在大會(huì)上，南京大學(xué)計(jì)算機(jī)系教授、歐洲科學(xué)院外籍院士周志華回顧了人工智能的發(fā)展以及機(jī)器學(xué)習(xí)興起的由來，并介紹了“學(xué)件”的思路。周志華教授稱，經(jīng)過人工智能發(fā)展的第一個(gè)階段即上世紀(jì)六十年代，機(jī)器所具有的推理能力就已經(jīng)達(dá)到了人類的巔峰水平，之后人工智能相繼進(jìn)入知識(shí)工程和機(jī)器學(xué)習(xí)階段。在大數(shù)據(jù)時(shí)代，機(jī)器學(xué)習(xí)得到了長足的發(fā)展，直接導(dǎo)致了今天的人工智能熱潮。但技術(shù)上仍存在諸多局限，為此，周志華教授提出了“學(xué)件”（Learnware）的概念，期望經(jīng)過10到15年的探索以后進(jìn)入一個(gè)新局面。
周志華教授在現(xiàn)場還列舉了一組數(shù)據(jù)，在今年的IJCAI大會(huì)上，中國本土相關(guān)研究論文數(shù)錄用數(shù)量首次超過了美國，占到了差不多全世界三分之一，其中北京占約30%，江蘇省占14%，居全國前兩位。周志華教授認(rèn)為，江蘇有國內(nèi)前列的人工智能研究實(shí)力，同時(shí)有國內(nèi)前列的人工智能產(chǎn)業(yè)基礎(chǔ)。“在國內(nèi)的各個(gè)省份里面，同時(shí)具有這兩個(gè)條件的地方并不是很多。”
我本人是從事人工智能方面研究的。經(jīng)常有人問，“比人類更聰明的人工智能什么時(shí)候能夠出現(xiàn)？”，這樣的問題對我們來說非常難回答，這是為什么呢？因?yàn)檎劦饺斯ぶ悄埽鋵?shí)可以說有兩種完全不同的觀點(diǎn)，或者說差別非常大的觀點(diǎn)。
第一種我們把它叫做“強(qiáng)人工智能”。目的是希望研制出和人一樣聰明、甚至比人更聰明的機(jī)器；另外一種是“弱人工智能”，主要目的是覺得我們?nèi)俗鍪碌臅r(shí)候很聰明，那么能不能向人借鑒一下，讓機(jī)器做事的時(shí)候更聰明。實(shí)際上在人工智能科學(xué)界，大家探索的主要是在第二個(gè)方面。
有一個(gè)或許更容易理解的類比：一百多年前，人們看到天上鳥在飛，然后大家就想那我們能不能做一個(gè)東西飛起來。后來經(jīng)過空氣動(dòng)力學(xué)研究，現(xiàn)在我們有了很好的飛機(jī)。但是如果現(xiàn)在問：這個(gè)飛機(jī)到底有沒有比鳥飛得更好？這個(gè)問題可能就很難說了，因?yàn)轱w機(jī)雖然飛得比鳥更遠(yuǎn)更高，但是未必有鳥飛得靈活。但不管怎么樣，我們原來的目的已經(jīng)達(dá)到了，我們已經(jīng)有能夠幫我們飛起來的工具。
人工智能做的事情和這件事情非常的相似，就是我們看到有很多智能行為，希望借鑒這些東西做出一些工具，能夠幫助我們做更強(qiáng)大的事情，實(shí)際上這就是我們真正在研究人工智能的時(shí)候所主要考慮的內(nèi)容。所以人工智能研究的主要目的并不是“人造智能”，而是“intelligence-inspired computing”，智能啟發(fā)的計(jì)算。
搞人工智能的人到底在做什么呢？今天我們一般說人工智能作為一門學(xué)科誕生在1956年，那時(shí)候計(jì)算機(jī)的能力還非常弱，但已經(jīng)有很多的學(xué)者在想，那么這樣計(jì)算能力發(fā)展下去，我們是不是可以做一些更復(fù)雜的事情，那么這些事情到底是什么呢？在那年夏天在達(dá)特茅斯學(xué)院開了這么一個(gè)會(huì)議，在這個(gè)會(huì)議上后來被稱為人工智能之父的約翰·麥卡錫，為這個(gè)學(xué)科就起了一個(gè)名字叫做人工智能。
經(jīng)過了60多年歷史，如果從主流研究內(nèi)容來看，人工智能的發(fā)展大概經(jīng)歷這么三個(gè)階段：
