别恐慌 大众关心的人工智能问题学界都在努力求解

  • 时间:
  • 浏览:1

作者:微软亚洲研究院副研究员 黄铂钧

今年是美国人工智能學會(AAAI – the Association for the Advance of Artificial Intelligence)组织首次在冬天举办旗帜性年会:AAAI 2015大会。大会总共收到超过100篇投稿,最终收录了100余篇论文,又从中确定100余篇分为十余个方向在现场报告。会议期间,除了有有哪些主流技术报告外,主办方还组织了一系列活动,包括各类AI竞赛,机器人展示,公众开放日,主题辩论,专题研讨会等等。这里我简单谈谈有有哪些给我自己印象较深的每项。

人工智能研究的道德问题

人工智能有关的职业和社会道德问题是主题演讲中最热门话语题。最近一段时间你这个 问题似乎我觉得受到了整个社会的广泛关注。有些为大众所熟知的科技明星,如Stephen HawkingElon Musk,表达了人工智能技术的突破会对人类自身构成威胁的担忧。而加州大学伯克利分校计算机系教授Stuart Russell(目前最权威的人工智能专著的作者)则在他的主题演讲中表示:现其他同学工智能技术水平距离引发“机器人统治人类”类似的风险还为时尚早。不过,他也认为人工智能技术的研究和应用与核武器、生化技术、基因技术等有些影响巨大的技术一样,应该受到规范化约束。“ACM通讯”杂志的主编Moshe Vardi教授做了还有一个关于人工智能技术进步引发的失业问题的主题演讲。他提到以往的有几个技术革命在是因为着失业的一起也创造了血块新型工作。但人工智能技术的发展有肯能从本质上对创造新工种贡献有限,从而在整体上对就业产生负面影响。另外,大会还组织了还有一个关于自治武器的伦理问题的公开辩论也相当有趣。

自己我觉得,对人工智能技术的你这个 波“担忧”浪潮实际上反映了外界对人工智能技术近年来进步的认可(我猜有些人工智能领域的学者在听到有有哪些“质疑”时我觉得是欣慰远大于困扰吧)。你说有哪些与“机器是算不算会过于聪明”相比,“机器是算不算肯能真如公众想象的那样聪明”才是更值得人工智能学界担心的问题。从历史上看,亲戚亲戚大伙儿对机器智能水平的理解似乎极易产生偏差,往往一很久开始过于高估,我觉得它们无所只有,然而在发现机器能力达只有亲戚亲戚大伙儿的想象很久又转向过于低估,我觉得现有的技术有哪些都后要。这个 种生活看法又突然在媒体的推波助澜下走向极端化,长期来看无论是哪种极端化看法后要对正常严谨的人工智能研究造成负面影响。

人工智能与机器人技术

“人工智能与机器人技术”是AAAI 2015大会的还有一个主题。从学科基础看,人工智能学科从“有哪些是智能”的哲学问题出发,从原理上研究在“智能行为机械化”过程中的有些根本限制和技术原则。自己面机器科学得科则从工程应用的深度图出发,考虑怎么上能实际制造满足特定“智能化”要求的机器。还有一个领域本应是相辅相成的关系,机器人领域为人工智能领域提供实验和实践的肯能,而人工智能领域为机器人领域提供知识储备和技术工具。”但事实上还有一个领域的研究在很大程度上是相互脱节独立发展的。好多好多 现在亲戚亲戚大伙儿很久开始考虑怎么上能加强你这个 个多领域的合作者和相互渗透”,本次大会的学术委员会主席Sven Koenig教授在一次交谈中提到。事实上美国国家科学基金会(NSF-National Science Foundation)专门就你这个 问题在会议期间组织了还有一个专题研讨会(只有受邀的领域专家并能参加)。

在公开活动中,大会隆重举行了还有一个对机器人项目“Shakey, the robot”的纪念活动。上世纪100年代末到70年代中期,有几个研究员为设计制造还有一个名为Shakey的机器人发明者者了一系列很久影响广泛的人工智能技术,包括启发式搜索中的A*算法,自动规划中的STRIP模型,计算机视觉中的霍夫变换,以及如今几乎已成为标准的机器人系统框架。在纪念活动中领衔发言的是人工智能领域元老级人物Edward Feigenbaum教授,他以一篇极具感染力的演讲深度图评价了Shakey项目的巨大影响。有趣的是,以他的名字命名的Feigenbaum奖也一起在纪念活动中颁发,而今年获奖者是微软雷德蒙研究院的院长Eric Horvitz。Feigenbaum奖是当今人工智能界的还有一个主要奖项,用来奖励对人工智能的实验方面研究做出突出贡献的自己和团体。

此外,会议期间还还有一个Robocup参赛队的表演赛。下面是我在现场录的一小段机器人足球比赛的视频(视频见附件)。

从视频来看,现在参加Robocup的机器人在基本运动能力方面还比较有限。自己我觉得,双足机器人应该先在竞技场景下“跑起来”,再考虑踢足球类似的复杂任务。很久 ,现阶段亲戚亲戚大伙儿儿或许只有先考虑有些诸如“机器人田径”类似的比赛…

图灵测试的改进方案

去年关于Eugene Goostman通过图灵测试的新闻似乎让有些研究者们看了还有一个“推翻”图灵测试的好肯能。亲戚亲戚大伙儿先后组织了还有一个专题研讨会和还有一个正式会议,主题都叫“Beyond Turing Test”。会议期间,研究者们提出了有些新的机器智能的测试标准,试图代替图灵测试。其暗含一个标准是比较有影响力的:

