无监督学习、挑战摩尔定律、探索人脑……AI未来传奇将续写 | 总编专栏 | 自由微信

无监督学习、挑战摩尔定律、探索人脑……AI未来传奇将续写 | 总编专栏

陈宗周环球科学 2020-09-24

本文是《环球科学》总编、社长陈宗周先生撰写的系列专栏“AI传奇”的第十七回。现代科学技术整体上正在迅猛发展，人类对世界的认知日新月异，未来AI前程似锦，人类社会也会更加美好。

陈宗周是《环球科学》杂志社社长，《电脑报》创始人。

AI 2.0新篇章

AI科学家是务实的，面对AI威胁论的喧嚣，他们选择踏踏实实地规划、建设AI和人类的美好未来。

与硅谷女科学家李飞飞认为AI经历了60年试管阶段，刚进入生物活体新阶段的看法相似，中国工程院潘云鹤院士同样认为AI正进入一个新阶段，即AI 2.0阶段。他给出的初步概念是：信息新环境和发展新目标下的新一代AI。其中，信息新环境是指互联网与移动终端的普及、传感网的渗透、大数据的涌现和网上社区的兴起等。新目标是指智能城市、智能经济、智能制造、智能医疗、智能家居、智能驾驶等智能化新需求。

潘云鹤分析，可望升级的新技术有：大数据智能、跨媒体智能、自主智能、人机混合增强智能和群体智能等。潘云鹤列举了AI 2.0五个方面的技术特征：一，机器学习从大数据支持转向大数据驱动和知识指导相结合；二，从分类处理多媒体数据（如视觉、听觉、文字等）迈向跨媒体认知、学习和推理；三，从高水平人机协同融合，走向混合型增强智能的新计算形态；四，从“个体智能”到基于互联网的群体智能，形成网上群体智能的技术与平台；五，从机器人转向更广阔的智能自主系统，从而促进改造各种机械、装备和产品，走上智能化之路。总之，AI 2.0不但更接近人类智能，而且以提高人类智力活动能力为主要目标。

通用AI的追求

谷歌公司DeepMind的CEO哈萨比斯也认为AI进入了新阶段。2017年5月24日他在乌镇发表主题演讲时谈到DeepMind的任务分两步走。第一步要从根本上了解智能是什么，然后用人工方法去创造它。

第二步要解决AI的通用性问题。目前的单一机器系统或者算法组合并不能直接解决各种问题，更不用说以前没遇到过的问题。而人脑可以把相关经验应用于其他未遇到过的问题，即举一反三。DeepMind就是想赋予机器这种能力。这种通用机器学习系统即通用型AI。

哈萨比斯说的通用型AI，与现在需要人工预设条件、预置程序的所谓弱人工智能不同，属于与人类智能相当、可以自主学习和决策的强人工智能，这是AI发展新阶段的新目标。

深度学习的未来

AI在全球科学家共同设定的目标和共同努力下，正向着未来一步步推进。而对AI科学和相关技术的研究与突破，永远在艰难中前行。

深度学习虽然在今天取得极大成功，引领机器学习乃至于整个AI潮流，促进了产业发展和社会进步。但深度学习依然在探索自己的未来。2015年6月，为纪念AI提出60周年（一般认为AI诞生于年1956年达特茅斯会议，但召开这个会的建议是1955年提出），《Nature》杂志专门开辟了“人工智能·机器人”专题，专家们发表了多篇重要论文。其中最引人关注的，莫过于深度学习的最主要奠基人首次联袂撰写的一篇名为《深度学习》（Deep Learning）的综述性文章。杨立昆（Yann LeCun）、约书亚·本希奥（Yoshua Bengio）和杰夫·欣顿（Geoffrey Hinton）三位在深度学习领域备尝艰辛的开创者，在文章中介绍了深度学习的原理、方法及其形成的脉络，也展望了未来。对未来，他们特别强调：“无监督学习对于重新点燃深度学习的热潮起到了促进的作用，但是纯粹的有监督学习的成功超过了无监督学习。我们期望无监督学习在长期内越来越重要。无监督学习在人类和动物的学习中占据主导地位，我们通过观察能够发现世界的内在结构，而不是被告知每一个客观事物的名称。”

三位深度学习最关键人物，一致认为未来的深度学习要往无监督学习方向发展。这是必然的，自然界和人类社会在绝大部分数据都没有经过标注，而数据标注是一项繁重、有时是不可能完成的工作，如果机器学习永远需要大量的监督学习，即用标注数据来训练，那一定会妨碍AI走向更广泛的应用，成为通用AI的发展障碍。但如何让无监督学习也能完满完成复杂任务，是AI科学家们面临的挑战。

