讀《中國人工智能與 IJCAI 的 40 週年，還有哪些不曾對外訴說的故事？》

原文地址：

https://mbd.baidu.com/newspage/data/landingsuper?context=%7B%22nid%22%3A%22news_10186783044528966108%22%7D&n_type=0&p_from=1

 

 

 

 

----------------------------------------------------------------------------------------------

 

 

偶在網上看到這篇訪談類的報道，因爲是本身所在研究的領域因此關注了一下，感觸頗深，並摘錄了其文章中的一些比較贊同的觀點。

 

 

 

 

原文部份內容：

 

外行人或者對人工智能不是很是熟悉的人，會對深度學習寄予太高的指望，這是潛藏了不少風險的事情。而這部分人之因此抱有太高指望，就在於他們沒有意識到目前的深度學習還只能應用在很是有限的場合中，也就是說它只能在符合 5 個條件的場合中可以有好的表現，缺乏任何一個條件，在實現程度上都會大打折扣。

這 5 個條件包括：

第一，必須得有豐富的數據；

第二，徹底信息；

第三，肯定性；

第四，靜態與結構化環境；

第五，有限的領域和單一的任務。

 

ps:   1.  看來小樣本數據的研究可能仍是比較有前途，在數據量較小的應用環境中如何使機器學習的算法仍然能work是一個不錯的研究。

       2.  徹底信息這一點不是很理解，這個是否是說學習的數據集如今通常都是徹底知道全部instance的全部屬性信息，若是部分的instance的屬性信息不徹底或者說是丟失了部分信息，可能指的是這種狀況吧。

       3.   肯定性，這個也不是很理解，以個人學習積累所能想獲得的就是模糊學習之類的東西了，也就是說現實問題中不少數據的歸屬並非是非問題；不肯定性，是否是在指數據分佈的不肯定性呢？這個肯定性不知道該具體怎麼解釋，可是直觀感受應該是和實際問題比較貼近的。

        4.   靜態，這個多是說如今的機器學習問題通常是指固定的數據集，對比的就是那些在線學習之類的吧，也多是強化學習那種的數據須要不斷的和環境交互得到，也多是指那種像終生學習的那樣不間斷的學習。結構化，多是說如今的ML所學習的數據集都是結構化的，這個也是不太清楚具體什麼意思。

         5.   這個單一任務估計就是如今比較火的研究方向，多任務學習，多模型學習，多模態學習，遷移學習等吧。

 

 

 

 

 

 

 

而目前深度學習因爲某個條件的缺失而產生問題的狀況也很是廣泛，

包括：首先是人臉識別、語音識別一旦存在干擾性能就會顯著降低；

其次，基於深度學習的系統具備的不可解釋性即是系統存在的致命缺陷之一；

另外，深度學習還只是人工智能的冰山一角，人工智能還有不少其餘更爲重要的問題須要解決。

 

 

 

基於此，張鈸院士認爲結合清華大學人工智能研究院提出的口號闡釋了自身對於人工智能將來發展趨勢的見解：

第一，創建可解釋性與魯棒的人工智能理論和方法；

第二，打造安全、可靠、可信的人工智能技術；

第三，開創創新的人工智能應用。

「只有實現這三點，人工智能才能獲得進一步的發展。」

 

ps:   開創新的研究方向或者新的研究領域，或者落地一些新的人工智能的應用，這種事情估計和我輩無關了吧，這個可能須要大量的資源投入和我的的機遇及天分，這個不想了。創建可解釋性和魯棒性這個應該是頗有必要的，  不可解釋多是機器學習自己就存在的問題，這可能不只僅是如今的深度學習所獨有的問題，不過DL的問題確實嚴重，好像就沒啥解釋性，上去就是各類模型揉在一塊兒，各類調參數，各類修模型，總以爲不太靠譜，感受像是在算命的調調，只不過是有用的算命罷了。魯棒性不解決，可能有些機器學習的應用會一直都難以成熟落地。

 

 

 

最後，張鈸院士還談到了當前中國科研工做者所存在的問題，他認爲其最大的缺點即是喜歡跟風隨大流。「目前我國人工智能的研究主要集中於深度學習，而對知識表示、規劃、推理和不肯定處理等 AI 其餘領域缺少重視。例如去年的 IJCAI 上，關於深度學習的論文只佔所有論文的 1/3，其中 70 % 的論文做者是中國人；而另外 2/ 3 的關於知識表示、規劃、推理等的論文，卻基本上沒有來自中國做者的。

 

ps:    這個感觸確實你們都有跟風的嫌疑。