人工智能研究：学习与推理的桥梁

发电机空气间隙不均匀将会导致磁拉力不平衡，并导致机组各部位振动和摆度异常。因此，通过分析气隙状态将有助于分析机组振动异常的原因。根据气隙监测数据进一步指导磁极调整，达到减小振动摆度的目的。

1.调整磁极形貌，降低定子铁芯振动

过大的气隙不均匀将会导致发电机电势中谐波分量的增加，从而造成定子铁芯振动的增加。通过近几年积累的应用经验，定子铁芯水平振动中低频谐波振动基本上是由于气隙不均匀造成的，定子铁芯振动波形和频谱形状和转子磁极形貌密切相关，通过调整转子磁极形貌可有效降低定子铁芯的振动水平。

某700MW大型混流式机组配置了3个定子铁芯水平振动和2个定子机架水平振动测点，采用低频振动传感器进行监测。在空转时上述5个水平振动测点约为10μm，在升压过程中，机组定子机架和定子铁芯水平振动随着励磁的增大而逐渐增大（图7-56），振动值达到约200μm，振动频谱主要成分为2倍频、3倍频成分（图7-57）。该机组配置了8个空气间隙传感器，从气隙在线监测系统获取的数据为转子圆度为7.0%（2.4mm），定子圆度为13.9%（4.8mm）;实测最大气隙为37.8mm，最小气隙为30.3mm，两者差为7.5mm（22.4%）;转子中心相对于定子中心的偏心距离（定子同心度）为0.5mm，偏心角为249.1°;转子回转中心相对于质量中心偏心距离为0.1mm，偏心角为8.7°，发电机最大气隙偏差均超过规程所允许的范围，转子圆度也较差，磁极形貌图如图7-58所示。通过分析该磁极形貌，其形状规律与上述振动基本一致，结合类似的监测经验，可以确认定子铁芯和机架低频谐波振动是由于转子磁极形貌造成的。

图7-56　发电机升压过程定子机架和铁芯水平振动变化趋势

为了降低定子铁芯和机架振动，在该机组检修期间，结合气隙监测结果，对转子磁极形貌进行了调整，通过优化转子磁极形貌降低定子铁芯和机架振动。在检修期间调整了40个磁极，调整后的气隙特征数据如下：转子圆度为5.5%（1.9mm），实测最大气隙为34.7mm，最小气隙为27.6mm，两者差为7.1mm（20.5%）;转子中心相对于定子中心的偏心距离（定子同心度）为0.4mm，偏心角为280.5°;转子回转中心相对于质量中心偏心距离为0.2mm，偏心角为132.5°。发电机磁极形貌比调整前有明显的优化（图7-59）。转子圆度调整后，升压过程中定子铁芯和定子机架水平振动随升压过程还存在增大趋势，但绝对值有明显降低，在100%Un时定子铁芯水平振动降低到63μm，定子机架水平振动降低65μm，主要振动成分变为3倍频为主，和调整后的磁极形状还是保持一致（图7-60）。可见通过优化调整磁极形貌对降低定子铁芯和机架水平振动有明显的效果。

图7-57　100%Un时定子机架和铁芯水平振动频谱分析

整个人工智能领域的进展，大致可以分为三个不同的阵营：数据密集型—深度学习方法是目前人工智能研究人员最熟悉的、推理密集型和知识密集型。我们来看看小猫图像，深度学习系统要识别它，需要通过成千上万的图像训练，它们是迥然不同的信息，是知识。这确实是一个抽象层面的内容，例如牛顿定律F=ma就是知识的一个很好的范例，它是个体在学校习得的。有时知识是从数据中获得的，而不是从以前的直接经验中获得的。这是一个科学发现的过程，可以引导个体去主动获得知识。这是人工智能系统面临的一个障碍。数据密集型方法的实践例子，包括谷歌翻译、谷歌搜索、IBM，大量成功事例让我们开始看到人工智能的作用。在推理密集型领域，借助机器学习方法，一些悬而未决的数学猜想能够得以解决。此外，成百上千的验证方法也可以建立在推理密集型研究方法的基础之上，AlphaGo就是个有趣的例子。它结合了推理研究和数据密集型的强化学习，是学习和推理的结合。

那么，未来会怎样呢？如果单纯专注于某项研究领域，那未来的情况一定会越来越糟。在很多不同的常识领域的科学研究都是依靠知识密集型方法展开的，人们对计算机视觉和自然语言理解的研究则更多地依赖于数据密集型研究方法，但是要想了解真实的自然语言理解，就应该将知识密集型和数据密集型研究方法相结合。那么接下来要怎么办呢？正如我强调的那样，感知、学习、推理和决策等技术的进一步集成将彻底改变人工智能系统。AlphaGo就是一个很好的例子。我们最近在化学科学和合成化学中也有一些发现，这些发现是由知识密集型和数据密集型方法结合所得到的。(https://www.xing528.com)

现在，我们也应该关注我们还无法做到的以及人工智能系统的薄弱方面，这就是我们所说的常识性推理和常识性知识。简单举一个小例子。在英语中，有些句子有不明确的指称，我们来看看这个句子中的“它”：“这个大球撞破了桌子，因为它是由泡沫塑料制成的。”“它”到底指的是什么呢？“它”必然是指桌子，因为球砸穿了它，而泡沫塑料是种轻质材料。但如果稍微改一下这个句子：“这个大球撞破了桌子，因为它是由钢制成的。”“它”指代的对象就变成了球，而这种指称的微妙变化却很难被人工智能系统捕捉到。尽管我们在取得进步，但最终还需要对语言有更深层次的理解。如果用谷歌翻译将这个句子翻译成法语，你会发现谷歌翻译也不清楚“它”指代的是什么，这多少有些令人惊讶。这揭示出，在翻译时，谷歌翻译实际上并没有真正理解文本。换言之，你可以把你的名字翻译成中文，却不必理解它在任何一种语言中的实际含义。这实在让人惊讶，就算人工智能研究人员也着实愕然。显然，谷歌翻译拥有足够大的语言数据库，例句翻译的数据量很庞大。然而至少在目前，这对系统对语言更深层含义的理解并没有什么帮助和实际意义。

