大數據的前期收集正在成為人工智能發展的瓶頸，人工智能要向邏輯思維進化。
日前，由南方財經傳媒集團旗下21世紀經濟報道主辦的2022 21世紀科技峰會正式召開。
會上，塞爾實驗室主任，國際歐亞科學院院士李世鵬和喬春明指出，人工智能的發展經歷了三個重要階段今天，人們的期待已經到了基于深度學習解決所有問題的階段但問題是深度學習本身沒有推理能力，過于依賴數據，大數據的前期收集準備成為限制人工智能發展和普及的瓶頸
在最早期基于符號邏輯的推理和證明階段，證明了很多數學原理的定理，外界對人工智能也有很高的期待，比如智能機器成為國際象棋冠軍，發明和證明有意義的數學定理，譜寫優美的音樂等。
但事實上這并沒有實現有什么問題沒有解決智能機器如何將實際問題抽象成符號的邏輯，所以只能支持在模擬推理的少數特定規則下運行的場景李世鵬說
20世紀70年代末，人工智能進入第二階段——基于人工規則的專家系統階段成果主要包括將邏輯推理提升為專家系統知識工程神經網絡的BP算法解決了學習的收斂性問題，專家可以手動構造規則和選擇特征來解決一些小規模的具體問題和考試要求
這時，問題又出現了專家沒有那么多時間，也沒辦法窮盡所有的規則這里的教訓是，知識不能由專家僅用手來表達，而是要通過自動學習來表達所以2007年左右，人工智能發展到第三個階段，也就是大數據驅動的深度神經網絡階段
在這個時期，算法，算力，大數據的發展共同發力不再需要手動選擇一些數據特征或構建一些規則深度學習可以從標記的信息中自己學習通用模型這也推動了人工智能在語音識別，圖像識別，語言處理等感知智能方面大有作為，實際上可以解決廣泛事業中的共性問題
必須承認，深度學習在實踐中發揮了巨大的作用它的成功在于開源的AI框架只要有足夠多的標注數據和足夠強大的計算資源，就可以渲染出非常有用的模型，而且可以擺脫各種特征選擇對人的經驗和智能的依賴李世鵬說
李世鵬指出，今天，人們的期望已經到了基于深度學習解決所有問題的階段，但問題是深度學習本身沒有推理能力，過于依賴數據，因此前期收集大數據的準備成為瓶頸。
最大的問題是，對大規模數據標注的依賴日益成為人工智能發展的瓶頸沒有足夠的數據，很難創建足夠精確的模型如果想拓展到更多的應用場景，需要同等規模的標準大數據，那么人工智能的推廣就變得非常困難李世鵬說
李世鵬指出，科學界也在探索各種方法，以優化算法為核心，降低數據依賴的瓶頸，比如優化數據深度學習算法，提高效率，減少計算量等在模型壓縮方面，也有連續學習，小樣本學習和遷移學習
今天，通過人們的認知科學，我們看到具體的規則并不重要只要有足夠正確的邏輯，我們總是可以訓練得到一個收斂的通用規則模型，所以我們需要打破專家系統需要的專家的標準瓶頸，讓普通人參與標注產生大量的規則這也是我們想要擁抱的從大數據到大規則的變化李世鵬說
鄭重聲明：此文內容為本網站轉載企業宣傳資訊，目的在于傳播更多信息，與本站立場無關。僅供讀者參考，并請自行核實相關內容。
|
