「」计算所山世光：AI方法论需升级，疫后 AI 将如何发展？( 二 )
2、未来10年的AI方法论：知识+数据联合驱动
AI 能力的升级 ， 必须依赖AI 方法论的升级 ， 而这归结到本质 ， 还是算法的革新 。
山世光研究员提出如下几种亟需发展的AI算法——
文章图片
文章图片
举例来说 ， 算法能否在数据量减小到原来10%甚至1% ， 同时还保持和原来相当的能力呢？在现有的算法（纯数据驱动）中 ， 是否可以加入知识 ， 或者已有的其他数据或模型 ， 做到知识和数据联合驱动？……事实上 ， 已经有许多研究单位在做 ， 也是当下AI算法上最值得探索的几个研究方向之一 。
针对以上内容 ， 山世光从「数据依赖」的角度做了详细说明 。前面提到 ， 当前人工智能的方法是强大 (强监督、大规模) 数据依赖 。但我们知道人类智能并不是如此 ， 简单举几例人类的能力：
归纳和演绎推理：从个别到一般 ， 再从一般到个别；
举一反三&触类旁通：类似推演&迁移学习；
吃一堑长一智：从少量错误中学习(修改模型)；
预测检验：时刻预测并修正误差;自纠错学习；
元方法：道生一 ， 一生二 ， 二生三 ， 三生万物；
融会贯通：多模态、多学科知识校验和融合；
想象力和创造力：无中生有 ， 外插而非内插 。
从这些能力中 ， 我们可以看出 ， 人类的智能本质上是一种知识+弱小(弱监督、小样本)数据驱动的方法 。这种特性值得我们参考 。
山世光研究员认为 ， 人类能够做到小数据的学习 ， 原因在于有知识的积累 。因此如何把知识融合到机器当中 ， 对于AI算法非常重要 。这里的知识既可能是人类总结出的知识 ， 也可以是已有AI学到的知识 ， 他把后面这种知识称之为“机器知识” 。
文章图片
文章图片
所谓“机器知识” ， 不同于“人类知识” ， 很可能不是人类可阅读的 ， 甚至不是人类可理解的 。如山世光研究员所说 ， 当我们已经用算法解决了N个任务（例如识别人脸、猴脸、马脸、狗脸、牛脸等）后 ， 机器就有可能从这些任务中总结出一些通用任务的规则 ， 作为“元”模型 。
有了“机器知识” ， 即使是小数据/无数据的任务 ， 也能够获得好的性能 。例如可以借助上述从人 / 猴、马、狗、牛等学习到的脸部识别模型 ， 得出一个关于脸的“元”模型 ， 用来识别考拉脸、鱼脸、熊猫脸等 。
（现在的方法则往往是 ， 识别一个动物 ， 就要收集大量这个动物的脸部照片 ， 换种动物就得重新收集和学习 ， 既不高效 ， 也不优雅 ， 甚至笨拙的有点可笑 。）
事实上 ， 这种研究本质上是多任务协同的问题 ， 在2018年已经有人在做 ， CVPR 2018的最佳论文正是其中的代表 ， 这个工作研究了26个不同任务之间的关系 ， 以及如何可以互相支撑 ， 从而减少对标注数据的需求 。
文章图片
文章图片
基于以上的分析 ， 山世光研究员认为 ， AI的方法论 ， 在过去十年逐渐变为以强、大数据驱动为主 ， 但接下来的十年或更长时间里 ， 知识和数据联合驱动将成为主流 。当然这里的知识 ， 并不仅仅指人类可以理解的知识 ， 也可能是许多人类无法理解的“机器知识” 。
3、五大观点&建议
在报告的后半部分 ， 山世光研究员针对目前我国的人工智能发展 ， 提出了五大观点和建议 ， 如下：
1）AI应用研究方面差距不大
中美（欧）之间在应用研究上差距不大 ， 但我们在各行业纵深应用（即在其他研究领域）上仍需努力 。例如 ， AI在生物信息领域的应用 ， 西方的积淀很多 ， 深度学习也渗透了很多 ， 而我国在这方面就需要努力赶超 。
