京东周伯文：通用AI之路无时间表 还有7个技术挑战

本文系网易智能工作室（公众号 smartman163）出品。聚焦AI，读懂下一个大时代！

【网易智能讯4月17日消息】在上周O'Reilly和英特尔联合主办的AI Conference 2018北京站大会上，京东集团副总裁、AI平台与研究部负责人周伯文发表了演讲，分享了AI市场的发展和AI所面临的技术挑战。

周伯文认为，通用人工智能的到来并没有时间表，但是从ANI（狭义AI）到ABI（广义AI）有七个主要的技术难题需要克服。第一需要系统地解决遗忘问题，需要做持续学习；第二AI需要具备严密的推理和逻辑的能力；第三是AI系统需要能在没有任何输入的情况下自我学习；第四是架构需要更新；第五是AI需要变成一个自己能够组合，完成一个更复杂的系统；第六是打破黑盒；第七是去掉偶然的成份。（小羿）

以下为周伯文博士演讲实录：

周伯文：我今天想跟大家探讨一个话题，大家都知道AI是一个方兴未艾的市场，我想告诉大家，其实这个市场可以比这个大100倍。当然，我们要达到这个目标，我们需要更多的努力。今天我想跟大家分享一下这些思考，关于这些技术挑战的思考。

就像我说的一样，AI是今天所有人都在讨论的话题。当我们在谈AI的时候一般会谈什么？我们会谈很多非常出色的AI的系统，在各种比赛中，从最近的AphaGo到AlphaZero等等，再到更早1950年我们就做过一个用AI来下棋的一个Game。除了这种非常有明确规则和边界的下棋之外，其实AI还能用这种天生带有模糊性的自然语言理解和问题回答的竞赛。在危险边缘的百科知识竞赛中，IBM的Watson击败了人类的冠军。当然远远不仅仅是棋类比赛，AI还可以创作性的协作。这是我们2016年做的一个工作，让AI读新闻，一个字一个字的像人类一样写一个新闻的标题，第一段是一个新闻，第二段是我们人类记者写的标题，第三段是我们的AI写出来的标题。能够发现有几个非常值得注意的是，这个动词是AI自己想出来的，原文里面没有，上下文里面也没有。对比的人类用的对此就不一样，AI用的是一个更书面化的动词。同时对于这个里面的主语，是马来西亚的Mahathir，相对应的人类记者写的是Mahathir的Leader。从这里可以看到，AI做了一个创造性的改变，他知道什么时候忠实于原文，什么可以创造。

人工智能还可以做更多的推理，这样的工作就是用人工智能回答专业领域的问题，关于一个保险的问题。客户问到如果我买一栋带游泳池的房子，那我的保费会上升多少。这一类的专业问题，人工智能也回答的非常好。下面的答案是人工智能从很多文档里面找出来的一个答案，但是这个答案的神奇在于，不但告诉你这是一个好的答案，而且帮你标出了为什么这个答案是好的，这个推理远远超越我们的想像。这里提到的，最后面这个角落提到把近邻找出来，告诉这个用户的邻居是谁。这里面有一个专业的知识在里面，保费取决于你的风险，风险取决于你有没有邻居。如果你的邻居在你的游泳池里面出事了，保险公司要承担很大的责任，如果没有邻居，这个保费就不会很大，所以人工智能做了这么一个好的推理，告诉你这是一个好的答案。人工智能还能做很多机器阅读、问题回答的例子。所有这一切，我想告诉大家，这一切都是我所说的狭义的人工智能的例子。今天我们仍然是从狭义的人工智能往广义的人工智能在转变，我到底狭义和广义是指什么？我给大家花一点时间介绍一下。

大家可能听过人工智能，听到AGI，即通用人工智能。有些公司在研究。我们定义一下，to AGI，我们并不知道什么时候会到来。AI我们知道的比较多，今天的AI需要大量的数据，需要人工智能算法专家去设计架构，优化规则，设计程序去学习，每个任务都是分离和独立的。通用的人工智能是我们做人工智能所有的研究者梦寐以求的东西，我们希望这个人工智能系统有更多的广义的自主性。我们希望它能够无时不在的都在学习，它能够从阅读中学习，从讨论中学习，从观察中学习，从做实验中学习。我们希望这个人工智能系统的架构，它的特征表达、学习算法和优化算法是相互影响、相互一起来协作往前进，而不是说人设计一个再去设计另外一个，这是我们希望做的广义的人工智能，或者说通用的人工智能。

