劉歡 吳芬

摘要：在過(guò)去的60年中，人工智能在算法、算力和數(shù)據(jù)的共同驅(qū)動(dòng)下取得了飛速發(fā)展，但仍處于人工智能薄弱的階段。從分析人工智能算法和計(jì)算能力的基礎(chǔ)研究的現(xiàn)狀和發(fā)展趨勢(shì)著眼，從弱人工智能到強(qiáng)人工智能的發(fā)展迫切需要基礎(chǔ)研究的革命性突破。在算法級(jí)別，深度學(xué)習(xí)算法模型缺乏可解釋性和可概括性。它遇到了基礎(chǔ)理論的瓶頸，迫切需要基礎(chǔ)理論的突破。在計(jì)算能力級(jí)別上，由于采用了集成電路工藝和微物理極限，摩爾定律無(wú)效。電子芯片的計(jì)算能力的增長(zhǎng)已放緩，并且通用計(jì)算芯片的體系結(jié)構(gòu)受到馮諾依曼瓶頸的制約。以神經(jīng)形態(tài)芯片為代表的人工智能芯片方興未艾。在數(shù)據(jù)層面，細(xì)分領(lǐng)域缺乏高質(zhì)量的數(shù)據(jù)集，制約了人工智能技術(shù)應(yīng)用的發(fā)展，未來(lái)將繼續(xù)構(gòu)建高質(zhì)量的數(shù)據(jù)集。簡(jiǎn)而言之，人工智能的基礎(chǔ)技術(shù)在未來(lái)很長(zhǎng)一段時(shí)間內(nèi)將緩慢發(fā)展，但是工業(yè)應(yīng)用正在蓬勃發(fā)展。

關(guān)鍵詞：基礎(chǔ);人工智能技術(shù);發(fā)展前景

一、引言

人工智能是一個(gè)復(fù)雜的技術(shù)系統(tǒng)，已發(fā)展到計(jì)算機(jī)技術(shù)的高級(jí)階段，該系統(tǒng)集成了計(jì)算機(jī)、數(shù)學(xué)、邏輯、信息論、控制論、認(rèn)知科學(xué)和倫理學(xué)等多個(gè)學(xué)科。人工智能是在1956年在達(dá)特茅斯學(xué)院的一次學(xué)術(shù)會(huì)議上提出的，可以分為3個(gè)發(fā)展階段：弱人工智能、強(qiáng)人工智能和超級(jí)人工智能。ANI是在有限條件下的人工智能。目前掌握的人工智能技術(shù)、基金項(xiàng)目，也就是重點(diǎn)行業(yè)應(yīng)用的人工智能數(shù)據(jù)安全監(jiān)管與服務(wù)平臺(tái)建設(shè)，它是沒(méi)有理解和推理的感知智力。AGI是能夠理解和推理，并且具有感知和自我意識(shí)的解決問(wèn)題的機(jī)器智能，屬于認(rèn)知智能。在幾乎所有領(lǐng)域中，ASI是比最聰明的人腦更聰明的機(jī)器智能，并且是人工智能技術(shù)開(kāi)發(fā)的最終目標(biāo)。

在過(guò)去的60年中，算法、算力和數(shù)據(jù)3個(gè)基石共同推動(dòng)了人工智能技術(shù)的飛速發(fā)展。本文概述了弱人工智能的發(fā)展過(guò)程，即初始時(shí)期、知識(shí)驅(qū)動(dòng)時(shí)期和數(shù)據(jù)驅(qū)動(dòng)時(shí)期。它著眼于前沿基礎(chǔ)研究的進(jìn)展以及算法和計(jì)算能力所面臨的挑戰(zhàn)，并闡明了數(shù)據(jù)驅(qū)動(dòng)時(shí)期大數(shù)據(jù)對(duì)人工智能的影響。最后從算法、計(jì)算能力、數(shù)據(jù)集和工業(yè)應(yīng)用4個(gè)方面分析了人工智能技術(shù)的發(fā)展趨勢(shì)。

