浙大吴飞:AI不只有噱头 还能省电和问诊

本站科技讯10月28日消息,由本站科技和本站智能主办的第七季“本站开物沙龙”今日在杭州浙江大学召开,本次沙龙的主题为“AI将引发生活大爆炸?”。会上浙江大学计算机学院副院长人工智能研究所长 吴飞从学者的角度发表了关于人工智能发展的演讲。

吴飞教授提到了人工智能与生活正产生紧密的联系,他提到了四个著名例子:AlphaGo战胜李世乭并提升谷歌用电效率、IBM的Watson开始就诊拯救患者、AI与VR/AR技术的结合创作人机交互、德国通过强化学习推动可再生能源的利用等。

吴飞认为早期OCR的识别,指纹的认证,早期的电子词典都曾是人工智能高大上的研究,但当他们都发展成熟后,已进入寻常生活,不再被称作“人工智能”。因此,吴飞也憧憬现在令人惊讶的人工智能技术如AlphaGo也将成为智能应用爆发的基点

此外,吴飞也提出目前人工智能领域主要挑战是要从弱人工智能向通用人工智能迈进。目前,这需要我们将研究数据驱动与知识引导的结合与反馈,要把隐性直觉显性的知识结合,要达到一个Learning to lean的能力,人工智能才是真正的人工智能。

据了解,吴飞教授所在的浙江大学人工智能研究所成立于1981年。其中,人工智能和计算机图形学为浙江大学计算机学科发展的着力方向。(五比一)

以下为演讲原文:

吴飞:非常感谢韦总副院长的介绍。我今天下午给大家带来的话题是人工智能应用与研究的一些思考。

首先因为我是来自浙江大学人工智能研究所的,浙江大学人工智能研究所的历史还是比较漫长的,我们,当时由我们的人工智能领域的著名专家何志军老先生创建,我们浙江大学的前校长院士以及现校长和我们的陈琼院士都曾在人工智能研究所工作过。

人工智能研究所它的特色的研究方向主要有:人工智能、CAD创新设计、多媒体、文物数字化保护与传承,计算机视觉、数字图书馆和知识中心。何老先生在1981年高瞻远瞩,把人工智能和计算机图形学作为浙江大学计算机学科发展的着力的方向,从而使浙大目前在人工智能和图形学仍然保持比较领先的态势,是由于何老先生的高瞻远瞩。

以浙江大学人工智能研究所为契机,浙大其它的一些学科和其它的一些研究所就慢慢的培育起来了。因此浙江大学人工智能的研究所的确是孕育了浙江大学计算机科学基本学科的一些未来的方向和发展。学术界有个很著名的排名叫做基本科研业务的排名,据ESI在2016年9月份的排名,浙江大学计算机科学学科在全球排第61位,已经进入了前百的比例,在中国排名第二,清华大学排名第一。

早期的人工智能,所里面主要是以专家系统和智能CAD为主,比如说潘老师研制的人工智能与计算机美术,何老先生专家系统和智能CAD,还有支持多E推进的系统,人工智能研究所的早期研究还是以多媒体技术和专家系统为主导的。

目前,潘老师是我们人工智能研究所的第二任何所长,庄老师是我们的第三任所长。目前我们有院士一人,还有一些人才团队的,就是研究所里面的学科力量还是比较强的。

各位来宾听说过,人工智能是1956年出现的,当时有这几位图灵奖的获得者,后来获得了图灵奖和IBM的一些人,他们在1955年给美国一个研究会写的他们的题目叫做研究计划,关于人工智能的研究计划,1955年8月31号提交的计划里面首次出现了人工智能这个单词,这个单词是1955年创建的。这个计划里面专家就说申请两个月和十几个人的一批经费做如下的七件事情:第一个叫自动计算机;第二个计算机如何用自然语言编程和神经网络,计算的复杂性,还有计算的自我提升和直觉计算还有随机与超能力,他们认为在1955年他们认为这七个方向可以被称为AI里面的重点研究方向。我们回头看这七个未来的方向,我们仍然感觉这七个方向仍然是我们目前人工智能里面热点的研究。无论怎么样,1955年这份报告就暗示人工智能从此跟上了所谓的学科的前沿,或者真正的被创建出来了这一个学科。

