确取胜标准的电脑游戏来说（如：赛车游戏中的圈速、象棋中的将军等），效用函数的变化不是问题。但对于生物系统而言，这却是日常的现实考量。
动物在饿与渴的时候行为完全不同，前者会寻找猎物或美味的枝叶，后者会寻觅水源。也就是说，个体行为不仅取决于外部因素，也取决于内部需求。当出现特定需求时，个体寻求“因果知识”，这一知识会自动迁移到解决下一次其他需求。如此，便能对不断变化的需求予以及时响应。但是，个体并不总能预先知道该如何满足特定需求。要解决这一问题，可将具体信念与动机系统解耦，令主体在不同的环境中学习到行为的不同结果，建立不同的因果模型。这是那些抱持AI初衷的AGI研究者所追求之路，但在专用人工智能（Special-purposeAI，SAI）领域中却常常无人问津。
二是测量。毋庸置疑，不测量便无从知晓是否有进步，但测量的对象也很重要。我们在每个领域下测试主体表现，如果允许对不同领域设定不同的超参数（译者注：在机器学习中，模型“自学”得到的是参数，无法“自学”必须由“上帝”赋予的是超参数。深度学习“炼丹师”的一项重要操作就是对超参数的调校），得到的将是不同主体的“专项成绩”。虽在应用层面上十分有用，却对了解个体的一般性顿口无言。另一方面，如果因领域各异而设定不同超参数不被允许，那么得到的则是主体“各科考试”的“总成绩”。
目前，最好的通用系统仍无法与专用系统（其超参数针可对特定目标领域进行调整）相媲美，但最好的专用系统其通用性得分却不会很高。类似情形在自然界比比皆是（如图1所示），尽管在特定静态环境，特定的专用方案往往是首选，但通用性却能使适应特殊环境条件变得更为容易。
图1：高专用性的昆虫与高通用性的昆虫
从上述讨论中可以窥见：
衡量AGI成功与否需要改变已有的评估方式。AGI亦非AI超集，特定领域内大发神威的专用化最优方案，很可能在其他领域百无一用。在通向AGI的道路上，尽管并非总是，但一般情况下确与专用能力交集寥寥。
写作此文正是想向读者指出通用性AI发展面临的许多挑战和误解。短期应用成果应与长远蓝图相得益彰。我们需要渊思寂虑，精进系统研发，从而理解主体感知，并使之实时适应不断变化的环境。
三是系统实现。非知之艰，行之惟艰。打造具有通用能力的系统实属不易，我们只是在漫漫前行路上迈出了一小步。王培提出的非公理逻辑推理系统NARS（Non-AxiomaticReasoningSystem）[9]便是其中重要一例。NARS项目历经30余年，在实时学习、推理和目标满足等关键领域成效斐然。系统能通过自身感知对环境进行建模，适应环境，通过推理来决定下一步行动，从而实现自我目标。近期的研究亮点是，将深度神经网络（YOLOv4，参考文献[1][6]）的视觉感知与NARS实时学习和推理能力（OpenNARSforApplications，参考文献[4][13]）进行整合，很好地完成机器人瓶子收集的任务（如视频所示）。
机器人寻找瓶子、机器人抓住瓶子
机器人举起瓶子、机器人运送瓶子
图2：体现NARS实时推理与学习能力的瓶子收集任务
图注：此例虽小，但意义重大。首先，再次印证同一个通用人工智能系统能够完成不同的专用任务，而无需再次开发或修改源码重新编译；其次，明确说明通用人工智能系统的多种感知与运动功能能够在“大脑”的指挥下被妥善协调，而对算力仅有“微弱”的要求；最后，尽管单项能力非其所长，但对开放世界里又“找”又“避”又“抓”又“举”的“多强全能”冠军而言，通用人工智能系统必定是最有力的竞争者，没有之一。
视频演示：[瓶子收集任务][抓、举动作更替]
在这一任务中，机器人不仅需要协调视觉搜索和机械操作等多种感知运动功能，同时还要学习探索如何避障。这让NARS实时学习和实用推理相得益彰，二者融合一目了然——既能够充分体现实时学习的能力（常被视为强化学习的优势），又不失目标规划及利用背景知识的认知灵活性。而且，通过集成最新的深度学习模型来处理其所擅长的目标检测任务，可将机器学习的离线优化特点与AGI系统的实时学习和推理优势相互结合，此为SAI与AGI系统的共生之道。我们的AGI方案有望实现智能系统自主性的极大提升，并用于：
救援机器人
探险机器人
基于智能手机或PC的个人助手
无论是某种新型自主代理还是其他项目，AGI的应用不拘形迹——“一切皆有可能”。一言以蔽之，实时学习乃AGI关键之法，离线优化的人工智能技术可以成为服务AGI“大脑”的其他延展“器官”，从而令多模态学习及跨域迁移的交结变为现实。这样的系统具备真正意义上的智能，能迅速适应多变的现实环境。
最后，总结本文要点如下：
AGI与SAI根本目标各异——通用VS专用
AGI与SAI评价方式完全不同
实时适应性是智能系统的必然要求
NARS所依据的通用推理系统是实现真正智能的一种方法
AGI时代的大幕正徐徐升起。2021，你好牛年，你好牛·年！
参考文献
[1]Bochkovskiy,A.,Wang,C.Y.,&Liao,H.Y.M.(2020).YOLOv4:OptimalSpeedandAccuracyofObjectDetection.arXivpreprintarXiv:2004.10934.