第一個(gè)階段大概是在50年代中期到60年代，這個(gè)階段主要是在做邏輯推理。這是為什么呢？大概因?yàn)槲覀兝砉た频亩紝?shù)學(xué)家有一種自然的崇拜，覺得數(shù)學(xué)家非常聰明，能夠證明一些非常復(fù)雜的定理，那這個(gè)背后的能力就是邏輯推理能力。所以在那個(gè)時(shí)候大家就想，如果我們能夠把邏輯推理能力賦予計(jì)算機(jī)系統(tǒng)，那么這個(gè)機(jī)器做事情就會(huì)聰明起來，所以那個(gè)時(shí)候有很多很重要的研究結(jié)果，例如圖靈獎(jiǎng)得主西蒙和紐厄爾研制出來的“邏輯理論家”程序就是一個(gè)典型代表。
那么這樣的研究成果達(dá)到了什么樣的水平呢？在上個(gè)世紀(jì)有兩位偉大的邏輯學(xué)家羅素和懷特海，他們寫了一本書叫做《數(shù)學(xué)原理》，用邏輯把整個(gè)數(shù)學(xué)系統(tǒng)建構(gòu)起來。為了證明這本書里面的定理，他們花了十年時(shí)間，而這個(gè)程序證明這所有的定理只用了不到兩個(gè)月的時(shí)間，而且其中有一條定理的證明比這兩位偉大的邏輯學(xué)家證明出來的還要巧妙，更加簡短、更加容易讀懂。所以我們可以看到，在上個(gè)世紀(jì)60年代，機(jī)器所具有的推理能力就已經(jīng)達(dá)到了人類的巔峰水平。
但那個(gè)時(shí)候機(jī)器做事情并沒有真的變得很聰明，所以大家慢慢地就意識(shí)到其實(shí)光有邏輯推理能力是不夠的，即便是數(shù)學(xué)家，為了證明數(shù)學(xué)定理除了要有邏輯推理能力，還要有數(shù)學(xué)知識(shí)。所以人工智能的研究很自然的就進(jìn)入了第二個(gè)階段，在這個(gè)階段大家就想的是我們能不能把知識(shí)總結(jié)出來教給計(jì)算機(jī)系統(tǒng)，所以這就進(jìn)入了我們所謂的一個(gè)“知識(shí)工程”時(shí)期，這里面的代表人物例如后來的圖靈獎(jiǎng)得主，被稱為知識(shí)工程之父的愛德華·費(fèi)根鮑姆。在這個(gè)階段大家主要做的事情就是希望把人類專家解決問題的知識(shí)總結(jié)出來，比如說，“如果看到巖石里面滲出紅色，那么這個(gè)里面很可能是鐵礦”，把這樣的知識(shí)總結(jié)出來，然后編程放到計(jì)算機(jī)系統(tǒng)里面，由此就產(chǎn)生出很多“專家系統(tǒng)”，確實(shí)解決了很多應(yīng)用問題。
但是后來慢慢的大家就發(fā)現(xiàn)，要把知識(shí)總結(jié)出來再交給系統(tǒng)非常的困難。一方面有時(shí)候我們?nèi)祟悓＜夷軌蚪鉀Q一些問題，但是這個(gè)知識(shí)是什么可能說不清楚。有的人類專家可能還不太愿意分享他的知識(shí)。然后大家就想那么這時(shí)候我們該怎么辦？因?yàn)槲覀兊娜说闹R(shí)其實(shí)主要是靠學(xué)來的，所以先驅(qū)們很自然地就想到那么我們能不能讓機(jī)器自動(dòng)的去學(xué)知識(shí)，所以從20世紀(jì)90年代開始，人工智能的主流研究就進(jìn)入到第三個(gè)階段，這個(gè)階段一直持續(xù)到今天，就是我們的機(jī)器學(xué)習(xí)階段。
所以我們可以看到機(jī)器學(xué)習(xí)最早誕生出來，它是為了解決知識(shí)獲取這么一個(gè)瓶頸而出現(xiàn)的。機(jī)器學(xué)習(xí)的經(jīng)典定義是“利用經(jīng)驗(yàn)改善系統(tǒng)自身的能力”。不論什么樣的經(jīng)驗(yàn)，一旦放在計(jì)算機(jī)系統(tǒng)中，它必然是以數(shù)據(jù)的形式存在的，所以機(jī)器學(xué)習(xí)要研究怎么去利用經(jīng)驗(yàn)，他就必須要對數(shù)據(jù)進(jìn)行分析，所以這個(gè)領(lǐng)域發(fā)展到今天，實(shí)際上主要研究的是怎么樣利用計(jì)算機(jī)來對數(shù)據(jù)進(jìn)行分析的理論和方法。