科学家也从另外的角度来思考机器学习的发展，迁移学习（Transfer Learning）是比较有希望的未来技术之一。前百度首席科学家吴恩达和香港科技大学杨强教授等都很重视迁移学习的概念和实际应用。杨强教授指出，现在AI的成功离不开高质量的大数据，但未来AI的成功并不一定都需要大数据，可以用迁移学习来解决相关问题，迁移学习可以把大数据得到的模型用于小数据环境。比如，在某一领域训练好的深度学习模型迁移到另一有某种联系和相似性的新领域，不一定需要那么多数据来学习。现在，基于样本、特征、参数、模型、关系的若干种迁移学习方法正在深入研究之中。

人类具有迁移学习的能力。学会一门外语，学第二门外语就比较容易；会打羽毛球的人，学打网球就不难；精通吉他的人，学钢琴比没有音乐基础的人更快；会骑自行车的人，骑电动车很容易掌握。如此等等。人类具有的迁移学习能力，未来机器也应该有。

挑战摩尔定律

与机器学习和数据科学一样，计算能力的提高依然是推动AI蓬勃发展的强劲动力。摩尔定律曾经造就了信息技术的繁荣，为AI走到今天铺平了道路。虽然摩尔定律已经放缓脚步，或者说已经开始失效，但人类未来依然没有放弃对获得强大计算能力的追求。

英特尔创始人之一戈登·摩尔（Gordon Moore）提出的摩尔定律在不同时期有不同的表述，大约是：价格不变时，集成电路上容纳元件的数量，每18个月翻一番，性能也同时提升一倍。由于物理规律的限制，集成电路元器件密度现在已经不能像过去几十年那样的速度增加。但芯片性能的提升，还有其他途径。

以GPU促进了深度学习发展的英伟达，在2017年的5月的GPU技术大会（GTC17）上，宣布推出新一代GPU。这款名为Volta（伏特）的深度学习芯片，被英伟达称为是通用并行计算架构CUDA发明以来，这个时代最大的技术飞跃。它集成了211亿个晶体管，采用12纳米集成电路工艺生产，支持120万亿次浮点运算。借助专门用于深度学习的运算器，Volta与去年推出的前一代GPU Pascal架构相比，AI训练速度是2.4倍，推理速度为3.7倍。更有人计算出，Volta的最高浮点运算能力，比Pascal GPU架构高5倍，比两年前所发布的Maxwell架构高15倍，性能跃升幅度，大约是摩尔定律描述的4倍。

英伟达推出的新一代GPU：Volta

另辟蹊径挑战摩尔定律的还有谷歌。同样在2017年5月，谷歌在I/O 2017大会上宣布推出新一代深度学习芯片TPU（张量处理器）。有人分析过，TPU代际性能提升幅度约为摩尔定律的3倍，同样跨越摩尔定律定义的发展规律。

半导体工业自身也没有因为摩尔定律可能失效而停步。2017年6月，IBM公司宣布了半导体方面的重大新突破，研制成功5纳米芯片。这种新一代芯片每片可容纳300亿晶体管，速度比目前最先进的10纳米芯片快40%，节能提高75%。可能在2020年投产的5纳米芯片，会大大提升CPU、GPU、TPU等常规和非常规计算芯片的性能。有人把这样的成功称为摩尔定律的延续。

AI发展不可或缺的计算能力，未来仍在大幅提升。

向人脑学习

AI的初心正是要探索人脑奥秘，研究人类思维规律，然后让机器实现人脑的功能。正是怀抱着这样的理想，人类开始了伟大的AI历程。

在AI发展过程中，AI科学家常常受人脑工作机制的启发，神经科学家对人脑研究的成果，也往往为AI研究所借鉴。从人工神经网络发展到深度学习，就是很好的例子。尽管今天的AI技术相对具有独立性，以致有人认为AI与人脑没有太大的联系，但无论是AI科学家还是神经科学家，都保持着对人脑这一宇宙精灵的高度尊敬与重视，期盼对人脑的深入研究，能够在未来AI发展中发挥重要作用。