就像我说的一样，通用人工智能并没有一个明确的时间表，我们看到这个定义也不是特别的清楚。我想广义的人工智能是我们下一个里程碑。我把广义的人工智能定义为有下面几个特点：

第一，人工智能系统能够自己去补充知识，能够选择性的补充知识，在离线的时候，会从不同的资源当中学习知识；

第二，它能够保留和适应原有的这些人工智能模型，在新的任务里面，它能够很快的适应，但是同时，它不会忘记已有的一些技能；

第三，因为它的学习方式，它的技能会越来越好，同时不会忘记原来的技能。

从ANI（狭义AI）到ABI（广义AI）有七个主要的技术方向，需要我们的研究人员和技术工作者克服，跟大家简单分享一下：

第一，ANI现在做的是狭隘的，一个个独立的AI问题，ABI是要做广义的、打通的终身学习。需要做到这个目的，就需要我们去系统的解决这个遗忘问题，做更好的Learning to Learning，需要做持续学习。

第二，我们现在的系统，大部分的神经网络深度学习系统需要取得选择性的弹性，为什么让AI从头到尾写一本严密的推理小说是不可能的，因为他不可能做到这么严密的推理和逻辑。他们不能够在很长的时间上去理解，这是一个很重要的能力。

第三，我们现在看到的人工智能虽然非常成功，大部分是来自于大数据。我们下面就需要从新的方向，我们需要不仅仅是标注的、监督的学习，也不仅仅是我们最近看到非常成功的这种，还有一种更极端的情况，就是连输入都没有，这个系统能够自己自我学习，这个听起来好像很神奇，但是我们人类就是这么做的。有一个生理现象，就是你每天晚上回到家的时候，你睡着了以后，你的大脑里面会重演一遍你今天做的事情，你在想什么做的不对，什么做的好，到第二天早晨起来的时候你还记得。这种情况下AI系统也会有，就是在没有任何输入的情况下自我学习。

第四是架构要变。我们现在是AI专家在设计，大家一起来学习，到将来AI一定是自己学习去更新。

第五，我们需要变成一个自己能够组合，完成一个更复杂的系统，怎么组合，怎么完成更复杂的系统，这是AI需要自己去掌握的。

第六，今天的AI更多的情况下是黑盒，我们需要AI的公司让用户、专家能够理解为什么要做这个决定。就像我刚才讲的例子一样，为什么说那个答案提到了回答保险公司的情况是一个好的答案，因为他提到了你的近邻，给你解释为什么是一个好的回答。

第七是关于优化，优化这一块，我们今天人工智能的成功有点偶然的成份，我们做了一个神经网络，理论上大家都知道它是非最优的。但是我们发现，好像在使用的系统当中也可以，这就导致今天AI大量的成功。但是如果达到了前面的那些目的，就是你在不停的演进，你的表征在演进。在这种新的框架下面，我们很难有运气把这个问题解决。所以我认为，更有效的方式是一定需要的。

下面给大家举两个具体的例子，挑两个方向给大家讲一下近期的研究成果，让大家看到一些ABI出现的一些前景。首先我想给大家讲一下从所有可能的输入中去学习，这个方向的研究领域很多，我给大家挑一个最近的工作，很有意思，就是机器阅读、理解和问题回答。大家都知道，机器阅读理解现在能够非常好的回答百科全书的工作。一个原因就是能够很好的标注这些数据，产生问题再产生答案去训练。所以训练数据里面，监督学习需要文档，机器阅读文档，机器看这个问题，再看答案，再一起来做这个学习，几十万数量级的大数据做学习。如果我变成ABI，如果真的能够阅读理解跟人类一样，那为什么你读一个新的领域的文章还需要我给你标注数据呢？能不能自己读完这个文章，就把这个文章看懂？所以我们现在做的一个研究就是，怎么能够把一个系统回答问题，挪到一个新的领域。这个新的领域里面，不给他任何问题，他自己要学会，我们只测试数据和训练数据。人是怎么读的？我们想人读新的文章，会自问自答，他讲的是什么事情，什么问题。这是关于印度尼西亚的一个篮球员的新闻，来自CNN。有多少英国人被救了，答案是3个，文章里面提到过。从这个过程当中，就会产生新的领域的阅读能力。我们做ABI的学习方式，跟人类的学习是非常像的。

