主页 > 智能科技 >

中科院三院士谈AI:人工智能的“脑洞”有多大?

  原标题:中科院三院士谈AI:人工智能的“脑洞”有多大?   中国青年报 智能玩咖   智能菌   近日,在中国科学院学部主办,中国科学院自动化研究所等协办的“脑科学与人工智能”科学与技术前沿论坛上,大家都说了啥,今天给大家梳理了三位前沿大牛的观点。   李德毅   中国工程院院士、中国人工智能学会理事长   我们今天的科学家,尤其是计算机科学家,把‘计算’用得太狠了,对‘计算’的依赖甚至有些‘贪得无厌’了!   人工智能学者不能只盯着计算认知,一味要求 人脑研究的步伐有多快,而要拿出更多的精力放在“记忆认知”和“交互认知”上。   关于自动驾驶,无论是对话、诗词或者驾驶,图灵测试都允许测试者现场介入,判定结果都带有近似性和主观性。但是,和对话、诗词测试相比,驾驶的图灵测试可以进行更为精确、更为客观的评测。   当初汽车被发明出来的时候,人们最感兴趣的是汽车的结构、机械、传动、轮胎、底盘和车身。到20世纪,人们感兴趣的则是发动机、碳排放和被动安全。到20世纪末、21世纪初,人们总体上关心3件事情,轻量化、清洁化、智能化。   智能化,有4个阶段,第一是理性辅助驾驶,以人驾为主;第二是自动驾驶,局部时段可以放开手和脚;第三是自动驾驶,即用自动驾驶接管驾驶权;第四是人机协同驾驶。   无人驾驶的重点,难在拟人。汽车是从马车演变而来,作为动力工具,汽车的马力可以达到100匹马力,但汽车远远不如马应对不同的负荷、天气、路面,以及不同车辆情况下的适应能力。说白了,汽车的感知、认知能力远远不如马这个认知主体,“老马识途,车不如马!”   所以根本问题不在于车而在于人,要解决人的问题,就要让驾驶员的认知能够用机器人替代,让机器人具有记忆、决策和行为能力,于是新的概念产生了——“驾驶脑”。 幸运飞艇微信群   “驾驶脑”不等于驾驶员脑,“驾驶脑”是要做驾驶员的智能代理,要去完成包括记忆认知、计算认知和交互认知在内的驾驶认知,他说,这应该是人工智能时代最有意义的课题之一。   蒲慕明   中国科学院外籍院士、中国科学院神经科学研究所所长   不管是国内还是国外,都是如此,不过随着研究手段不断丰富,研究领域不断突破,两者的交叉融合成为热点,甚至出现一个新的研究名词,类脑智能。美国、欧盟都相继启动相关研究计划,中国也启动了脑计划。但中国的计划是将脑科学和人工智能结合得最为紧密的。   比如,现在流行的深度学习,就是基于人工神经网络的一个应用,这些人工神经网络都可以从神经科学的一些规律中得到灵感。蒲慕明说,比如可以借鉴神经突触的可塑性、记忆储存、提取与消退,等等。   目前的脑科学研究能启发人工智能的并不是特别多。因为当前的脑科学研究,仅相当于物理、化学等学科在19世纪末期的研究水平,要完全理解大脑,可能是几个世纪的事情,而不是我们这个世纪就可以达到的。   对于类脑研究,必须要在这个时候做一些适当的应用,假如不把已经知道的知识应用到对脑疾病的诊断、干预和治疗上,那么到2050年我们的医疗系统很可能要面临崩溃——那时你会发现仍然没有一个脑疾病能够治愈。   对于人工智能的应用,不一定非要完全搞清楚,神经科学一些具有阶段性的成果,也可以给人工智能的发展提供启发。   谭铁牛   中国科学院院士、中国科学院自动化研究所研究员   “模式识别”是人类最重要的智能行为,也是人工智能重要的研究内容——机器的“模式识别”能力,在一定程度或者很大程度上反映了机器智能“类人”的程度。   比如语音识别,近些年突飞猛进的科大讯飞,能将维吾尔语翻译成汉语,汉语翻译成维吾尔语;再如步态识别,在看不到人脸、虹膜和指纹的时候,就能通过步态在几十米外感知到其身份。   此外,还有图像识别,其中具有代表性的人脸识别,早在几年前马云刷脸支付已经引爆舆论热点。图像识别不仅可以用在手机上,还可在查找丢失儿童上发挥作用。   关于模式识别的技术瓶颈,可通过借鉴生物的机理改进,未来生物启发的模式识别在人工智能领域前景可期。其最终追求,是希望模拟逼近人的模式识别,这是非常艰巨的过程。   目前,模式识别的主要瓶颈在于鲁棒性、自适应性和可泛化性。   关于鲁棒性,说白了,就是人工智能“够不够皮实”“是不是稍微有点扰动,就会出错”。比如在酒会上聊天,背景噪音比较多,如果想听清其中某一个人的声音,就要忽略或者抑制背景中其他对话的干扰——人类可以做到这一点,也就是听觉系统所谓的鸡尾酒效应,但人工智能可以吗?   关于自适应性,则比较容易理解,人类的眼睛会随着灯光的变化、环境的变化进行调整,这说明自适应性非常强。这一点可以应用到人工智能上,比如人脸识别,有一位朋友十几年甚至几十年没见,再见面是否还能认出来?他说,现有的模式识别在这方面还不是很理想。   可泛化性,说白了就是“举一反三”。当小孩认识苹果后,即便只记住了一次,也可以识别其他类型的苹果,这说明人类看到一个东西后,不仅知其然,还知其所以然。而知其所以然,就是人工智能领域所说的“深度学习”。但目前的人工智能深度学习,必须建立在大量数据的基础之上,这一点也有待进一步研究。   要解决这3个问题,关键还是看人类本身,在微观层面上,人工智能的模式识别可借鉴人类的神经元,神经元有兴奋性、抑制性、功能可塑性和传播性。科学家受到这个启发,增强了模式识别动态系统的稳定性。   (本文由@智能菌整理,资料来源于中国青年报)   AI图书馆已经上线,万份资料免费领!   ?(AI行业干货,尽在人工智能行业图书馆!持续更新.....   本文献只用于公益分享,如有侵权请联系我们下架!)   获取资料方式,扫一扫下幸运飞艇面二维码,   关注公众号@智能玩咖 之后,便可以加入社群领取:   AI玩咖   智能生活第一站!   (扫一扫关注)   责任编辑:   投诉