如何让人工智能适应不同场景：局限和挑战

杨强：下面要讨论的是人工智能所面临的一些短板，也许这些短板能够激励我们推动人工智能下一个10年的发展。从我自己的经验来说，我觉得人工智能在基于现有的经验进行学习，然后拓展适应不断变化的环境这方面做得不足。在AI领域我们把这叫作“迁移学习”。我们过去一直希望在理论和现实层面上都实现机器的举一反三，或者是它的适应性，来进行推理。人类就是这么做的，但机器在这方面还需要努力。此外，在隐私方面，我们从其他人手中拿数据的时候，是有隐私泄露风险的，别人可能不想和我们分享数据。这也是当前人工智能的挑战，人工智能没有办法去整合和获取真正的大数据。

戴文渊：迁移学习的确是人工智能面临的一个大挑战，现在我们看到人工智能的应用越来越多了，但是在复杂的环境当中，迁移学习的使用更加重要。举一个例子：我昨天去拜访了一家餐饮巨头企业，他们想要把线下的业务放到线上去，改变业务的模式。过去，他们的店大部分在线下；但疫情之后，仅有5%的营收是来自线下的，其余95%的营收是来自线上的，是通过数字化的渠道来的。此前，他们会让服务员给来店的客户送一些优惠券，通过服务员人工为客户提供一些建议，做增值推荐服务。他们觉得，要把推荐服务放到线上去很难。首先就是需要大量的数据科学家来完成这项工作，但在AI人才紧缺的当下，企业也无能为力。所以我们觉得需要让普通开发者能够开发AI应用，以解决数据科学家紧缺的问题。这也是为什么5年前第四范式就开始把很多时间投入AutoML（自动机器学习）技术的研究上，它可以让普通开发者—比如说JAVA开发师和Python工程师—都可以构建AI应用。

第二个挑战，即使有足够多的科学家，即使普通开发者也可以开发AI技术，但企业还是缺少可用的数据。我们必须利用迁移学习，把知识从一个领域迁移到另外一个领域，以解决某些领域数据量不足的问题。第四范式在迁移学习领域积累了很多优秀的算法，同时我们一直坚持系统本身需要解决好隐私的问题。最近几年，我们在迁移学习隐私保护领域取得了比较大的突破，能够把知识从一个领域迁移到另外一个领域，同时也不会导致隐私暴露。

第三个挑战是成本问题。我们发现顶尖的互联网公司每年都要在搜索引擎上花掉上千万元，很少有公司能够接受这样的投入成本，所以我们必须考虑AI的成本问题。AI体系不仅仅是硬件体系，还有软件体系，软件的设计必须基于硬件，硬件的设计也必须适配软件，这是一个软硬件优化、融合的体系。第四范式正在以融合的方法来设计软件和硬件，我们的“软件定义算力”技术让数据中心的TCO（总拥有成本）表现增加了10倍。

中岛秀之：我觉得我们可能都有共识，那就是要加强深度学习的能级。在这方面我们的技术还有待改良和提高，我们需要把这些技术能够在更高领域的任务上进行应用。

托比·沃尔什：我想快速讲讲几个挑战。第一是语言。语言是一个基础的引擎，让机器能够读懂语言是非常重要的。当前，机器并没有在语意层面上理解人的话，它可能只是表面上理解人的话。我觉得语言是机器智能化的体现。第二是常识。可能最有名的一个例子就是：你可以跑到一个城市里面，找一所学校，问学生一些历史问题，学生可能会回答得非常清楚；但是你如果让AI去做的话，有一些东西它可能会混淆，因为它缺乏一些基本的常识。第三是有关情感的问题。机器并没有感情，没有办法产生共情，或者跟人形成相关的互动、交互，这是一个比较大的挑战。