复旦大学类脑智能科学与技术研究院院长冯建峰教授列举了脑科学与类脑人工智能的四个研究方向：一，大脑神经网络分析。用现代生物学手段采集遗传、分子、神经元等多模态的脑影像和各种数据。用高维大数据新算法，辅助解析大脑工作和信息处理机制，尤其是神经元集群的学习与记忆、抉择、语言等认知功能的机制，加深对大脑信息处理机制的理解。二，认知机制计算模型。研究脑系统的数学模型，尤其是神经反馈连接作用、认知和学习功能，设计新型高效的类脑人工智能算法。三，类脑智能算法创新。用生物学发现来创新或改进己有深度学习计算框架和相关理论。四，类脑智能技术应用创新。发展新的智能控制器和各种智能设备。

这样的研究方向描述，是脑科学研究应用于AI的一张路线图。

2017年6月，《美国科学院院报》（PNAS）的一篇论文引人关注。瑞典隆德大学研究人员在论文中指出，他们发现人脑中的神经元本身也具有编程能力，或者说学习的能力。他们的研究表明，单个神经元中存储信息的容量远超预期。这一发现可能将为设计全新的人工神经网络带来启发。

长期以来，人们认为记忆和学习机制与人脑中神经元之间的突触连接方式和强度相关。被称为“现代神经科学之父”的西班牙神经解剖学家、1906年诺贝尔生理或医学奖得主圣地亚哥·拉蒙·卡哈尔（Santiago Ramóny Cajal）一百年前就认为，记忆存储于突触间。他提出假说：增加突触的数量或连接的强度，可能是学习的基础。1949年，加拿大心理学家唐纳德·赫布（Donald Hebb）把这一假说发展为原则，随后成为主流观点——学习的基本机制是突触连接强度的变化。2000年诺贝尔生理学或医学奖得主、美国神经科学家埃里克·坎德尔（Eric Kandel）也总结出学习和记忆的细胞生物学原则，认为突触连接强度变化足以改变原有神经网络结构及其信息加工能力、不同形式的学习可以弱化或强化突触连接强度、短时记忆存储时间也取决于突触连接强化或弱化时间长短。

总之，科学家们以前认为学习和记忆取决于突触连接。这样的认知也影响了AI，如人工神经网络中，神经元之间的“突触权重”的调整一直是机器学习研究的重要内容。这次瑞典隆德大学盖蒙德·赫斯洛（Germund Hesslow）等科学家的研究发现，不光是突触连接，神经元本身在学习过程中也扮演了重要角色，单个神经元就可以编程，而且信息存储能力也超过预期。神经元本身具有学习和记忆的机制，这是一个新的发现。尽管目前还只是初步研究，这项研究针对的也只是小脑的Purkinje细胞，与我们常说的大脑神经元有所不同。但这一研究确实改变了以前对神经元细胞学习能力的认知，让人们对大脑学习的方式和潜能有新的认识。

沿着这个方向，脑科学家们可能更深入地认识大脑工作机制，AI科学家们也可能受到重大启发。有人甚至认为，这会影响新一代深度学习神经网络的研究。

这还仅仅是脑科学研究影响AI未来的一个例子。而且，影响AI未来的也不只是一、两门学科，现代科学技术整体上正在迅猛发展，人类对世界的认知日新月异，未来的AI，前程似锦。而在AI的新阶段，或者说AI2.0时代，人类社会也一定会更加美好。

人类的新征程

2017 年6月6~9日，联合国第一次AI峰会在日内瓦召开，包括各国政府官员、联合国机构负责人、非政府组织代表、业界领袖和AI专家等全球重量级人物与会。由国际电信联盟（ITU）等联合国机构共同组织的这次大会，名为“AI造福人类峰会”（AI for Global Good Summit）。大会宗旨也由此看出——集中讨论如何让AI作为工具帮助人类解决难题，造福于人类。峰会列举了17 个可持续发展目标，供全球思考AI的应用：

消除贫困：将贫困与预测大数据分析建立联系。

零饥饿：增加农业产量。

医疗健康和高质量生活：大数据医疗分析。

素质教育：用个性化教学变革教育。

性别平等：明确性别不平问题，发起性别平等招聘。

清洁用水和公共卫生：有效改善清洁水源供给。

可承担的清洁能源：改进光电能源获取。

体面的工作与经济增长：通过智能自动化增加生产率。

产业创新与基础设施：帮助产业创新。

减少不平等现象：建立更包容社会（如助残机器人应用）

可持续城市与社区：通过传感器数据支持城市规划决策。

负责任的消费与生产观念：预测最优生产从而减少浪费。