人工智能誕生60周年 展望機(jī)器學(xué)習(xí)的未來發(fā)展

　　1952年，Arthur Samuel在IBM公司研發(fā)了一款西游跳棋程序，這個(gè)程序具有自學(xué)習(xí)能力，可以通過對大量棋局的分析逐漸辨識出每一棋局中的“好棋”與“壞棋”，從而不斷提高機(jī)器的跳棋水平并很快下贏了Samuel自己。1956，也就是在60年前的達(dá)特茅斯人工智能會議上，Samuel介紹了自己的這項(xiàng)工作，并發(fā)明了“機(jī)器學(xué)習(xí)”一詞。

　　在計(jì)算科學(xué)歷史上，“機(jī)器學(xué)習(xí)”有著多種定義，普遍的觀點(diǎn)認(rèn)為“機(jī)器學(xué)習(xí)”就是計(jì)算機(jī)利用數(shù)據(jù)和“經(jīng)驗(yàn)”來改善算法系統(tǒng)自身的性能。斯坦福大學(xué)對機(jī)器學(xué)習(xí)的定義是在沒有明確編程指令的情況下，讓計(jì)算機(jī)自行采取行動(dòng)的科學(xué)。通過已有數(shù)據(jù)產(chǎn)生“學(xué)習(xí)算法”模型后，再應(yīng)用到新的數(shù)據(jù)集上，從而對新的情況做出策略性判斷，這就是所謂“預(yù)測”。可以說，機(jī)器學(xué)習(xí)是關(guān)于“學(xué)習(xí)算法”的科學(xué)，而人工智能則是研究開發(fā)具有智能的機(jī)器。

　　2016年是人工智能誕生60周年。在最近十年，隨著大數(shù)據(jù)和云計(jì)算(大規(guī)模計(jì)算)的發(fā)展，機(jī)器學(xué)習(xí)進(jìn)入了發(fā)展的黃金期。2016年12月17日，在2016機(jī)器智能前沿論壇上，中外專家探討了機(jī)器學(xué)習(xí)的未來發(fā)展與展望。

　機(jī)器學(xué)習(xí)進(jìn)入發(fā)展黃金期

　　傳統(tǒng)意義來說來，人工智能分兩步：一是對數(shù)據(jù)的表示和表達(dá)，二是通過算法達(dá)到預(yù)測和決策的過程。傳統(tǒng)人工智能是基于語義的方式實(shí)現(xiàn)數(shù)據(jù)的表示或表達(dá)，而從數(shù)據(jù)表示到預(yù)測往往是通過基于規(guī)則的邏輯推理，一個(gè)典型代表就是專家系統(tǒng)，這也是第一代機(jī)器學(xué)習(xí)。

　　對于第一代機(jī)器學(xué)習(xí)來說，規(guī)則的定義十分重要，一旦規(guī)則定義不準(zhǔn)確或有問題，將導(dǎo)致不正確的邏輯推理。此外，基于規(guī)則的模型對于淺層推理有效，但沒法用來進(jìn)行深層次的推理。因此，也就發(fā)展出了第二代機(jī)器學(xué)習(xí)，即基于統(tǒng)計(jì)模型的機(jī)器學(xué)習(xí)。

　　在南京大學(xué)周志華教授的《機(jī)器學(xué)習(xí)》一書中，對于機(jī)器學(xué)習(xí)的發(fā)展階段和歷史有更為細(xì)分的劃分與相應(yīng)的算法介紹。實(shí)際上，在二十世紀(jì)90年代中期，“統(tǒng)計(jì)學(xué)習(xí)”開始登上歷史的舞臺并迅速成為主流，代表技術(shù)即為Support Vector Machine(SVM，支持向量機(jī))以及Kernel Methods等。而統(tǒng)計(jì)學(xué)習(xí)成為主流，則是因?yàn)榍捌诘纳窠?jīng)元網(wǎng)絡(luò)研究出現(xiàn)瓶頸后(主要是因?yàn)楫?dāng)時(shí)的參數(shù)設(shè)置以手工為主)，學(xué)者們才把注意力轉(zhuǎn)向了統(tǒng)計(jì)學(xué)習(xí)。