我們可以看到，其實(shí)機(jī)器學(xué)習(xí)走上歷史舞臺(tái)是因?yàn)橐鉀Q知識(shí)獲取的瓶頸，但恰恰在20世紀(jì)末，我們?nèi)祟惏l(fā)現(xiàn)自己淹沒在一個(gè)數(shù)據(jù)的海洋里面，我們需要對數(shù)據(jù)分析，我們需要這樣的技術(shù)，而機(jī)器學(xué)習(xí)恰恰在這個(gè)時(shí)候走上舞臺(tái)了，所以給我們提供了這個(gè)機(jī)會(huì)，我們對他的需求就迫切的高漲。
今天我們都說是在“大數(shù)據(jù)時(shí)代”，但其實(shí)光有大數(shù)據(jù)并不意味著得到了價(jià)值。大數(shù)據(jù)就好比是一個(gè)礦山，我們擁有了礦山，如果要得到里面的價(jià)值，必須要有很強(qiáng)大的數(shù)據(jù)分析技術(shù)，而這個(gè)數(shù)據(jù)分析技術(shù)是什么呢？今天我們主要就是要靠機(jī)器學(xué)習(xí)。所以在大數(shù)據(jù)時(shí)代要讓數(shù)據(jù)發(fā)揮作用，就離不開機(jī)器學(xué)習(xí)技術(shù)。所以可以看到，機(jī)器學(xué)習(xí)已經(jīng)可以說是無處不在了，不管是互聯(lián)網(wǎng)搜索還是人臉識(shí)別，還是汽車自動(dòng)駕駛，還是火星機(jī)器人包括美國總統(tǒng)大選甚至軍隊(duì)的戰(zhàn)場數(shù)據(jù)情況分析，任何地方只要你有數(shù)據(jù)只要你希望用計(jì)算機(jī)來幫助你做數(shù)據(jù)的分析，你就可能使用機(jī)器學(xué)習(xí)技術(shù)。可以說今天我們在這里有這個(gè)論壇，是因?yàn)槿斯ぶ悄墁F(xiàn)在很熱，而人工智能有這個(gè)熱潮，其實(shí)恰恰就是因?yàn)闄C(jī)器學(xué)習(xí)，尤其是里面的深度學(xué)習(xí)技術(shù)在過去十來年里面取得了巨大的發(fā)展，在大數(shù)據(jù)時(shí)代發(fā)揮了巨大的作用。
我們現(xiàn)在有很多的問題，有很多的企業(yè)是基于深度學(xué)習(xí)技術(shù)來做的，它可以解決很多問題，但是大家要注意到深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、人工智能這三者之間的關(guān)系：深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，而機(jī)器學(xué)習(xí)又是人工智能的核心領(lǐng)域，但它并非人工智能技術(shù)的全部。深度學(xué)習(xí)雖然取得了巨大成功，但并不能夠包打天下，還有很多其他的機(jī)器學(xué)習(xí)技術(shù)在很多方面在發(fā)揮作用。
關(guān)于機(jī)器學(xué)習(xí)下一步發(fā)展的看法，下面談?wù)勎覀€(gè)人的一些粗淺的思考，這些看法很可能是錯(cuò)的，僅供大家批評參考。
我們今天談到機(jī)器學(xué)習(xí)的時(shí)候，很多對機(jī)器學(xué)習(xí)熟悉的人會(huì)想到什么呢？可能有些人想到的是算法，有些人想到的是數(shù)據(jù)。我們可以說，今天的機(jī)器學(xué)習(xí)就是以“算法加數(shù)據(jù)”這么一種形態(tài)存在的。在這種形態(tài)下，我們的技術(shù)上存在哪些技術(shù)局限？我來列舉一些。
首先，我們可能需要大量的訓(xùn)練樣本。大家可能說今天我們是大數(shù)據(jù)時(shí)代，那么大量的訓(xùn)練樣本這件事情可能已經(jīng)不再是問題，其實(shí)這里面有幾個(gè)典型的情況能夠告訴我們，這其實(shí)還是一個(gè)很大的問題。
