當(dāng)前，以深度學(xué)習(xí)為代表的人工智能技術(shù)已經(jīng)應(yīng)用到各個行業(yè)。驅(qū)動人工智能技術(shù)蓬勃發(fā)展的是各行各業(yè)積累的大數(shù)據(jù)?？梢哉f，正是在大數(shù)據(jù)的“喂養(yǎng)”下，人工智能技術(shù)才真正茁壯成長。

然而，在近日召開的香山科學(xué)會議第667次學(xué)術(shù)討論會上，與會專家指出，大數(shù)據(jù)的“紅利”效應(yīng)正在逐漸減弱，人工智能技術(shù)的單點(diǎn)突破難以持續(xù)支撐行業(yè)發(fā)展，亟須在數(shù)據(jù)科學(xué)和計(jì)算智能方面突破一些關(guān)鍵核心技術(shù)。

主流AI算法未充分考慮大數(shù)據(jù)復(fù)雜性

人們常常用海量性、多樣性、高速以及價值密度低來描述大數(shù)據(jù)的特點(diǎn)。但真實(shí)的大數(shù)據(jù)往往更加復(fù)雜，比如具有不完全性、不確定性、動態(tài)性、關(guān)聯(lián)性等特點(diǎn)。反觀經(jīng)典的人工智能算法，它們對數(shù)據(jù)的假設(shè)往往過于簡單。比如，假設(shè)數(shù)據(jù)是靜態(tài)的，產(chǎn)生于獨(dú)立同分布的采樣過程;訓(xùn)練數(shù)據(jù)是可靠的、數(shù)據(jù)所承載的信息是完全的等。

“數(shù)據(jù)的真實(shí)復(fù)雜性和算法的簡單假設(shè)之間存在著巨大鴻溝，這使得經(jīng)典智能算法在很多復(fù)雜任務(wù)上表現(xiàn)欠佳，亟待進(jìn)一步的研究和探索。”會議執(zhí)行主席之一、中國科學(xué)院院士梅宏強(qiáng)調(diào)，大數(shù)據(jù)是人工智能獲得成功的物質(zhì)基礎(chǔ)，但目前主流的人工智能算法并未充分考慮大數(shù)據(jù)本身的復(fù)雜性。

從計(jì)算和通信領(lǐng)域看，大數(shù)據(jù)與人工智能技術(shù)在大規(guī)模工程化應(yīng)用方面取得了長足進(jìn)步。然而，大數(shù)據(jù)處理的技術(shù)進(jìn)步主要體現(xiàn)在：以軟硬件垂直優(yōu)化和體系重構(gòu)的極端化方式來適應(yīng)數(shù)據(jù)規(guī)模、傳輸帶寬和處理速度的提升，研究人員對大數(shù)據(jù)固有的非確定性和復(fù)雜性尚沒有深刻認(rèn)識;與此同時，人工智能技術(shù)也面臨魯棒性、可解釋性和復(fù)雜系統(tǒng)認(rèn)知瓶頸等挑戰(zhàn)。

梅宏進(jìn)一步指出，當(dāng)前數(shù)據(jù)智能存在低效、不通用以及不透明三大問題。“現(xiàn)在的數(shù)據(jù)智能就像工業(yè)革命前的‘蒸汽機(jī)原型’一樣，低效而昂貴;它只能針對不同應(yīng)用定制不同模型，難以建立通用模型。”梅宏說，更重要的是，當(dāng)前并沒有對數(shù)據(jù)智能形成深刻認(rèn)識，只是知其然，而不知其所以然。

人機(jī)融合或可彌補(bǔ)數(shù)據(jù)自動推理弱點(diǎn)

在中國科學(xué)院自動化研究所研究員陶建華看來，雖然當(dāng)前人工智能在數(shù)據(jù)自動推理中依然面臨很多技術(shù)難點(diǎn)，但是人機(jī)融合的推理方式可以有效地彌補(bǔ)這些弱點(diǎn)。人機(jī)融合推理著重于研究一種由人和機(jī)器相互協(xié)作下的新的推理模式，包含“機(jī)器懂人”和“人懂機(jī)器”兩方面的含義。

對人的推理思維的理解是“機(jī)器懂人”的關(guān)鍵。其核心問題是如何構(gòu)建能夠反映人推理過程的思維形式化計(jì)算方法。該方法將人的推理思維形式化描述、概率推理、構(gòu)建知識圖譜，以及與現(xiàn)實(shí)場景的信息進(jìn)行有機(jī)融合，從而可以將人的推理過程有效的輸入到機(jī)器中，并與機(jī)器的推理網(wǎng)絡(luò)進(jìn)行結(jié)合。

此外，解決“人懂機(jī)器”問題將有助于人對機(jī)器智能輔助增強(qiáng)。機(jī)器推理過程的可解釋性，對于構(gòu)建人機(jī)融合的推理過程尤為關(guān)鍵。過程可解釋的機(jī)器推理方法提供了解決問題的新方法，適當(dāng)?shù)臄U(kuò)展流程，并最大限度地減少人為錯誤的機(jī)會，可以幫助人類和機(jī)器協(xié)同做出更為準(zhǔn)確和迅速的推理與判斷。

微軟亞洲研究院副院長劉鐵巖結(jié)合他們的實(shí)際工作舉例道：“我們在深度強(qiáng)化學(xué)習(xí)的基礎(chǔ)上，利用‘完美教練’技術(shù)來處理信息的不完全和不確定性，從而很好地解決了麻將這一復(fù)雜的博弈問題。我們的算法在2019年3月登陸知名的競技麻將平臺，經(jīng)過5000局的鏖戰(zhàn)，成功晉級十段，其穩(wěn)定段位顯著超越人類頂級選手，成為首個超人麻將AI。”這是在處理數(shù)據(jù)不完全性和不確定性方面做出的有益嘗試。

劉鐵巖指出，大數(shù)據(jù)特性在不斷演化，且愈發(fā)復(fù)雜。新型智能算法需要針對數(shù)據(jù)特點(diǎn)有的放矢地解決問題，這樣才能填補(bǔ)數(shù)據(jù)與算法間的鴻溝，使人工智能綻放更多的價值。

關(guān)鍵詞： 人工智能 大數(shù)據(jù) 深加工