　　隨著統(tǒng)計(jì)學(xué)習(xí)的興起，出現(xiàn)了機(jī)器學(xué)習(xí)的黃金十年。統(tǒng)計(jì)學(xué)習(xí)不僅被用于算法建模，還被用于數(shù)據(jù)的表示與表達(dá)，這樣就弱化了對于相關(guān)背景知識的要求。比如計(jì)算機(jī)視覺和圖像研究屬于計(jì)算機(jī)科學(xué)領(lǐng)域，其背景知識比較容易獲取，而自然語言處理則需要英文或中文的語言學(xué)知識，這對于計(jì)算機(jī)專家來說就有難度了。

　　在更為廣泛的應(yīng)用領(lǐng)域，統(tǒng)計(jì)模式識別正在取代用于數(shù)據(jù)表達(dá)的專家規(guī)則，從而降低了人工智能和機(jī)器學(xué)習(xí)的入門門檻。這樣，從數(shù)據(jù)表示到學(xué)習(xí)算法再到推理預(yù)測，就都可以全部用機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)，這就進(jìn)入了第三代機(jī)器學(xué)習(xí)階段，即從數(shù)據(jù)直接到智能的端到端的機(jī)器學(xué)習(xí)。當(dāng)然，隨著大數(shù)據(jù)和云計(jì)算的出現(xiàn)，以復(fù)雜神經(jīng)元網(wǎng)絡(luò)為代表的深度學(xué)習(xí)也可以用于數(shù)據(jù)表示與表達(dá)。

　　可以看到，面向數(shù)值計(jì)算的統(tǒng)計(jì)學(xué)習(xí)和以神經(jīng)元網(wǎng)絡(luò)為代表的深度學(xué)習(xí)是現(xiàn)代人工智能的兩個(gè)主要分支。而在大數(shù)據(jù)+云計(jì)算的時(shí)代，這兩大分支都進(jìn)入了新的發(fā)展黃金期。

　　對抗網(wǎng)絡(luò)和對偶學(xué)習(xí)

　　由前述可知，機(jī)器學(xué)習(xí)分為三個(gè)階段，即第一階段的數(shù)據(jù)獲取與生成、第二階段的學(xué)習(xí)算法和第三階段的推理預(yù)測。在大數(shù)據(jù)與云計(jì)算的前提下，這三個(gè)階段有著新的發(fā)展。

　　在數(shù)據(jù)獲取與生成階段，最新的研究發(fā)向就是用對抗網(wǎng)絡(luò)來產(chǎn)生更多的數(shù)據(jù)。也就是說，如果在現(xiàn)實(shí)世界無法獲得更多數(shù)據(jù)的前提下，就用機(jī)器學(xué)習(xí)算法來模擬更多的現(xiàn)實(shí)世界的數(shù)據(jù)，以供后續(xù)“訓(xùn)練”學(xué)習(xí)算法之用。

　　所謂生成模型(Generative Model)是對數(shù)據(jù)的建模，即用大量數(shù)據(jù)來訓(xùn)練這個(gè)模型，以期望這個(gè)模型能產(chǎn)生更多類似的數(shù)據(jù)。常見的生成方法有混合高斯模型、樸素貝葉斯法和隱形馬爾科夫模型等等。以混合高斯模型為例，該方法雖然有強(qiáng)大的逼近數(shù)據(jù)分布的能力,是非常適合概率密度估計(jì)的建模方法，但該方法不足以刻畫復(fù)雜的數(shù)據(jù)，因此要用到神經(jīng)元網(wǎng)絡(luò)。