  • The Winogard Schema Challenge 这是还有一个旨在取代“有不足英文的”图灵测试的测试方案。你这个 方案的基本思想是限制图灵测试中对话的内容。在标准的图灵测试中人类提问者只有问任意问题,但在Winogard Schema Challenge中所有问题后要关自然语言中的代词理解。不过,在和你这个 挑战的主办方交流很久,我自己感觉你这个 方案真正的关键似乎在于亲戚亲戚大伙儿只允许人类专家参与提问,而不像标准图灵测试中是普通人在提问。而代词理解,尽管被声称是“关键思想”,我觉得只有被看作好多好多 我对亲戚亲戚大伙儿儿应该怎么上能在图灵测试中提问的这个生活“建议”。但我自己未必我觉得你这个 建议对人类专家是必要的。比如我——作为人工智能领域还有一个普通的研究员——很有自信只有在图灵测试中分辨出任何当下的聊天机器人,即使不使用类似代词理解问题。好多好多 在我看来,真正的问题是要找“对”的人,而后要找“对”的问题。从你这个 深度图说,我未必认为目前有不怎么能必要的理由真的要取代现有的图灵测试。你说有哪些亲戚亲戚大伙儿儿应该做的是规范化图灵测试在执行层的有些细节,类似更好地确定甚至培训参与图灵测试的人类提问者。
  • The Aristo Challenge 这是原来要求计算机通过亲戚亲戚大伙儿儿在中小学里常见的期中或期末考试的测试方案。考试内容一般包括算术,几何,和有些常识问题等等。另外还有有些题目只有考生结合文字和图片内容进行理解和作答。现在的人工智能技术在类似考试中能达到最少小学4年级水平。我自己我觉得你这个 挑战更有趣有些。不过,肯能站在“测试机器是算不算具有智能的方案”的深度图,你仍然比较慢说肯能真有计算机通过了所有中学考试是算不算它就一定具有智能。在我看来,和仔细设计的图灵测试相比,似乎还是你这个 方案更有肯能被破解,就像国际象棋肯能“危险边缘“竞赛那样。

自动游戏博弈的新突破

最近该领域的还有一个阶段性成果是,德州扑克的还有一个最基本的版本被近似完美外理了,具体好多好多 我说研究员们显式地找到还有一个博弈策略,其平均收益与(你这个 游戏的还有一个)纳什均衡策略的差距比连续玩你这个 游戏70年很久结果的随机波动只有小。你这个 结果发表在一月份的一期《科学》杂志上,而项目的主要负责人Michael Bowling教授在会议期间就这项成果做了还有一个主题演讲。

会议期间一起举行了General Game Playing比赛。这项比赛要求计算机在这么人类手工输入领域知识的请况下进行棋类游戏博弈。为了保证你这有些,比赛组织方会维护还有一个包括各种不同游戏的列表,每项游戏的基本规则都用一套通用语言进行形式化表述,很久 只在比赛当时才输入给计算机。另外组织者还进行了一场有趣的“碳硅大战“,也好多好多 我我应该 跟比赛中优胜的计算机在你这个 比赛规则下比赛,结果是机器取得胜利。

深度图学习

深度图学习的主将之一Jeff Hinton教授在会议期间做了还有一个主题演讲,题目就叫“深度图学习”。你这个 演讲毫不意外地成为了整个会议参加人数最多的活动。Hinton的演讲内容主好多好多 我对到目前为止的深度图学习运动的总结性回顾。值得一提的是,Hinton教授对微软研究院在整个深度图学习运动中的先驱性贡献给予了很大肯定。我觉得,他的团队与微软研究院合作者完成的基于深度图学习的语音识别研究删改称得上是直接点燃深度图学习热潮的第一批成功案例。

规划、决策、约束补偿、优化、与搜索算法

有有哪些后要人工智能的传统领域。我你我应该 觉得有有些意外的是,这次会上相当多有有哪些领域里的论文是关于蒙特卡洛树搜索法(Monte Carlo Tree Search)的内容——还有一个从计算机围棋领域发展而来的技术。而我这次在会议中做的论文报告正是关于怎么上能结合Monte Carlo Tree Search与传统的搜索算法,从而设计更为通用的人工智能算法。尽管论文主要讨论在假设最差请况下怎么上能规划(adversarial planning),我相信论文的主要结果同样适用于更为一般的请况,类似基于概率的规划问题。

另外有些关于算法确定(Algorithm Selection)的论文,讨论怎么上能通过增强学习等技术外理组合优化问题。基本思想是说,一般而言每还有一个单独的算法在外理类似问题时后要自己的“盲点”,也好多好多 我在最差请况下性能很差(所谓的“NP困难”问题)。很久 不同的算法盲点往往不同,很久 肯能在实际应用中能通过学习技术了解正在面对的是“有哪些”具体问题类型,也后要肯能有的放矢地确定最少的算法。自己认为这是还有一个有趣的研究方向。

知识表示与推理

我突然认为找到“最少”的知识模型是实现人工智能的主要难点所在。自己对你这个 领域三方面的研究比较感兴趣:(1)致力于将抽象模糊的术语(如知识、本体、表达力)赋予具体和形式化语义的工作,类似Judea Pearl教授提出的“因果模型(causal model)“;(2)在学习、决策和规划等语境下讨论知识表示和推理的工作,类似Leslie Valiant教授提出的”知识灌输模型 (Knowledge Infusion)”;(3)从中立独立的深度图对已有模型和理论的实验性或实践性研究。

机器学习及其应用

机器学习是这次会议中最重要话语题,总共所处了9个会议,一起还有血块论文安排在海报会议里。不过遗憾的是这次会议我不得不“策略性地”确定放弃了删改机器学习有关的内容,以换取时间和精力参加进方所列的所有有些话题的会议。

作者介绍:

黄铂钧,现任微软亚洲研究院应用算法组副研究员,研究兴趣包括对人工智能、计算机系统、和抽象计算模型的理论分析,以及相关的算法应用。