黃廣斌

從20世紀(jì)50年代到20世紀(jì)80年代是人工智能的預(yù)熱階段，那個(gè)時(shí)候沒有有效的算法，也很難有真正的引擎去推動(dòng)。但是從20世紀(jì)80年代到2010年，我認(rèn)為是研究驅(qū)動(dòng)人工智能發(fā)展，所以那個(gè)時(shí)候已經(jīng)有很多好的算法，包括現(xiàn)在很多好的算法都是在那個(gè)時(shí)候產(chǎn)生的，我們正在填補(bǔ)人工智能的理論、應(yīng)用和產(chǎn)業(yè)之間的空白。

老一輩做人工智能不太容易，因?yàn)樗麄兒芏嗟牡乃惴?，在很多情況下，工業(yè)界和產(chǎn)業(yè)界不太感興趣。但是從2010年開始，我認(rèn)為，真正的機(jī)器學(xué)習(xí)時(shí)代到來了，并且不可逆轉(zhuǎn)。因?yàn)樗奶攸c(diǎn)是到處是智能物，到處是超級(jí)計(jì)算能力的計(jì)算環(huán)境，到處是數(shù)據(jù)。

數(shù)據(jù)層出不窮，作為產(chǎn)業(yè)界，不能放棄數(shù)據(jù)，放棄數(shù)據(jù)相當(dāng)于放棄了經(jīng)濟(jì)的運(yùn)行規(guī)律，放棄了將來的機(jī)會(huì)。所以我認(rèn)為，從這個(gè)時(shí)候開始，真正的機(jī)器時(shí)代到來了，人工智能時(shí)代到來了。

2010年，蘋果手機(jī)劃分了機(jī)器學(xué)習(xí)時(shí)代和過去，因?yàn)樗嬲盐覀內(nèi)俗鳛橐粋€(gè)超級(jí)智能體，和全球連接起來了。我們講傳感器要智能，其實(shí)人首先邁向了智能，所以人就是超級(jí)智能傳感器。從此之后，我認(rèn)為所有的其他的東西也會(huì)逐步邁向智能。

其實(shí)很多情況下我們靠人去設(shè)想將來的數(shù)據(jù)會(huì)越來越多，真正的智能革命已經(jīng)開始。所以，機(jī)器學(xué)習(xí)時(shí)代的到來必須有三個(gè)必要條件，第一是高效的計(jì)算環(huán)境，第二是大數(shù)據(jù)，豐富動(dòng)態(tài)的數(shù)據(jù)。第三是高效的學(xué)習(xí)算法。

這三個(gè)條件從2010年開始，已經(jīng)同時(shí)具備了。機(jī)器學(xué)習(xí)和人工智能是屬于不一樣的范疇，所以，無論是產(chǎn)業(yè)界還是投資界都需要重新思考人工智能和機(jī)器學(xué)習(xí)。在上世紀(jì)50年代到70年代，數(shù)據(jù)很少，那個(gè)時(shí)候以人工智能為主，機(jī)器學(xué)習(xí)為輔，中間還遇到了人工智能的冬天，從2010年開始，深度學(xué)習(xí)重新復(fù)興。人工智能其實(shí)是人工創(chuàng)造了智能，將來人工的作用相對(duì)會(huì)越來越小，而機(jī)器學(xué)習(xí)，它的成分會(huì)越來越大。所以一個(gè)新的趨勢(shì)是，以前是云計(jì)算，將來會(huì)很快進(jìn)入到云學(xué)習(xí)階段，不光是云學(xué)習(xí)，統(tǒng)計(jì)學(xué)習(xí)也將出現(xiàn)，數(shù)據(jù)驅(qū)動(dòng)的數(shù)學(xué)、統(tǒng)計(jì)學(xué)和信號(hào)處理其實(shí)都有可能實(shí)現(xiàn)。

我認(rèn)為以前是一直研究諾伊曼學(xué)習(xí)架構(gòu)（也稱普林斯頓結(jié)構(gòu)，是一種將程序指令存儲(chǔ)器和數(shù)據(jù)存儲(chǔ)器合并在一起的存儲(chǔ)器結(jié)構(gòu)），現(xiàn)在已經(jīng)開始研究非諾伊曼學(xué)習(xí)架構(gòu)。因?yàn)槲覀儼l(fā)現(xiàn)不能將諾伊曼體系用于終端，很多情況下要依賴于非諾伊曼體系。