　　對于可以產(chǎn)生數(shù)據(jù)的神經(jīng)元網(wǎng)絡(luò)來說，如何訓(xùn)練它而使得產(chǎn)生的數(shù)據(jù)更接近真實(shí)數(shù)據(jù)?這就出現(xiàn)了生成對抗網(wǎng)絡(luò)(Generative Adversarial Network，GAN)。比如用一個(gè)神經(jīng)元網(wǎng)絡(luò)來產(chǎn)生數(shù)據(jù)，再用另一個(gè)神經(jīng)元網(wǎng)絡(luò)來判別數(shù)據(jù)是否為真實(shí)，再通過兩個(gè)網(wǎng)絡(luò)的結(jié)果差異來優(yōu)化數(shù)據(jù)生成模型。在著名的AlphaGO的訓(xùn)練算法中，也采用了類似的概念來生成用于訓(xùn)練計(jì)算機(jī)的新棋局，從而實(shí)現(xiàn)自對弈。

　　對于基于深度神經(jīng)元網(wǎng)絡(luò)的生成網(wǎng)絡(luò)來說，一個(gè)可以改進(jìn)之處就是如何利用大量未標(biāo)注的真實(shí)數(shù)據(jù)。因?yàn)樵谟?xùn)練神經(jīng)元網(wǎng)絡(luò)的時(shí)候，需要大量人工標(biāo)注的數(shù)據(jù)，用以訓(xùn)練算法，比如標(biāo)注一幅圖為“花卉”。清華大學(xué)副教授、卡耐基梅隆大學(xué)兼職教授朱軍介紹了多種利用未標(biāo)注數(shù)據(jù)的方法。

　　朱軍還特別介紹一種引入了“Attention聚焦”和“Memory記憶”機(jī)制的生成網(wǎng)絡(luò)，用于根據(jù)有限的高度抽象的參數(shù)來生成接近真實(shí)的數(shù)據(jù)。比如在生成新圖像的過程中，原有的神經(jīng)元網(wǎng)絡(luò)模型對真實(shí)的圖像參數(shù)進(jìn)行了高度抽象，在這個(gè)過程中損失了很多細(xì)節(jié)數(shù)據(jù)，在使用另一個(gè)神經(jīng)元網(wǎng)絡(luò)生成新圖像的過程中，如果只采用高度抽象后的圖像參數(shù)，就無法表達(dá)更多的圖像細(xì)節(jié)。因此，在前期學(xué)習(xí)真實(shí)圖像數(shù)據(jù)的過程中，可以引入了“Memory記憶”機(jī)制，把一些圖像細(xì)節(jié)數(shù)據(jù)存儲起來，用于后續(xù)生成更接近真實(shí)的圖像。

　　除了在數(shù)據(jù)生成環(huán)節(jié)需要克服未標(biāo)注數(shù)據(jù)的局限外，在整個(gè)端到端的機(jī)器學(xué)習(xí)算法過程中，也需要利用未標(biāo)注數(shù)據(jù)。這也就是說在機(jī)器學(xué)習(xí)的訓(xùn)練學(xué)習(xí)算法和預(yù)測推理階段，如何利用大量利用未標(biāo)注數(shù)據(jù)。微軟亞洲研究院首席研究員劉鐵巖介紹了對偶學(xué)習(xí)，它一方面可讓有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)算法大量利用未標(biāo)注數(shù)據(jù)，另一方面也可以提高增強(qiáng)學(xué)習(xí)算法的學(xué)習(xí)速度。

　　所謂對偶學(xué)習(xí)(Dual Learning)，就是利用兩個(gè)對偶的任務(wù)形成一個(gè)閉環(huán)反饋系統(tǒng)，從而得以從未標(biāo)注的數(shù)據(jù)上獲得反饋信息，進(jìn)而利用該反饋信息提高對偶任務(wù)中的兩個(gè)機(jī)器學(xué)習(xí)模型。舉例來說，兩個(gè)對偶任務(wù)可以是中翻英和英翻中，這涉及到了兩個(gè)機(jī)器學(xué)習(xí)模型，對偶學(xué)習(xí)的過程就是先把一句話從中文翻譯成英文、再從英文翻譯成中文，之后再比較生成的中文與原始中文之間的差異，從而提高兩個(gè)機(jī)器學(xué)習(xí)模型的性能。在這種場景下，其實(shí)不需要標(biāo)注數(shù)據(jù)，即不需要知道生成中文句子的“對”與“錯(cuò)”，只需要知道生成后的中文句子與原始中文句子的差異，即可優(yōu)化算法模型。