走过了60年代之后,人工智能怎么和我们的生活紧密的联系起来?我这几天想了几个例子,第一个刚才杨总讲的三月份AlphaGO和李世石,AlphaGO取得胜利,胜利之后他们非常关心AlphaGO除了会下围棋,谷歌公司以四点几英镑,将近5亿美元买过来的,谷歌公司除了对人类的发展做出贡献,但是作为公司还是会盈利的。AlphaGO目前已经开始为谷歌公司赚钱了,怎么赚钱呢?D公司的机器学习算法用于控制中心,控制计算中心的120个变量,帮谷歌公司把数据中心电力使用效率提升了11%,这一个效率的提升使得谷歌数据中心的用电会急剧下降,为公司实现了盈利。这张图是2010年全球数据中心总的电力消耗量,这是全球的电量,数据中心,各个IT公司的数据中心的耗电量约占全球耗电量的1.3%,谷歌公司占这个1.3%里面的1/,谷歌公司的这种后台的服务器耗电量大概是全球用电量的万分之一。我国2015年耗电量相当于三峡水电站一年的发电量,对于数据中心耗电量的急剧的降低也是一个非常有学问的研究,也是非常具有经济的意义的。

第二个例子是Watson开始就诊了,我们知道Watson是21世纪之初IBM打造的一个问答系统,我们后来命名为Watson,它在2016年8月份的时候,在日本东京有个病人的疾病,医生在诊治的时候出现了偏差,病人一直未能得到康复。IBM把大概有两千多万篇的文章输给了Watson,Watson根据病人的症状很快做出病因的判断,给出一些治疗的手段,这个病人很快就开始康复了。这个例子说明什么呢?就是大数据驱动并且以数据的深度计算为核心的人工智能开始能够进行这些智能医疗智慧医疗方面的治疗。我们必须承认IBM Watson能够进行这个就诊还是依赖于后台的专业,专业性质比较强的大数据再加上比较好的交互技术使得这方面能够就诊。

第三个例子是创新设计,在开场的时候我看嘉宾好像用的习近平总书记在杭州的讲话,人工智能VR和AR的发展,正好是我们习总书记G20峰会上谈到的科技术语的两条,人工智能,VR和AR,第三个例子就是人工智能和VR、AR的结合,今年8月份,哈佛大学MIT的研究者通过虚拟现实和机器学习,从160万份有机分子中选择出来一些良好的分子用于制造有机发光的二极管。它有一个可视化的界面,把这160万的有机分子呈现出来,通过众包的形式分解哪个对发光有用,通过虚拟现实的技术和人的一些才华聪明结合进行分子的选择。我们也知道Autodesk公司也是结合虚拟现实进行汽车的设计。用人工智能技术把人的隐性的知识和现实生活中能够拿到的大数据通过人机交互的界面结合进行更好的创作。

第四个例子我们认为是要做可再生能源的业务,就是在德国,风力和太阳能等可再生能源为德国提供了1/3的电力。德国科学家通过利用气象、雷达和卫星的数据,通过强化学习机制来推动可再生能源的利用。稳定的电量传输到传统的电力系统,当它源源不断产生的电量如何平稳的输入传统的电力系统机器学习算法会知道比如晚上8点钟是这个城市用电的高峰,需要大量的可再生能源的电力的注入,这时候机器学习会在这一个晚上8点钟会注入更多的可再生能源产生的电力。比如上午11点钟大家上班,小区的用电量是降低的,这时候用电量注入的水平应该明显的下降,通过自适应把可再生能源的电力注入传统平台这是第四个例子。