张潼：我非常同意的一点是，当前AI没有办法做自然语言和语义的识别。之前我们说过，可能有一些特定的任务，AI是可以做好的，对一些特定的环境，我们可以依托大数据来做相应的文本对比。但是对于通用的任务或者是更加广泛的任务，当前的人工智能是无法做到的，而我们真正的目标是希望人工智能能够做通用的任务，而不是一些固定环境中的单一特定的任务。比如说，我们希望能够将常识注入人工智能里面，让它在思考、逻辑推理的时候变得更强，但这是非常难的事情。目前的AI系统并不是依托我们的常识，而是依托数据的对比，做出一些概率的推测，这和人的常识是完全不一样的。即使我们只做单一任务，但有不同的应用环境、不同的数据特点，这个时候AI可能没有办法在不同环境之下用统一模型完成一个任务，这也是我们现在要解决的事情，要让AI有更强的对不同背景环境的适应能力。(www.xing528.com)

对于我们来说，让AI解决常识任务、通用任务有非常大的挑战。在未来10年中，AI做单一任务时对不同场景的适应能力也是非常重要的，并且是更加急需解决的事情。比如，我们有一些图像识别系统可以做很好的室内图像识别，但是如果希望把它放到室外场景当中应用，就需要进行一系列相应的调整。同样，无人驾驶也是如此，实际应用中会碰到在训练时从没有发生过的情况，提升对这些情况的鲁棒性也是非常重要的挑战。如何应对这样特定任务在多场景中的适应性要求，是当前更紧迫的工作。如果我们能够做到这一点，AI在很多行业的应用就会变得非常简单。原本每一个特定的AI系统只能适用于一个特定的行业，但是将来它就可以适用于不同的场景、环境和行业。这样的话，人工智能能够使用的范围更广，而且安全性更高。至于说如何从大数据变成小规模数据，这涉及迁移学习的能力。正如我提到的，我们需要做的就是让人工智能适应不同场景，这也是迁移学习需要解决的非常重要的挑战。还有，需要注意到隐私的问题。如何在不同机构使用人工智能，将其运用到不同设备当中去？如何协同合作？这也是非常重要的事情。

郭毅可：从根源上来看，AI面临一个基本的挑战，就是如何识别知识和数据，进行数据和知识的互动。通过观察来获得相应的数据和知识，很多时候就涉及应用知识的问题。比如迁移学习，你学习到一些知识后，必须能够举一反三，触类旁通。又如小规模数据的学习，你必须要让数据和知识之间进行交融。通过学习，知识会不断增加，但是你必须能够理清这一系列相应的知识，将数据和知识结合起来，这非常重要。统计学中的贝叶斯理论也强调依托之前得到的经验，将其作为学习的基础，知识和数据融合还涉及控制理论、自动化理论等。

从根本上说，未来最大的挑战就是知识和数据的融合。我认为应该坚持这样一个理念：无论是前面所说的计算机理论，或者是统计学理论，我们永远不应当持有任何偏见，应当双管齐下，同时关注知识和数据的融合，这样才能更好地建模，才能有更好的逻辑。在这样的基础之上，我们就可以更好地规约不同的数据，更好地理解数据，让数据发挥更好的效用。这非常重要，也是我们一直想要实现的目标。

中岛秀之：目前为止，数据能够运用的场景还是比较有限的，我觉得未来它应当是以一种更加智能的方式，进行更好的应用，而且人和AI能够有更好的沟通和交互。我们应该更好地向AI赋予价值系统和价值观。价值观确实是非常重要的，但是对于AI来说，它是没有办法能够理解的。我们要训练AI，让它有这样的价值观，或者是所谓的常识观。我不知道其他的技术是否能够帮助我们，但我觉得价值观是非常重要的事情。

托比·沃尔什：我们有的时候会让机器来接管部分工作，但是如果机器做了所有的事情，我们是否会变得更懒惰？我们是否会变得一无是处？我们的挑战就是要保证机器不会彻底取代人类，不会接管人类所有的事情，我们必须要有所掌控。