　　深度問答的挑戰(zhàn)

　　自從2011年IBM Watson在智力競賽電視節(jié)目《危險(xiǎn)邊緣》(Jeopardy!)中獲勝后，深度問答作為人工智能和機(jī)器學(xué)習(xí)的一個(gè)重要應(yīng)用場景，就引起了全世界廣泛的關(guān)注。深度問答不僅涉及到自然語言理解(NLP)，還涉及到對于問題的分析與理解、候選答案的評估以及選擇策略、快速檢索與搜索等技術(shù)。

　　人機(jī)問答最早可以追溯到圖靈測試，圖靈測試就是以問答的形式進(jìn)行的。到了1960年前后出現(xiàn)了基于模板的QA(Template-based QA)、1990年前后出現(xiàn)的基于信息檢索的QA(IR-based QA)、2000年前后出現(xiàn)的基于社區(qū)的QA(Community-based QA)和基于大規(guī)模知識庫的QA(Large Scale KB-based QA)，以及今天的閱讀理解式QA。

　　中科院自動(dòng)化所副研究員劉康著重介紹了基于知識庫的深度語義解析和閱讀理解式深度語義理解與知識推理。在基于知識庫的QA中，核心問題在于如何解決問題文本到知識庫之間的映射關(guān)系，特別是要消除歧義。現(xiàn)代機(jī)器學(xué)習(xí)方法要解決的問題，就是對問題文本和知識庫的知識分別進(jìn)行分布式表達(dá)或建模，然而再在二者之間再建立起基于深度神經(jīng)元網(wǎng)絡(luò)的對應(yīng)關(guān)系模型，從而實(shí)現(xiàn)精準(zhǔn)的映射。而為什么要對問題和知識都進(jìn)行分布式建模，原因主要是現(xiàn)代互聯(lián)網(wǎng)上的信息是海量的，因此理解問題文本和理解知識都需要大規(guī)模分布式建模。

　　閱讀理解式QA是另一種形式的問答。所謂閱讀理解式QA就是給定一段話，然后根據(jù)這段話的信息來回答問題。這其實(shí)需要綜合一段話中的幾句，然后進(jìn)行深度推理和聯(lián)合推理。目前的深度學(xué)習(xí)方式還不能解決知識推理的挑戰(zhàn)，也不能代替?zhèn)鹘y(tǒng)人工智能中基于符號的邏輯推理。另外，在解決閱讀理解的難題中，其實(shí)還需要常識知識，然而常識知識的邊界在哪里?常識知識是否會隨著時(shí)間而發(fā)生變化?這些都是閱讀理解式QA的挑戰(zhàn)。

　　劉康認(rèn)為，現(xiàn)在的深度問答正從傳統(tǒng)的符號信息檢索匹配到深度語義理解的變化中，需要對文本內(nèi)容精準(zhǔn)的理解，推理也變得越來越重要，同時(shí)問答的過程還需要知識庫、特別是常識知識庫的支持。此外，在開放環(huán)境中，用戶的問題復(fù)雜多樣，單一知識庫往往不足以滿足用戶的問題，還需要多個(gè)知識源的聯(lián)合與綜合利用。

