e-works数字化企业网  »  文章频道  »  基础信息化  »  IT综合

清华大学教授马少平:人工智能能做什么?

2017/8/10    来源:明略数据    作者:佚名      
关键字:人工智能  机器学习  
其实早在八十年代,国外就有一本书讨论了计算机能做什么,不能做什么。今天和大家谈一下如今的人工智能到底能够做到哪些?
 
人工智能

    各位朋友下午好,非常高兴,今天来到明略数据和大家分享一些我对人工智能的思考与实践。三十年来我一直从事人工智能有关的工作,近十几年来,我研究的比较“专”,主要从事搜索引擎相关的工作。今天跟大家谈一谈人工智能能够做些什么。
 
    其实早在八十年代,国外就有一本书讨论了计算机能做什么,不能做什么。我今天也想和大家讨论一下类似的问题,首先一定要知道,有些事情人工智能技术今天不能做,未来也许不是问题。但是还有些题目今天的人工智能难以完成,从技术上来看,未来的人工智能可能也无法解决。今天和大家谈一下如今的人工智能到底能够做到哪些?
 
    一、人工智能发展历史
 
人工智能
 
    我们先简单地回顾一下人工智能的发展历史。人工智能的发展大概可以被分为四个阶段。
 
    人工智能第一阶段——前期阶段(1956年-1980年)
 
    关键词:通用问题求解/定理证明/游戏/机器翻译等
 
    1956年在达特矛斯会议上,人工智能的概念被首次提出来。到去年已经是整整60年了。当时的概念已经不是凭空提出的了,在1950年,图灵就已经阐述过图灵测试了。那个时候第一台电子计算机已经问世十年了,所有人都期望用计算机为工具去实现很多人工智能的设想。
 
    在当时达特矛斯会议上,大多数与会者都是二十几岁的年轻人,他们对实现人工智能这一想法非常的乐观,也很有自信。在人工智能提出的早期阶段,就有人研究“通用问题求解”,简称GPS。当时的设想是通过一个通用的方法去求解所有的问题。除此之外,在那个时代,人们用当时的计算机做了很多的数学定理证明,甚至是证出了《数学原理》一书上的所有定理。这在当时的条件下是十分不易的。还有很多人研究游戏,因为游戏是可以反映人类智能的。当时就有很多人研究棋类游戏。在1956年达特矛斯会议上就有人演示了机器下棋的过程。
 
    还有一个方面是机器翻译,在当时人们认为有了计算机这个强大的工具,在后台存储一本庞大的电子词典,就可以解决自然语言的翻译问题了。但是,这些先驱者们很快就陷入了困境,发现这件事情不是那么简单。他们失败的关键点就在于“知识”。比如说我们要翻译一本专业性很强的人工智能方面的书,把它交给一个没有科技翻译经验的、学语言的学生,他肯定会翻译得漏洞百出,即使他的外语和汉语能力都没有问题。为什么呢?因为我们在做这方面的工作的时候,一定要先掌握相关的“知识”。人工智能技术其实也是这样,要实现“智能”,必须要依靠“知识”。
 
    人工智能第二个阶段——知识处理时代
 
    关键词:知识工程/专家系统
 
    当人们意识到了这点的时候,人工智能就发展到了第二个时代——知识处理时代。这个时代主要的特征就是知识工程和专家系统。专家系统是先被提出来的概念,然后才是知识工程。专家的特点就是掌握相关领域的知识,如果知识能够被总结出来,那么我们就可以用计算机来替代这些专家,去解决相关领域的问题了。继专家系统之后,又提出知识工程,就是说我专家之所以是专家,就是因为他们掌握了这方面的知识,如果我把他的知识给总结出来,那么我就可以用计算机来代替专家来解决这方面的问题。
 
    当时造了很多专家系统,最著名的大概就是六十年代中期MIT做过一个用于做血液病的诊断的专家系统MYCIN,这之后还有很多专家系统问世。虽然在这个过程中人们认识到了知识的重要性,但是知识获取始终是一个难题。当时虽然机器学习的概念也被提了出来,有基于归纳法的学习、基于解释的学习、基于演绎的学习等等各种理念,但是都没能取得成功。所以知识获取仍然是一个很大的瓶颈。
 
    当时,也就是在大概80年代的时候,我也曾经参加制作过几个专家系统。那是非常幸苦的工作,为了能和专家没有障碍的交流,必须要学习和研究专业领域的专业知识,否则根本连专家在说什么也不知道。但是,即使是这样,这种获取知识的方式仍然是非常艰难的,因为很多知识是很难提炼和归纳的。比如说我不会骑自行车,一上去就会倒。我问会骑自行车的怎样骑车不会倒。他肯定告诉我这种事情没法口头上教,只能找个没事的礼拜天扶着练练才能会。这也就说明了人工去做知识的提取不光困难,而且效率很低。因此当年虽然做了很多的专家系统,但是真的成功应用的却并不多。
 