我们把这个新的领域的阅读理解问题回答变成两个任务。一个就是我们去训练一个教师系统，就是自问自答，我读了这个文章产生哪些问题，让用户自己找到答案，通过这个过程，对这个过程加深了深刻的理解。我们把自己产生的问题和回答放到一起去训练一个模型，去做新的领域的阅读理解。所以可以看到这些结果，如果你不用原来百科全书的去做的话，如果完全给你一个标注的话，准确度高很多。但是如果我们用这种方法，完全没有数据怎么去学？在很大程度上接近了后者，比前者好很多。

再讲下一个话题，我们看到一些类脑（Brain-Inspired）的算法，很多人工智能做这些简单的工作，跟人的大脑相比，这个差距是非常明显的，我们的大脑是一个非均衡的动态系统。绝不仅仅是一个简单的预测系统。将来的ABI和AGI，一定会结合这种弹性，包含什么时候该选择记住，什么时候该选择遗忘。你的记忆等等，所有的这些要融合在一起，就像我们坐的飞机跟鸟一样去飞，现在缺乏这样一个机制。我们现在做了一个终身学习，觉得更有弹性，更可靠。这其中一个问题就是，我怎么让这个大脑，让这个AI系统有可变化性，跟人类大脑一样。为什么会这么讲？因为大家可能不知道，在我们大脑中有一个现象，我们每天都有新的脑细胞在产生，也有脑细胞在死亡。所以你会在中国听到一句话说，这个问题太难了，会死很多的脑细胞。但是即使是一个成年人，也会有很多新的脑细胞产生。

这种现象在我们AI里面的下一个工作，我们在做动态重构的一个工作。下面这个图，中间那一层是一些个蓝色的节点，可以想像成一个隐性的神经元。我们做的你可以想成是一个稀疏的，中间蓝色的点代表了中间一层神经元。我们做的工作就是，我能不能在学习的过程当中动态的看一下这一层有多少神经元，可以加上这个神经元，也可以选择性的模拟脑细胞的产生和死亡。这个产生的过程中，因为我在AI系统面临不同的挑战，就是我以前学的很好的东西，我现在做一个新的东西，我发现不适应了，所以脑细胞要死亡。人类说学这个东西死了很多脑细胞，我可能文科很好，做数学死了很多脑细胞，就说明有些脑细胞可能不适合学数学，所以会自然而然的死亡，但是有新的脑细胞产生，所以就会产生新的脑细胞，这是这张图的意义。

我们看一下这个结果。通过这种做法，可以看到，我们现在做的是试图重构不同的图，不断的改变系统测试的环境。这个系统本来的训练是重构这个城市风光，城堡、别墅，我们动态产生一些让它去重构这种植物、自然风光，包括花、草这些东西。这种环境不断的变化，我们发现在学习过程当中，这个系统不断的产生新的细胞和老的细胞。到最后动态产生的系统远远好于一个静态的人工专家设计的系统。我们发现，这个结构更压缩，更有效率，数据的规模更小，模型规模更小，这是一个非常有意思的视角。

如果我的整个演讲，大家能够记住一句话的话就是这句话：ABI意味着有更好的需求和标识数据，我们对专家人工系统，算法专家的依赖性会减少，我们会有更多可解释的人工智能解决给大家分享。更重要的在于，你去设计和研发的一个AI系统，可以来做更多不同的任务。所有这一切合在一起，就会形成我们说的ABI。但是如果ABI能够达到，对任何AI的应用企业，对AI的使用者来说，这意味着一个比今天大100倍的人工智能市场，谢谢大家！

关注网易智能公众号（smartman163），为你解读AI领域大公司大事件，新观点新应用。