　　科學(xué)家、頭條實(shí)驗(yàn)室技術(shù)總監(jiān)李磊介紹了一種QA模型，即基于條件的聚焦的神經(jīng)元網(wǎng)絡(luò)問答(Conditional Focused Neural Question Answering)。在國際計(jì)算機(jī)語言學(xué)協(xié)會(ACL)的2016年會上，李磊等人發(fā)表了基于大規(guī)模知識庫的CFO一文(CFO: Conditional Focused Neural Question Answering with Large-scale Knowledge Bases)，詳細(xì)介紹了CFO的算法。CFO主要解決開放知識庫中單一答案的QA問題，在CFO之前的最好成績是由Facebook發(fā)明的自動(dòng)問答算法，準(zhǔn)確率在62.9%(基于Facebook創(chuàng)建的Simple Question Dataset公開數(shù)據(jù)集，內(nèi)含108K個(gè)英文問題，也是公開的最大單一答案問題集)。而CFO則能在這個(gè)數(shù)據(jù)集上達(dá)到75%的準(zhǔn)確率，與Facebook拉開了12%的差距。

　　今日頭條還在2016年嘗試了新聞寫稿機(jī)器人Xiaomingbot，這是基于大數(shù)據(jù)、自然語言理解和機(jī)器學(xué)習(xí)的人工智能機(jī)器人。Xiaomingbot在2016年8月的里約奧運(yùn)會期間自動(dòng)寫了450多篇文章，產(chǎn)生了100多萬的閱讀，接近同期該平臺上體育新聞?dòng)浾叩母寮喿x量。此外，Xiaomingbot寫出的稿件既有短消息也有按比賽時(shí)間線進(jìn)程形成的長報(bào)道，還可以自動(dòng)加入圖片。

　　當(dāng)然，提到深度問答就必然要提到IBM Watson。IBM中國研究院大數(shù)據(jù)機(jī)認(rèn)知計(jì)算研究總監(jiān)蘇中介紹了在《危險(xiǎn)邊緣》(Jeopardy!)中獲勝的基于大規(guī)模并行計(jì)算概率算法的Watson模型，如今IBM已經(jīng)把Watson的算法能力通過基于Bluemix的IBM Watson開發(fā)者云服務(wù)對外輸出。

　　建立智能社會組織的模型

　　2016機(jī)器智能前沿論壇上，最有意思也是最具有社會和商業(yè)價(jià)值的機(jī)器學(xué)習(xí)前沿方向，是來自美國Santa Fe Institute研究所的David Wolpert教授的智能社會組織建模研究。他也是IEEE院士、三本書和200多篇論文的作者，論文領(lǐng)域覆蓋了物理學(xué)基礎(chǔ)、機(jī)器學(xué)習(xí)、博弈論、信息理論、熱力學(xué)和分布優(yōu)化等。David Wolpert于1996年提出了“沒有免費(fèi)的午餐”定理，現(xiàn)在已廣泛應(yīng)用于機(jī)器學(xué)習(xí)領(lǐng)域。

　　David Wolpert表示，除了人類自身之外，人類社會也是一個(gè)智能體。在人類社會當(dāng)中有很多的互動(dòng)交流以及各種活動(dòng)，人類社會能夠處理信息、相互溝通，也能迅速了解在哪里可以獲取信息、信息如何被使用等?，F(xiàn)在，人類社會作為整體的智能性已經(jīng)比個(gè)人大腦更為強(qiáng)大，所以對于智能社會組織的研究更加有意義，但這還是一個(gè)全新的領(lǐng)域，也只有初步的研究。

　　從人類社會發(fā)展來看，人類的組織達(dá)到一定規(guī)模后，就難以再擴(kuò)大。就像企業(yè)擴(kuò)張到一定規(guī)模后，隨著層級越來越多，越難將信息準(zhǔn)確地從頂層傳遞到底層，而隨著信息在中間層傳遞的失衡，將會導(dǎo)致信息誤傳，從而阻礙企業(yè)進(jìn)一步擴(kuò)大。當(dāng)然，人類也在不斷嘗試對組織結(jié)構(gòu)進(jìn)行創(chuàng)新。以近代互聯(lián)網(wǎng)公司谷歌為代表，在公司初創(chuàng)期提出了扁平化的組織結(jié)構(gòu)，然而隨著谷歌公司規(guī)模的不斷擴(kuò)張，最終還是走向了多層級化的公司結(jié)構(gòu)。