    人工智能第三个阶段——特征处理时代
 
    关键词:特征抽取/统计学习/优化技术
 
    时间进入了90年代末期,这是一个特征处理的时代。其实这个时代最主要的就是统计学习,试图用统计机器学习的方法来让机器自动地学习。不过机器学习的材料并不是原始数据,是我们从数据抽取出来的特征。比方说那个时候如果说要识别一个猫,那可能就得找各种各样的特征,想做语音识别,也需要各种各样的特征,然后在得到特征之后再用统计学习方法进行处理。
 
    这个过程中难点其实更多的是找特征。比如那个时候做汉字识别,大家用的统计学习方法其实都差不多,关键在于怎么找特征,到底哪些特征才能把这汉字给描述出来,并且计算机还能处理。比如“横竖撇捺”是汉字的特征,我们人脑就是这么识别汉字的,但是那个时候计算机抽取不出来。所以怎样找特征才是一个真正的难点。
 
人工智能
 
    人工智能第四个阶段——数据处理时代
  
    关键词:深度学习(神经网络)/训练算法
 
    我们现在处在一个数据处理时代,我们应用各种数据进行深度学习。不过这些数据不再是我们抽取的特征了,而是原始的数据。让机器自己从原始数据中进行学习。做语音识别的,只要把语音的采集信号交给机器就好。做图片识别的,只要给机器图像,让它自己去判断,也就不用抽取特征了。所以这个时代在技术上已经是更加进步的了。
 
    这是人工智能的一个进阶,从知识到特征再到数据处理,人的参与越来越少。在专家系统时代一定要专家级的人物参与才行。现在数据时代,从我们准备的学习对象、处理对象来说,把原始数据交给系统就行了。这个程度上来说,人工智能是一点点进步的,人的干预程度了越来越少了。
 
人工智能
 
    二、人工智能典型应用
 
    应用场景1:对机器和人类都很容易
 
    现在的人工智能的一些典型的应用可能大家也都是有一些了解的。比如说,现在我们这个阶段深度学习领域,做的比较好的像是语音识别,比如2011年的微软,首先将深度学习应用到语音识别中,一下把错误率拉低了30%。2016年谷歌也是这样,它首先做了一个很完整的系统,就是基于神经网络的机器翻译。还有一个就是名声大噪的围棋人工智能AlphaGo,在比赛中连续战胜顶尖高手李世石、柯洁。这个里边一个很重要的东西都是就所谓的深度学习,也就是说神经网络模型,这些是比较成功的应用。
 
    应用场景2:机器和人类都很难
 
    我们再看一下比较难求解的领域,人工智能哪些事情做不了。比如说让人工智能提出一个新的概念,或者是创立一个新的科学体系。或者是在数学领域开创一个新的分支等等,这些事情对于计算机或者是人工智能而言都是无法完成的。至少现在还没有办法去处理。上面说到的几件事情不仅仅是对于计算机,对于我们人类其实也是比较难以完成的。
 
    应用场景3:对于人类很容易,对机器很难。
 
    那么还有一些事情,对于我们而言是非常容易的,可是人工智能处理起来依然比较困难。比如说理解幽默、比如联想能力、比如说漫画识别等等。这些方面上至老人下至三岁小孩,我们的水平都比人工智能高很多。比如我举一个例子,这是一个真实的事情,有一天我买东西,下了一个单,客服说一杯咖啡后,就会有人与我联系,害得我赶紧下楼买了一杯咖啡,很显然我做了一件十分搞笑的事情,我们正常人都能明白,但是机器就不知道幽默点在哪里。
 
人工智能
 
    这张图片,大家的第一反应就是一个头发花白的老人。可是如果我提示你,图片里面有字。我们都能很快地找出“长命百岁”来。
 
人工智能
 
    还有就是漫画识别,我们从来没有见过这张漫画。但是让我们认识陈佩斯。我从来没看过它的漫画,第一眼看见,我也知道它画的是是陈佩斯。但是机器怎样通过这张漫画识别呢?
 
人工智能

责任编辑:李欢
本文为授权转载文章,任何人未经原授权方同意,不得复制、转载、摘编等任何方式进行使用,e-works不承担由此而产生的任何法律责任! 如有异议请及时告之,以便进行及时处理。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