人工智能作為一項賦能技術(shù)，如今已在多個行業(yè)領(lǐng)域逐步落地應(yīng)用，不過現(xiàn)階段，人工智能在某些方面仍然處于技術(shù)提升期。本文將聚焦于人工智能的學(xué)術(shù)研究方面，簡要探討一下AI學(xué)術(shù)前沿和技術(shù)發(fā)展趨勢。
中國自動化學(xué)會副理事長陳俊龍
人工智能熱門技術(shù)研究課題
當(dāng)前人工智能在諸多行業(yè)領(lǐng)域已經(jīng)實現(xiàn)了廣泛應(yīng)用，但在熱門技術(shù)方面來看，安全性等方面依然存在一定缺陷。 用簡單的“對抗性補丁”(adversarial patch)可以使得人臉識別在可靠性、安全性等失效。這也讓AI技術(shù)研究需要更加注重 人工智能 “攻”和“防”的課題，如何確保AI算法的高安全性、可靠性還有它的魯棒性，人工智能算法在安全方面 “攻”和“防”當(dāng)前也是一個相當(dāng)熱門的技術(shù)研究方向。
另外一個研究課題是 生成對抗網(wǎng)絡(luò)(GAN, Generative Adversarial Networks )，生成對抗網(wǎng)絡(luò)有非常多的應(yīng)用，典型的應(yīng)用在“圖像生成”和“數(shù)據(jù)增強”等方面，比如在安防領(lǐng)域人臉識別圖像的生成。生成對抗網(wǎng)絡(luò)如今也逐漸被應(yīng)用在其他的一些應(yīng)用領(lǐng)域，如生命科學(xué)中的材料設(shè)計，還有食品、藥物的設(shè)計,這些也成為人工智能技術(shù)新的研究方向。
邊緣計算同樣也是當(dāng)下人工智能技術(shù)研究的重點之一。隨著物聯(lián)網(wǎng)時代的到來，越來越多的數(shù)據(jù)在邊緣端產(chǎn)生，邊緣計算由此成為顯著趨勢?，F(xiàn)階段邊緣計算有多種計算方式?jīng)Q定什么應(yīng)該放在邊緣端。目前人工智能的算法在主流方面是把算法放在云端，把編程中推理的部分放在邊緣端，這樣可以保證數(shù)據(jù)運算和訓(xùn)練這一類需要大功率運算的過程在云端進行，而推理的過程則在邊緣端發(fā)生。不過這種模式可能會導(dǎo)致邊緣端的算法不夠智能，如何在邊緣端提升算法的智能程度是一個重要的研究方向。
寬度學(xué)習(xí)網(wǎng)絡(luò)的誕生，被認(rèn)為是可以很好地替代原本的深度學(xué)習(xí)網(wǎng)絡(luò)，它基于將輸入隨機映射成為擴充節(jié)點作為輸入的思想而設(shè)計(依據(jù)早期隨機向量函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)，random vector functional-link neural network)。它可以非?？焖俚乃愠稣_的映射，在數(shù)據(jù)的增量部分也可以實時的學(xué)習(xí)。 根據(jù)大量的測試結(jié)果顯示，在邊緣計算過程中，寬度學(xué)習(xí)的實時性應(yīng)用效果非常不錯。
人工智能在理論上的瓶頸問題
譚鐵牛院士曾表示現(xiàn)階段的人工智能依然存在很大的局限性，用四句話概括便是：有智能沒智慧，有智商沒情商，會計算不會“算計”，有專才無通才。具體解釋一下在理論上局限的瓶頸問題主要包括：
(1) 數(shù)據(jù)瓶頸：深度學(xué)習(xí)需要大量的數(shù)據(jù)；(2) 泛化瓶頸：這是模式識別、計算機視覺、人工智能方法面臨的一個共同的問題，現(xiàn)有方法在一些實際問題中仍無法取得理想的泛化性能，或者訓(xùn)練好的模型用在變化的環(huán)境或領(lǐng)域其泛化性能明顯下降；(3) 能耗瓶頸：人的大腦盡管是一個通用的人工智能系統(tǒng)但是能耗很低(只有20瓦)，但現(xiàn)有計算機上實現(xiàn)的人工智能系統(tǒng)能耗很高；(4) 語義鴻溝瓶頸：目前語言服務(wù)大多為簡單查詢，不涉及語義推理問題，缺乏真正的語言理解能力，比如一些有歧義的自然語言句子，人很容易根據(jù)上下文或常識理解其真正含義，計算機卻很難理解；(5) 可解釋性瓶頸：現(xiàn)有人工智能系統(tǒng)都是知其然而不知其所以然，其過于依賴訓(xùn)練數(shù)據(jù)，缺乏深層次數(shù)據(jù)語義挖掘。因此，可解釋性非常重要，人工智能不僅要知其然還要知其所以然，知其然只是淺層智能，知其所以然才叫深層智能；(6) 可靠性瓶頸：現(xiàn)有人工智能系統(tǒng)可靠性較差，有些錯誤識別結(jié)果會帶來致命后果，尤其在自動駕駛這樣的領(lǐng)域。