我还想指出，在谈到人工智能时，我们能想到另一个令人兴奋的领域—人工非人类智能。我们看到，这主要涉及推理和计划。在深度学习方面，我们已取得了巨大进步，但有些不太为人所知，如果你看看软件验证、程序综合、科学自动化和数学发现等领域，就会发现令人兴奋的进展。现在，这些进步的取得并没有试图模拟人类智能。实际上，我认为这可能是一个聪明的想法，我们不一定要模仿人类的智能能力。我们可以接受一些特定的任务，然后努力把它做得更好。下面我来举个小例子：埃尔德什差异猜想。这个猜想提出80多年了，我们仅以差异2为例，这个猜想用推理程序进行了求解并包含十多亿个推理步骤，并且可以很容易用独立的证明检查程序进行验证。我们从中看到的是，人类数学与机器发现的数学相结合将能够增强人类数学，我认为这将是未来10～20年中取得进展的一个主要领域。

另一个例子展示了材料发现过程中的人工智能。这项工作在美国康奈尔大学进行，研究小组中包括戈麦斯（Gomez）教授等人。它是一个人工智能用于材料发现的实验，这个实验在康奈尔大学的X射线同步加速器上运行。在人工智能系统的指导下，研究小组在全自动设置中发现了新材料。于是，我们看问题就有了一个不同的视角，这是一种理论计算机科学的有趣方法，利用它，我们可以大致正确地完成人类能完成的任务，最多几兆字节就能完成，这属于较低的计算层次。我相信机器将从较高的计算层次开始。

有个很有趣的问题，我们能在多大程度上理解机器或机器的发现成果？我对此持乐观态度，因为理解相对更容易，这些发现需要理解牛顿定律，而不是需要发现牛顿定律，我想机器会帮助我们寻找新发现，人类也将能理解它们。

最后，我谈谈美国20年人工智能研究路线图。这是由南加州大学的约兰达·吉尔（Yolanda Gil）和我一道负责的一项研究。我们得到了来自美国100项人工智能研究的意见，我们发现了人工智能发展历程背后的一系列驱动因素，我们认为，它们也是未来5～10年乃至20年社会发展的核心驱动因素。它们分别是提高健康和生活质量、终身教育和培训、业务创新和竞争力、加快科学发现和技术创新、社会正义和政策、网络防御和安全。

我们研究团队发现了3个重点：第一，我们称之为集成智能—我们如何将学习、推理、规划能力整合到一个完整系统中？我们的大脑能够结合各种信息，结合各种形式的信息处理，那么如何整合人工智能的各个组成部分？这些将是未来10～20年的一个关键领域。第二，有意义的互动—我们如何将机器人融入我们的社会？如何让智能系统进入我们的社会？我们怎样才能信任它们？我们怎样让它们负责？我们如何与它们互动才是有意义的互动？最后是自我感知学习—我们如何建立能够反映出自我学习能力的系统，并根据学习机制的需求长期引导它们进行自我学习？

接下来，我们回过头来问，人工智能的这种转变是什么？这为国家带来什么机遇？它们都是人工智能领域的巨大机会。其中包括，综合智能科学方面的人类基因组医学项目和哈勃望远镜计划，它们都需要大量基础投资和基础研究，并将推动发现人工智能研究的新领域。但是，这些工作是小型研究团队无法完成的，因此需要国家建设国家层面的人工智能基础设施。也许最好的一个例子应该是人工智能即用型医院：一家大医院集中全国各地的人工智能领域研究人员，以便能够使用医院设施，提供以人工智能驱动的医疗服务和实证研究，以协作方式协调对人工智能技术所开发出的技术的评估。这些任务驱动型人工智能中心将集中三四十人组成的研究团队，他们来自全国各地，依托各种软硬件支持，从事雄心勃勃的研究项目。同样，任务驱动型人工智能中心还可以设有生活辅助设施，人工智能研究人员汇集于此，试验新技术和新的人工智能创新。目前在美国，这样的人工智能中心正得到资助，今年会有第一批6个大型中心。美国国家科学基金会（NSF）已开始人工智能研究工作，他们开始资助这些格外引人注目的研究中心，接下来几个月内他们将宣布第一批资助花落谁家，它们都将成为国家人工智能基础设施的组成部分。

总结一下，我们应该成为我们中间微不足道的智能自主机器，而这肯定会对社会产生重大影响。人工智能也涉及其他领域，如经济、伦理、军事、超级情报等，人工智能研究人员也已经认识到他们有责任开发安全可靠、有道德的人工智能系统，鼓励开发传承者。例如埃隆·马斯克资助的生命未来研究所，由马克斯·泰格马克（Max Tegmark）创立，从事一个人工智能安全项目研究，美国国家科学基金会目前也将人工智能的安全要求纳入其研究项目。最后，我想以另一个重要的发展历程事件作为总结。人工智能促进协会（AAAI）与“松鼠Ai”联合颁布了人工智能界的诺贝尔奖：“松鼠Ai”大奖—让人工智能造福人类（Squirrel Ai Award —Artificial Intelligence for the Benefit of Humanity）。松鼠Ai每年赞助100万美元给全球在人工智能领域、重点是可以商业化应用并且对人类及其生活产生重大的积极贡献的科学家，也就是他们能以有益的方式保护、提升和改善人类生活并产生长远影响。这一奖项已于2020年正式启动。