首先在有些應(yīng)用里邊，可能我們的樣本總量很少，比如說我們在做油田定位的時(shí)候，那這個(gè)數(shù)據(jù)必須通過人工誘發(fā)地震才能獲得，所以你要獲得這樣的數(shù)據(jù)成本是非常高的，不可能有大量的數(shù)據(jù)去用；
第二種情況是數(shù)據(jù)可能很多，但是我們真正關(guān)心的很少，比如說我們在做銀行的這種欺詐檢測的時(shí)候，每天一個(gè)銀行的信用卡交易數(shù)據(jù)可能有幾百萬上千萬，但是其中真正的信用卡欺詐的數(shù)據(jù)可能很少；
還有一種情況，我們數(shù)據(jù)的總量很多，但是我們已經(jīng)標(biāo)注了結(jié)果的東西很少，比如說我們要做軟件的缺陷檢測，我們有大量的程序代碼，但是程序代碼里面真正把缺陷標(biāo)記出來的，這樣的數(shù)據(jù)是非常少的；
第二，我們今天訓(xùn)練好了一個(gè)機(jī)器學(xué)習(xí)模型，之后環(huán)境如果稍微發(fā)生變化，就可能導(dǎo)致這個(gè)模型失效，至少是大幅度降低它的性能。比如說在我們一個(gè)傳感器的世界里面，我們放出去一百個(gè)傳感器，一個(gè)月之后有60個(gè)傳感器失效了，這時(shí)候我新部署60個(gè)傳感器，那你說我還是一百個(gè)，那我原來的模型能不能用呢？很抱歉，這時(shí)候模型的性能會(huì)大幅度衰減，因?yàn)槟愫茈y把新的傳感器放到原來的位置，它發(fā)出來的信號(hào)質(zhì)量和強(qiáng)度和原來也會(huì)有很大的變化，這時(shí)候我們的模型可能就已經(jīng)很難適應(yīng)了，所以這又是一個(gè)很重要的問題。
第三個(gè)問題很多人都知道，今天的機(jī)器學(xué)習(xí)系統(tǒng)絕大多數(shù)都是黑箱，我們能做出預(yù)測，甚至是非常精確的預(yù)測，但是我們很難解釋為什么做出這樣的預(yù)測，這就會(huì)導(dǎo)致這樣的系統(tǒng)在一些高風(fēng)險(xiǎn)應(yīng)用里面很難使用，比如說我們要做地震預(yù)報(bào)，我們說明天要地震，請大家撤離。領(lǐng)導(dǎo)肯定會(huì)問那你憑什么做出這樣的決策？如果這個(gè)模型是黑箱，他只能告訴你，我就告訴你肯定是這樣，具體什么理由我也不知道，如果是這樣的話，誰也不知道是不是瞎蒙的，那這件事情肯定不太容易采納這個(gè)建議。
這其實(shí)還有很多別的問題，比如說今天我們在使用機(jī)器學(xué)習(xí)技術(shù)的時(shí)候，即使對同樣的數(shù)據(jù)，普通用戶所能得到的結(jié)果和專家所能得到的結(jié)果，這中間的差別可能非常的大，怎么樣使用這個(gè)數(shù)據(jù)怎么樣使用這個(gè)模型，大家的知識(shí)和經(jīng)驗(yàn)的差別會(huì)導(dǎo)致結(jié)果模型巨大的差異。
此外還有一個(gè)問題可能提到的人比較少，我舉一個(gè)例子，比如說我們現(xiàn)在有大醫(yī)院，他有很多的病例數(shù)據(jù)，如果我們現(xiàn)在要做智慧醫(yī)療，那他基于這些數(shù)據(jù)可能做出非常好的診斷系統(tǒng)。而我們的社區(qū)醫(yī)院的病例數(shù)據(jù)可能比較少，直接基于它的數(shù)據(jù)很難做出這樣好的模型，現(xiàn)在社區(qū)醫(yī)院說你這個(gè)大醫(yī)院能不能幫幫我？大醫(yī)院說我很愿意幫你，但是這件事情就算它愿意幫這個(gè)忙，可能也很難幫得上，因?yàn)橐坏┧窒硭牟±龜?shù)據(jù)，馬上就會(huì)涉及到數(shù)據(jù)隱私、數(shù)據(jù)所有權(quán)、數(shù)據(jù)保護(hù)等等的問題，所以這里面有一個(gè)數(shù)據(jù)分享的墻。