人工智能值得關(guān)注的技術(shù)研究方向
為了更好地破除上述人工智能技術(shù)研究的瓶頸問題，在AI學(xué)術(shù)研究領(lǐng)域，一些新的技術(shù)發(fā)展趨勢和研究方向也值得關(guān)注，包括：
(1) 從專用人工智能到通用人工智能是大勢所趨，一些科技巨頭包括國家機構(gòu)都在布局通用人工智能的研究，微軟成立人工智能實驗室以挑戰(zhàn)通用人工智能為主要目標(biāo)；
(2) 可解釋的人工智能系統(tǒng)備受關(guān)注，也將成為突破統(tǒng)計學(xué)習(xí)瓶頸問題的一個重要方向。DARPA的報告：第一個波次是基于規(guī)則的，例如以專家系統(tǒng)為代表的系列方法和技術(shù)；第二個波次就是當(dāng)前以大數(shù)據(jù)驅(qū)動為代表的統(tǒng)計學(xué)習(xí)；同時，他們認(rèn)為第三個波次很可能是可解釋的人工智能，就是人工智能要知其然還要知其所以然，以此可見人工智能可解釋性的重要意義；
(3) 小樣本甚至零樣本學(xué)習(xí)成為提高人工智能系統(tǒng)泛化能力的一個重要方向。最近提出的生成對抗網(wǎng)絡(luò)、膠囊網(wǎng)絡(luò)、生成模型等都是為了降低對訓(xùn)練數(shù)據(jù)的需求，提高人工智能系統(tǒng)泛化能力的有益嘗試；
(4) 非深度神經(jīng)網(wǎng)絡(luò)計算模型成為機器學(xué)習(xí)創(chuàng)新的一個重要方向。當(dāng)前深度學(xué)習(xí)理論基礎(chǔ)薄弱、模型結(jié)構(gòu)單一、資源消耗過高、數(shù)據(jù)依賴性強，以非神經(jīng)網(wǎng)絡(luò)、資源節(jié)約型機器學(xué)習(xí)模型有望成為下一個突破口；
(5) 腦科學(xué)與人工智能深度融合、協(xié)同發(fā)展、相得益彰，IBM的TrueNorth芯片、美國DARPA的MICRONs研究項目以及最近Science和Nature雜志上發(fā)表的一些受腦啟發(fā)的智能計算模型都是這方面的典型例子。
寬度學(xué)習(xí)(BLS)網(wǎng)絡(luò)的研究和應(yīng)用
除了上述這幾大AI學(xué)術(shù)研究要點之外，還有寬度學(xué)習(xí)(BLS)網(wǎng)絡(luò)也值得重點關(guān)注。寬度學(xué)習(xí)(BLS)自2018年由我們(陳俊龍教授及其團隊)首次在學(xué)術(shù)界提出，便迅速在科研機構(gòu)(中科院)、國內(nèi)知名高校及企業(yè)展開了較為廣泛的研究與應(yīng)用。
雖然深度學(xué)習(xí)網(wǎng)絡(luò)非常強大，但大多數(shù)網(wǎng)絡(luò)都被極度耗時的訓(xùn)練過程所困擾。首先深度網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜并且涉及到大量的超參數(shù)。另外，這種復(fù)雜性使得在理論上分析深層結(jié)構(gòu)變得極其困難。另一方面，為了在應(yīng)用中獲得更高的精度，深度模型不得不持續(xù)地增加網(wǎng)絡(luò)層數(shù)或者調(diào)整參數(shù)個數(shù)。為了克服這些問題， 寬度學(xué)習(xí)系統(tǒng)提供了一種深度學(xué)習(xí)網(wǎng)絡(luò)的替代方法，同時，如果網(wǎng)絡(luò)需要擴展，模型可以通過增量學(xué)習(xí)高效重建。