[2]Bratman,M.E.(1987).Intention,Plans,andPracticalReason.CSLIPublications.ISBN1-57586-192-5.
[3]Georgeff,M.,Pell,B.,Pollack,M.,Tambe,M.,&Wooldridge,M.(1998,July).Thebelief-desire-intentionmodelofagency.InInternationalworkshoponagenttheories,architectures,andlanguages(pp.1-10).Springer,Berlin,Heidelberg.
[4]Hammer,P.,&Lofthouse,T.(2020,September).‘OpenNARSforApplications’:ArchitectureandControl.InInternationalConferenceonArtificialGeneralIntelligence(pp.193-204).Springer,Cham.
[5]Holland,J.H.(1984).Geneticalgorithmsandadaptation.InAdaptiveControlofIll-DefinedSystems(pp.317-333).Springer,Boston,MA.
[6]Redmon,J.,Divvala,S.,Girshick,R.,&Farhadi,A.(2016).Youonlylookonce:Unified,real-timeobjectdetection.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.779-788).
[7]Wang,P.(2019).OnDefiningArtificialIntelligence.JournalofArtificialGeneralIntelligence,10(2),1-37.
[8]Monett,D.,Lewis,C.W.,&Thórisson,K.R.(2020).IntroductiontotheJAGISpecialIssue“OnDefiningArtificialIntelligence”—CommentariesandAuthor’sResponse.JournalofArtificialGeneralIntelligence,11(2),1-100.
[9]Wang,P.(2013).Non-axiomaticlogic:Amodelofintelligentreasoning.WorldScientific.
[10]Wang,P.(2009,October).InsufficientKnowledgeandResources-ABiologicalConstraintandItsFunctionalImplications.InAAAIFallSymposium:BiologicallyInspiredCognitiveArchitectures.
[11]Schrittwieser,J.,Antonoglou,I.,Hubert,T.,Simonyan,K.,Sifre,L.,Schmitt,S.,...&Lillicrap,T.(2020).Masteringatari,go,chessandshogibyplanningwithalearnedmodel.Nature,588(7839),604-609.
[12]Sutton,R.S.,&Barto,A.G.(2018).Reinforcementlearning:Anintroduction.MITpress.