還有很多其他問題。對于幾個(gè)每個(gè)方面，今天我們都有研究者在做相關(guān)的探索，但是如果把所有這些方面割裂的一個(gè)一個(gè)的去解決，可能就很難擺脫頭疼醫(yī)頭、腳疼醫(yī)腳這樣的一種現(xiàn)狀。所以我們就想，有沒有可能在一個(gè)整體性的框架之下全面的去考慮這些問題。最近我們提出了一個(gè)想法，我們它叫做學(xué)件（Learnware）。這是個(gè)什么樣的想法呢？很多人可能在自己的機(jī)器學(xué)習(xí)的應(yīng)用中已經(jīng)建立了很好的模型，他們也很愿意把這些模型分享出去。那假設(shè)我們有一個(gè)市場讓大家來分享這些模型，以后一個(gè)新用戶想要做他自己的機(jī)器學(xué)習(xí)應(yīng)用時(shí)，就不用自己從頭去建模型，而是可以先到“學(xué)件”市場上找一找有沒有合適的，可以拿來用做基礎(chǔ)。
比如說，用戶要找一把切肉刀，那他肯定不會(huì)自己從采礦打鐵開始重新造一把刀，而是先看看市場上有沒有這樣的刀，如果有合適的更好，即便沒有合適的，比如說找到一把西瓜刀，那他就可以拿回去然后用自己的數(shù)據(jù)重新“打磨”一下，可能這就成為很適用的工具了。所以，這個(gè)想法的關(guān)鍵是希望能夠部分重用他人的結(jié)果，而不必“從頭開始”。
為了達(dá)到這個(gè)目的，我們設(shè)想的學(xué)件是由兩部分組成，一部分是模型（Model），另一部分是用于描述這個(gè)模型的規(guī)約（Specification）。模型需要有滿足三個(gè)重要的要求：可重用性、可演進(jìn)性、可了解性，規(guī)約要能夠給模型提供足夠的描述。這些在技術(shù)上現(xiàn)在大概都有一些初步的想法和探索，今天就不展開了。如果學(xué)件真能成為現(xiàn)實(shí)的話，可能我們剛才提到的這些問題都可以得到全面的解決。我們期望也許經(jīng)過10到15年的探索以后，也許我們機(jī)器學(xué)習(xí)可以從“算法加數(shù)據(jù)”這種形態(tài)過渡到未來的這么一種學(xué)件的形態(tài)。
最后，因?yàn)槲医裉焓谴斫K省人工智能學(xué)會(huì)，用兩分鐘談?wù)勎覀兘K省的人工智能事業(yè)。我們可以做兩個(gè)判斷，江蘇省有國內(nèi)前列的人工智能研究實(shí)力，還有國內(nèi)前列的人工智能產(chǎn)業(yè)基礎(chǔ)。在國內(nèi)的各個(gè)省市里面，同時(shí)具備這兩個(gè)條件的地方并不多。
下面給大家看幾個(gè)數(shù)據(jù)，是關(guān)于人工智能研究力方面的一點(diǎn)反映。在2017年的國際人工智能領(lǐng)域的頂級會(huì)議IJCAI上，我們中國本土單位的錄用論文數(shù)首次超過了美國，這個(gè)里面各個(gè)省區(qū)的分布，北京大概占30%。江蘇省14%，居第一和第二位。我們再看看過去這幾年發(fā)展增長的速度，中國計(jì)算機(jī)學(xué)會(huì)人工智能大會(huì)在2013年的時(shí)候，北京錄用論文是江蘇省的兩倍多，2017年江蘇是北京的兩倍，這在一定程度上反映出過去這么幾年的時(shí)間里面，江蘇的人工智能基礎(chǔ)人才發(fā)展可能有一個(gè)快速的增長。江蘇省人工智能學(xué)會(huì)8月28號(hào)在省科協(xié)指導(dǎo)下成立，得到了省科技廳、經(jīng)信委、民政廳等很多單位以及高校科研院所和企業(yè)的支持，也反映出各方面對人工智能事業(yè)的發(fā)展非常重視。
在人工智能時(shí)代什么東西最貴？什么最缺？答案大家都很清楚，那就是人工智能人才。可以說，有多好的“智能人工”，才可能有多好的“人工智能”。江蘇省在這方面有很好的基礎(chǔ)，所以我相信江蘇的人工智能事業(yè)前途應(yīng)該一片光明。謝謝大家。