寬度學(xué)習(xí)(BLS)在設(shè)計思路方面，首先，利用輸入數(shù)據(jù)映射的特征作為網(wǎng)絡(luò)的「特征節(jié)點」；其次，映射的特征被增強為隨機生成權(quán)重的「增強節(jié)點」；最后，所有映射的特征和增強節(jié)點直接連接到輸出端，對應(yīng)的輸出系數(shù)可以通過快遞的偽逆得出(或者梯度下降方法)。BLS 最重要的特點在于它的單隱層結(jié)構(gòu)，具有兩個重要的優(yōu)勢，一個是「橫向擴展」，另一個則為「增量學(xué)習(xí)」，與深度神經(jīng)網(wǎng)絡(luò)不同之處在于，BLS 不采用深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，而是基于單隱層神經(jīng)網(wǎng)絡(luò)構(gòu)建，可以用「易懂的數(shù)學(xué)推導(dǎo)來做增量學(xué)習(xí)」。
直白來講， 深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)架構(gòu)是在結(jié)構(gòu)固定以后才開始學(xué)習(xí)，此后學(xué)習(xí)期間如果出現(xiàn)不準(zhǔn)確情況，就要重新設(shè)計網(wǎng)絡(luò)、再學(xué)習(xí)一次。而寬度學(xué)習(xí)則是設(shè)計好網(wǎng)絡(luò)后，當(dāng)面臨學(xué)習(xí)不準(zhǔn)確的情況，可以隨時以橫向的方式進行增量擴充，即通過增加神經(jīng)元，以提高準(zhǔn)確度。這種增量學(xué)習(xí)的模式也適用在數(shù)據(jù)實時的進入已訓(xùn)練成的神經(jīng)網(wǎng)絡(luò)模型當(dāng)中，而不用重新對整個收集的數(shù)據(jù)再重新訓(xùn)練。
在安防領(lǐng)域，寬度學(xué)習(xí)網(wǎng)絡(luò)的應(yīng)用主要表現(xiàn)在兩個方面：一是 提升人工智能識別的可靠性。比如在人臉識別算法訓(xùn)練過程中，最好的數(shù)據(jù)當(dāng)然是高清正臉無遮擋的干凈人臉數(shù)據(jù)，但實際上測試推理過程中，很多的人臉數(shù)據(jù)并不完美，會出現(xiàn)被遮擋(墨鏡、口罩)、模糊、非正臉角度的人臉照片。在做算法訓(xùn)練過程中，我們可以基于寬度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)，通過將干凈人臉圖片和缺陷人臉圖片融合到一起做訓(xùn)練，甚至可以特意生成一些有缺陷的圖片樣本，由此來提高算法對缺陷圖片的識別準(zhǔn)確率，從而提升復(fù)雜場景下人臉識別算法的場景適應(yīng)能力。二是 解決數(shù)據(jù)標(biāo)注的問題，在人工智能算法訓(xùn)練過程中，數(shù)據(jù)的標(biāo)注也非常重要，如果標(biāo)注錯誤，那么不管算法有多精確，訓(xùn)練的結(jié)果也不會理想。通過寬度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建的算法模型，可以很好地解決算法標(biāo)注錯誤的問題。
通過研究團隊的大量測試，可以看出寬度學(xué)習(xí)(BLS)以及它的各種變體和擴展結(jié)構(gòu)具有良好的發(fā)展?jié)摿?，在實際應(yīng)用中表現(xiàn)出其快速且高精度的優(yōu)秀性能。目前寬度學(xué)習(xí)在很多技術(shù)領(lǐng)域都有展開應(yīng)用，比如時間序列、高光譜分析、腦機信號分析、容錯、基因鑒定與疾病檢測、步態(tài)識別、3D打印以及智能交通等。隨著人工智能技術(shù)研究的持續(xù)深入，寬度學(xué)習(xí)這種不需要深度結(jié)構(gòu)的高效增量學(xué)習(xí)系統(tǒng)有望加速助推人工智能的發(fā)展。