所以十幾年來，我們其實(shí)在研究一件事情，學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)真的需要如此痛苦和耗時(shí)嗎？能不能讓人工智能變得輕松愉快一點(diǎn)？在十多年前，我們提出超限學(xué)習(xí)機(jī)，其實(shí)我們做了一個(gè)理論證明，神經(jīng)元不需要調(diào)整，我們會(huì)盡可能減少人工干預(yù)，從而獲得高的準(zhǔn)確度。

在美國的發(fā)電廠、澳洲的電網(wǎng)上面都曾取得比較好的結(jié)果，都可以把深度學(xué)習(xí)的訓(xùn)練時(shí)間從幾天縮短到幾分鐘，學(xué)習(xí)速度提高幾萬倍。比如說，將三維訓(xùn)練時(shí)間從2天縮短到基于CPU的10分鐘。所以總體上講，ELM（Extreme Learning Machine極限學(xué)習(xí)機(jī)器神經(jīng)網(wǎng)絡(luò)研究中的一種算法）的基本應(yīng)用，包括目標(biāo)識(shí)別、入侵檢測(cè)、目標(biāo)檢測(cè)、3D打印、可穿戴設(shè)備等。從長期來說，我認(rèn)為有一個(gè)新的趨勢(shì)，生物學(xué)習(xí)研究已經(jīng)在加速進(jìn)行當(dāng)中，它是真正研究生物本身的特點(diǎn)，智能材料和智能傳感器也在進(jìn)行之中。最近，我們?cè)谀涎罄砉ご髮W(xué)提了這么一個(gè)計(jì)劃，所以其中一個(gè)共同的特點(diǎn)是，正好可以用ELM的理論去解釋，因?yàn)樯窠?jīng)元是不需要調(diào)整的。

我認(rèn)為，將來數(shù)據(jù)越來越多的時(shí)候，機(jī)器學(xué)習(xí)的自主學(xué)習(xí)成分越來越多。而人工智能相對(duì)來說雖然也是在同步增長，但是我們認(rèn)為，它已經(jīng)失去了很多可能控制的地方。所以總體來說，我認(rèn)為是時(shí)候邁向智能物聯(lián)網(wǎng)時(shí)代了，智能物聯(lián)網(wǎng)時(shí)代的普適學(xué)習(xí)和普適智能可以相互結(jié)合。

邁向終端，物聯(lián)網(wǎng)由三部分組成，傳感器、學(xué)習(xí)方法和網(wǎng)絡(luò)，基本上是數(shù)據(jù)分析加傳感器，將來我認(rèn)為，傳感器的數(shù)據(jù)其實(shí)應(yīng)該在局部進(jìn)行。所以傳感器本身就可以加上智能方法，基于ELM的能量芯片已經(jīng)產(chǎn)生了。所以將來屬于智能物聯(lián)網(wǎng)的新的經(jīng)濟(jì)社會(huì)，叫智能物社會(huì)。

其實(shí)好多設(shè)備將來會(huì)變成智能物，智能物之間交互會(huì)形成智能體設(shè)備。有一種擔(dān)心是，你會(huì)認(rèn)為人是變得越來越聰明，還是變得越來越笨？機(jī)器變得越來越聰明還是越來越笨？總體來講，我們的記憶力會(huì)越來越差，計(jì)算能力越來越差，視力越來越差，但是機(jī)器的好多能力在提高，給定一個(gè)特定應(yīng)用，只要時(shí)間允許，我認(rèn)為將來某一天，機(jī)器會(huì)超過人。但是不用擔(dān)心，雖然我們視力變差，隨著智能物時(shí)代到來，我們可以不用眼睛，眼球上涂一層藥水，就會(huì)變成“千里眼”。你的記憶力不行，有iphone之后可以記1000個(gè)號(hào)碼，人和機(jī)器的組合，促使將來的整體智能指數(shù)在發(fā)生變化。

雖然從農(nóng)業(yè)革命到工業(yè)革命都是以人為主導(dǎo)，新的智能時(shí)代到來之后，非生命體智能也在提高，拐點(diǎn)也會(huì)產(chǎn)生。從長期來說，人創(chuàng)造智能，但是我們得考慮正面智能和負(fù)面智能，五百年之后可能也會(huì)遇到這個(gè)問題。