综观这些例子我们也感觉到人工智能的发展,它有一个比较明显的一个叫做人工智能的效率,这个效率说明什么问题呢?就是说人工智能一旦在某些领域成熟不再称为人工智能,而是一种计算机的应用。比如现在支持手写体手机,很难想像是一个高大上的名字人工智能,手机手写体的识别也是花了很大的时间和精力科学家们才用了很多人工智能的算法才识别出来的。OCR的识别,指纹的认证,早期的电子词典都是人工智能高大上的研究,这些研究已经走进了我们寻常生活,我们一般不称为人工智能。以后有一台小AlphaGO能跟你下围棋的时候你也不会想到2016年原来这是人工智能爆发的一个基点,引发大量的人工智能的讨论,因为它已经走入寻常的百姓人家了,这是一个很有趣的现象。

我们对人工智能的思考是怎样的呢?我们知道现在我们有一种就是机器的力量,还有一种就是人类自己有的力量,我们想未来的趋势一定是对于一个机力借用人力,它的蛮力计算与直觉推理的协同,机器依靠大数据、高效的计算架构驱动,但是这个过程缺少了直觉的推理,直觉推理是人作为智慧生物体特有的能力。爱因斯坦也说过人最可贵的、最有价值的东西就是我们的直觉,这种直觉和我们的传统上的形式化的推理不同,它是一种跳跃、断裂、爆发式的推理,它不是一种连续的推理。如果是一种连续的推理的话,计算机可以解决,但很多时候它有这种跳跃和断裂的节点只有人能够产生。我们灵机一动,头脑里面突然闪过的智慧的火花,这就是一种断裂式的思维。

怎么去结合呢?我们看一下,其实AlphaGO已经开始结合起来了,AlphaGO和其它的竞技的比赛过程它有一种直觉感知的能力,传统的下围棋,下象棋都是一条一条的规则,如果怎么样,那么怎么样,就把一条一条规则走进去,AlphaGO,输给AlphaGO的是一个棋盘,没有任何的规则,就把这个棋盘作为一个图象输给了AlphaGO,只不过输给了150万副人类棋种和AlphaGO产生的4亿多个机器产生的棋谱,AlphaGO说我给你的就是一张图片,你自己图片判断是顺势还是逆势,由你自己判断。AlphaGO这里面有一个深度学习的蒙特卡洛的索索,这里AlphaGO已经把一种蛮力的计算和直接感知的推理有效的结合,实现了视觉感知的任务的完成。但是AlphaGO也是有一点缺陷的,比方说这里是五个棋局,每个棋局的左边都给出了AlphaGO在下每副棋的时候它预感这一盘棋要胜还是负的概率,它只在第四盘输了,第四盘大概在78步的左右还是认为自己会赢,继续往上一路高歌猛进到第87步突然下降了,它认为它败下来了,而且是一种断崖式的失败,相当于他承认无法扭转,自暴自弃,乱起来了。他面临危机的时候会自暴自弃,人是屡战屡败,屡败屡战,这个还是期待我们慢慢探讨的。

我们花几分钟时间总结:我们认为现在的人工智能面临怎样的挑战呢?

主要挑战还是如何从弱人工智能向通用人工智能迈进,所谓的弱人工智能就是指领域相关的人工智能,下个围棋能下过你,象棋能下过你,看病能看过你,那么我们请问下围棋的AlphaGO能不能去做一些基本的食谱,做一些更加宽广的人工智能的活动。现在的人工智能只要有这种竞赛规则存在,肯定能战胜人类,但是如果是一种通用性的人工智能,人会比它衡量厉害。不论怎么说现在也出现了一些趋势,我们希望人工智能从任务式、刺激式的学习,比如围棋几亿副的棋谱,目标只有一个,战胜对手,在大数据蛮力的刺激之下机器会越来越聪明,但很时候我们学习是探索式的,没有目标的,给你一册书,你怎么总结,我们没有任何目标,靠着探索式和自主式的学习是需要我们去研究的。

Deepmind在今年10月份发表一篇文章叫可微分神经计算机,有些专家认为它是深度的神经模型已经出来了,方法就是把人工智能技术和记忆模型,特别在外界引入的记忆体加强它的推理。

最后我们觉得现在是不断出现的数据和知识,不断演化的直觉和先验,需要研究数据驱动与知识引导的结合与反馈,要把隐性的直觉和显性的知识结合,要达到一个Learning to lean的能力,人工智能才是真正的人工智能,谢谢大家。