CCAI 2019 | 俞扬:人工智能的决定权依然在人

 2019-07-29 20:08:49

 

 

CCAI 2019

2019年中国人工智能大会(Chinese Congress on Artificial Intelligence 2019,简称“CCAI 2019”)将于9月21日-22日在青岛胶州召开。南京大学人工智能学院俞扬教授将出席大会,并担任人工智能青年论坛共同主席。

俞扬在2011年博士毕业后,留校加入计算机科学与技术系、机器学习与数据挖掘研究所(LAMDA)从事教学与科研工作,主要研究领域为人工智能、机器学习、强化学习。他还入围了2018年度IEEE Intelligent Systems评选的国际“人工智能10大新星”名单,是该次国内高校唯一入选者。

近年来的爆发让人工智能成为当下最火热的风口行业之一,机器学习又是其中的先驱领域。作为这方面的专家,俞扬如何评价这一轮行业发展热潮?我们对他的观点和思考作了梳理,一起来看。

 

 

 

人工智能不是一蹴而就,要靠厚积薄发

2016年围棋人机大战中,DeepMind开发的AlphaGo以4:1的绝对优势,横扫人类顶级选手柯洁、韩国名将李世石,让世人对智能的力量大为惊叹。

俞扬通过拆解AlphaGo的训练“秘密”,指出了它惊艳亮相背后的成功路径。

AlphaGo的基础框架是“蒙特卡洛树搜索”。在俞扬看来,这是一种聪明的搜索算法,它可以成功避免很多无效搜索,但现在也只能达到业余棋手五段、六段的水平,远不具备与人类顶尖棋手对话交锋的实力。

在此基础上,AlphaGo引入了“机器学习”,通过学习人类历史上高手对弈的棋局数据,模拟人类走法,如果碰到没有见过的棋局,则以过往相似棋局作为参考。它虽然可以学习,但无法理解这些走法背后的玄机。此外,AlphaGo还通过“强化学习”,自己与自己对弈来提升水平。

俞扬指出,这种学习机制并不是新事物。AlphaGo涉及的所有算法部件都是现成的,“蒙特卡洛树搜索”已经发展了十年,强化学习也经历了数十年的发展。AlphaGo的突破在于,人们以卓越的工程水平实现了这些技术的结合,用成百上千的CPU和数百个显卡实现了加速计算。

AlphaGo的例子清晰地表明,人工智能近年来的成功并不是一蹴而就的,而是许多年基础研究的成果。既然我们希望人工智能的发展能够更多的造福于未来生活,就要做好长期基础研究的探索和积累,这样才能做到厚积薄发。

 

 

 

人工智能发展的“奇点”还未来临

人工智能在人机对弈、图像识别、语音识别等领域的进步,引发了行业内外的强烈关注和热切讨论。作为机器学习领域的专家,俞扬如何看待这些进步呢?

俞扬曾对媒体表示,虽然人工智能迎来了第3次发展热潮,但“人工智能威胁论”尚不成立,人工智能发展“奇点”还未来临。他提出,不要混淆“技术进步”和“社会进步”的概念。以蒸汽机为例,它带来了工业革命,人类生产力得到巨大提高,颠覆性地改变了人类社会的生产生活面貌,但在这一过程中,要注意原理和工艺的区别。蒸汽机的原理自诞生起就不再出现变化,人类不断改造和升级的,是蒸汽机的工艺水平。正是因为后者的不断提升,才让蒸汽机效率更高、价格更低、使用更安全方便,进而广泛普及开来,推动了社会进步。如果依照“奇点”理论来推算,蒸汽机应当迅速发展,但工程工艺的精化无法克服其原理上的先天缺陷,后来还是被内燃机所取代。今天我们在汽车、飞机上已经看不到蒸汽机的影子了。

 

 

 

人工智能的决定权依然在人

关于人工智能的能力边界问题 ,一直以来都存在不同的声音。人工智能有没有权限做决策?如果有,这一权限应该多大?

2018年3月,一辆自动驾驶的Uber在美国亚利桑那州撞倒了一位推着自行车的女性,致其身亡,这是自动驾驶导致行人死亡的第一例事故。事件迅速发酵,引发了关于人工智能安全问题的广泛讨论。

对此,俞扬明确表示,人工智能作为一个工具,如何使用,目前来看决定权依然在人,系统的设计者和商业(应用)的提供人员需要对此负责。他说,“我们必须清楚地知道人工智能会做出什么样的决策。对人工智能的应用范围,以及应用结果的预期,一定要有约束”。在人工智能决策相关的问题上,人类一定要慎之又慎,环境是否可控,是否经过了可理解性的测试,决定了它是否可以用在关键的场所。否则,产品就存在重大缺陷。

在高效强化学习方面的探索

俞扬介绍道机器学习可以有“机械学习”、“示教学习”、“类比学习”和“归纳学习”等多种类型。自20世纪80年代以来,归纳学习成为机器学习中被研究最多、应用最广的分支。归纳学习又分为监督学习、无监督学习和介于二者之间的弱监督学习。

强化学习可以看作是一种弱监督学习,它的数据标记需要靠自己探索来获得,往往需要经过多次决策的探索才能获得标记。

俞扬指出,强化学习在现实社会的应用还很少。当前强化学习主要有两个经典方法:一是对值函数的学习;二是策略搜索方法。但这两个方法对于样本的需求量都极其大,在真实物理环境中的应用很难得到满足。俞扬以狗举例,让狗听懂“趴下”只需半个小时,这个过程大概有二十个样本。由此可见机器强化学习的能力与生物相比,还有很大差距。即目前强化学习方法的样本利用率很低,这种低效可能来源于优化能力、方法论等多个方面的局限。

2017年,俞扬介绍过自己在提高机器强化学习能力方面的一些探索。近期,他的研究更关注模拟器的构建。俞扬认为强化学习落地的主要瓶颈在于需要大量试错,而现实环境难以承受试错代价,构建模拟器可能是突破瓶颈的一条可行途径。2017年开始,俞扬与阿里巴巴合作,成功构建了“虚拟淘宝”,模拟了购物的买家。“虚拟淘宝”模拟器用于训练强化学习,从而避免了试错代价,最终训练出的模型,直接上线测试,获得了2%的性能提升。俞扬认为“零试错”是强化学习能够得以推广应用的关键门槛,并且看好强化学习未来落地应用的前景。

 

 

https://www.toutiao.com/a6719055944078066179/

你可能感兴趣的:(人工智能)