[13]OpenNARSforApplications(ONA),lastaccessedJanuary3,2021
版权说明：欢迎个人转发，任何形式的媒体或机构未经授权，不得转载和摘编。转载授权请在「返朴」微信公众号内联系后台。
原标题：《通用人工智能的时代已经来临》
阅读原文
通用人工智能对未来军事领域的影响分析
通用人工智能又称“强人工智能”、“完全人工智能”是具有一般人类智慧，可以执行人类能够执行的任何智力任务的机器智能。通用人工智能的概念早在1967年就已出现，但是因为其过于超前的理念和技术要求，长期以来都未受到关注。与之相对的，现阶段主流的人工智能研究方向，被称为专用人工智能，又称为“狭义人工智能”、“弱人工智能”，指被编程来执行单一任务的人工智能，从特定的数据集中提取信息，因此无法在设计任务之外的场景运行。通用人工智能则指在不特别编码知识与应用区域的情况下，应对多种甚至泛化问题的人工智能技术。
专用人工智能和通用人工智能在非人工智能从业者的认知中，可能区别只是训练数据需要的领域不同，训练要求不同，但是实际上上这涉及到复杂的底层开发和训练逻辑的变化。许多人认为只要将现阶段的各种专用人工智能应用整合起来，即通过将整体问题分解成局部问题，就能实现通用人工智能。但实际上现阶段的大部分专用人工智能应用不能以通用形式储存信息，因此其他专用人工智能无法利用这些信息来互相提高和扩展。例如可以将语言处理和图像处理的应用拼接在一起，但这些应用无法像人类大脑集成听觉和视觉那样整合。
手机从早期的外形发展至今只经历了大约25年
而真正的通用人工智能的能力也与专用人工智能有明显的差别。通用人工智能与人类类似，能够对几乎所有东西进行学习。这就如同智能手机的发展历程，早期的手机几乎只具备通话功能，其他设备如寻呼机、mp3、电子书等电子设备也各自只有单一功能，而如今的智能手机则变为一个移动的应用平台，不仅直接集成了各种电子设备的基本功能，还可以通过安装不同的应用程序实现针对不同用户的特定需求。通用人工也是如此，可以根据其所要解决的问题学习不同的知识内容，但是其和智能手机一样，只需要一个通用平台，ChatGPT正是在自然语言处理领域应用了这一开发理念，因此才对于通用人工智能的发展如此重要。实际上ChatGPT的能力表明，这种人工智能的潜力巨大，如果未来GPT的更高版本将自然语言和图像识别，甚至其他感知信息融合学习，其诞生的通用人工智能将完全可以胜任现阶段大部分人类的工作，而这种能力只靠此前专用人工智能的开发思路是几乎不可能实现的。
对军事作战模式的颠覆
回到军事领域的应用，其对于军事作战的影响将是颠覆性的。
由于通用人工智能的特性，通用人工智能将模糊“有人”和“无人”的概念。现阶段无人系统的自主性所依赖的算法，可以将姿态控制、路径规划、轨迹跟踪以及运动决策等功能结合，但是各个功能的一般使用不同的算法体系，即便通过总线联结，但是这种“拼接”的自主功能，还难以达到人脑的信息综合处理能力，因此更为复杂的武器系统，其中枢决策依然不能实现完全的无人化，实际上现阶段军事人工智能领域的技术难点之一也是智能决策。而若使用通用人工智能架构，对于复杂武器系统的各个功能进行同步学习，尤其是需要人类参与的功能，将可能从各种不同系统融合的信息中学习产生高于“拼接”的智能水平，极大提高其决策水平，而这种思维与决策方式已经与人类操作员类似，差距只在于可能不存在于学习库中的常识性操作经验，因此再辅以通用人工智能相应的知识库，现阶段大部分“有人”系统在未来都可能实现无人化。
DARPA在2022年2月通过ALIAS项目使一架UH-60A黑鹰直升机首次完全无人驾驶
模糊“有人”和“无人”的概念，将不止限于操作员，同时会影响决策的指挥官。
现阶段世界各国还在讨论关于致命性自主武器(LAWS)的伦理问题，即拥有自主决策能力的杀伤性武器的追责问题，目前达成的一般共识是致命性自主武器必须由人类指挥官保有最终决策权，产生的后果由指挥官负责而不由武器制造者负责。不过一旦通用人工智能的决策能力突破阈值，明显超过了人类的决策准确性，目前的国际共识可能会产生动摇。如果通用人工智能的决策能力产生的作战效果更优秀，武器损耗和伤亡人数更低，并且判断失误的几率远低于人类指挥官，那一定会有人将这种决策能力直接引入军事作战系统的指挥决策系统中，而非现在所讨论的“帮助指挥官进行决策”。大量的人工智能系统引入决策系统，不止会产生追责问题，更有甚者可能利用这种决策系统发动恶意攻击，然后逃避责任。
相比ChatGPT，对于通用人工智能的军事应用讨论现阶段也许为时尚早，因为即便是GPT4.0，甚至GPT5.0，大多人依然认为其能力还难以取代人类，距离真正可用于决策的通用人工智能尚远。但是就在短短的半年前，大多数人工智能从业者甚至还认为通用人工智能只是一个科幻的概念。因此通用人工智能的发展速度，可能远比想象中要快，讨论决策能力类似甚至超越人类的人工智能军事应用，有着现实的意义。(北京蓝德信息科技有限公司研究员张杰)
主要参考文献
[1]SomBiswas.(2023).ProspectiveRoleofChatGPTintheMilitary:AccordingtoChatGPT.Qeios.doi:10.32388/8WYYOD.返回搜狐，查看更多