　　那么，如何以一種扁平化的方式擴(kuò)展公司規(guī)模，使得員工的溝通效率不受到層級增多的影響?這就需要找到一種方式，以更好的在企業(yè)組織間傳遞信息。在David Wolpert模擬企業(yè)結(jié)構(gòu)的過程中，把員工的社會關(guān)系看成一種信息通信息網(wǎng)絡(luò)結(jié)構(gòu)，員工則類似于信息通信網(wǎng)絡(luò)中的節(jié)點(diǎn)。網(wǎng)絡(luò)工程師的任務(wù)是要通過算法來優(yōu)化和設(shè)計(jì)信息通訊網(wǎng)絡(luò)的通信路徑，類似的方式引進(jìn)到智能社會組織的研究中，就是如何實(shí)現(xiàn)一個(gè)更為智能的信息交換方式。

　　在研究和設(shè)計(jì)智能社會組織的時(shí)候，需要考慮不少已經(jīng)存在的理論。其中一個(gè)著名的理論是Dunbar數(shù)字，由英國人類學(xué)家Robin Dunbar提出，即人類個(gè)體能夠和周圍的人維持穩(wěn)定社會關(guān)系的理論上限值，通常被認(rèn)為是150人。這是因?yàn)樵诮o定時(shí)間范圍內(nèi)，一個(gè)人能夠同時(shí)傾聽其他人以及對其他人說不同事情的能力，受大腦皮層容量的限制。一旦超越這個(gè)范圍，就需要外在機(jī)制來維持群體的穩(wěn)定性和凝聚力。

　　因此，把網(wǎng)絡(luò)通信的編碼和設(shè)計(jì)原理應(yīng)用到類似企業(yè)這樣的社會組織中，就需要回答三個(gè)問題：受限于企業(yè)組織規(guī)模和溝通能力(類比網(wǎng)絡(luò)規(guī)模和邊緣通信能力)，能夠從管理者傳達(dá)到工人(類比網(wǎng)絡(luò)發(fā)送端和接收端)的最大信息量;中層管理者(類比網(wǎng)絡(luò)里的中間節(jié)點(diǎn))如何傳遞信息，以確保工人能最大化的接收信息(類比網(wǎng)絡(luò)的最大吞吐量);在企業(yè)里增加中層管理者(類比網(wǎng)絡(luò)里的中間節(jié)點(diǎn))的收益。

　　David Wolpert為此研究了多種機(jī)制，特別是借鑒了網(wǎng)絡(luò)中郵件傳輸?shù)臋C(jī)制。因?yàn)樵趶?fù)雜網(wǎng)絡(luò)環(huán)境下，一個(gè)郵件能夠得以快速的從一個(gè)發(fā)送端傳遞到另一個(gè)接收端，中間其實(shí)把郵件劃分為了不同的小數(shù)據(jù)包，再把這些小數(shù)據(jù)包通過不同網(wǎng)絡(luò)、不同主機(jī)快速接力式傳遞給終端，終端結(jié)點(diǎn)再把小數(shù)據(jù)包重新恢復(fù)成一個(gè)郵件。

　　從David Wolpert的研究中，可以得到一些很有意思的發(fā)現(xiàn)。比如把社交媒體作為第三方公開公共節(jié)點(diǎn)來存儲部分信息，確保了企業(yè)組織的部分信息可以準(zhǔn)確、高效傳遞到各個(gè)層級，各個(gè)層級再根據(jù)內(nèi)部傳遞下來的其它信息自行組合，從而準(zhǔn)確且個(gè)性化地“還原”出原始信息。這其實(shí)就是社會化組織的模式，相當(dāng)于企業(yè)把部分節(jié)點(diǎn)從企業(yè)內(nèi)部轉(zhuǎn)移到了社會上，相應(yīng)地也把企業(yè)組織部分的社會化了。當(dāng)然，這個(gè)理論也從另一角度驗(yàn)證了社交媒體或社會化媒體崛起的必然邏輯。