二、人工智能的發(fā)展歷程

（一）初始時(shí)期

在該時(shí)期，人工智能的概念和相關(guān)的基礎(chǔ)理論開(kāi)始創(chuàng)新發(fā)展。最初的嘗試用軟件來(lái)模仿人類智能的嘗試，例如知識(shí)表達(dá)，文本計(jì)算，簡(jiǎn)單的神經(jīng)元模型，模糊集理論和學(xué)習(xí)算法，都受到算法，計(jì)算能力的限制。由于缺乏數(shù)據(jù)，許多理論尚未實(shí)現(xiàn)，但是它們?yōu)槿斯ぶ悄艿目焖侔l(fā)展奠定了理論基礎(chǔ)。

（二）知識(shí)驅(qū)動(dòng)時(shí)期

在該時(shí)期，已采用基于符號(hào)、邏輯和規(guī)則的知識(shí)驅(qū)動(dòng)方法來(lái)開(kāi)發(fā)智能專家系統(tǒng)。該系統(tǒng)集成了專業(yè)知識(shí)庫(kù)、經(jīng)驗(yàn)和專家決策。在不同領(lǐng)域有大量的專家系統(tǒng)可以獲取應(yīng)用程序，如化學(xué)、電子、工程、醫(yī)學(xué)和過(guò)程控制等。

（三）數(shù)據(jù)驅(qū)動(dòng)時(shí)期

在該時(shí)期，采用了以“深度學(xué)習(xí)+大數(shù)據(jù)”為特征的數(shù)據(jù)驅(qū)動(dòng)方法，并取得了突破性的成就。標(biāo)志性事件：深藍(lán)在1997年擊敗了世界象棋冠軍卡斯帕羅夫。在語(yǔ)音識(shí)別和圖像識(shí)別中采用數(shù)據(jù)驅(qū)動(dòng)方法取得了突破性進(jìn)展。

三、人工智能算法

人工智能復(fù)雜技術(shù)系統(tǒng)的核心是人工智能算法。該算法本質(zhì)上是一組數(shù)學(xué)理論。例如，深度學(xué)習(xí)和貝葉斯算法的基礎(chǔ)模型涉及高級(jí)數(shù)學(xué)、統(tǒng)計(jì)學(xué)和概率論。

從知識(shí)驅(qū)動(dòng)到數(shù)據(jù)驅(qū)動(dòng)，人工智能本質(zhì)上是從知識(shí)編碼到機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的理論范式的突破性變化，它在過(guò)去的20年中引發(fā)了人工智能技術(shù)的蓬勃發(fā)展。人工智能機(jī)器學(xué)習(xí)本質(zhì)上是通過(guò)數(shù)學(xué)統(tǒng)計(jì)和概率對(duì)人類思維過(guò)程的近似描述。它經(jīng)歷了3項(xiàng)突破性的發(fā)展：1950年代提出了神經(jīng)網(wǎng)絡(luò)原型感知器，1980年代提出了淺層傳感器神經(jīng)網(wǎng)絡(luò)算法。151然后，以深度學(xué)習(xí)為代表的高復(fù)雜度算法自2006年以來(lái)爆炸式增長(zhǎng)。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中基于大規(guī)模數(shù)據(jù)的表示學(xué)習(xí)算法，可以從海量數(shù)據(jù)中學(xué)習(xí)高級(jí)功能。在互聯(lián)網(wǎng)爆炸帶來(lái)的計(jì)算能力和大數(shù)據(jù)呈指數(shù)增長(zhǎng)的全面支持下，深度神經(jīng)網(wǎng)絡(luò)已在多個(gè)領(lǐng)域逐步取得突破，為當(dāng)前在計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別、自然語(yǔ)言處理和其他人工智能方面的深度學(xué)習(xí)奠定了基礎(chǔ)核心領(lǐng)域的統(tǒng)治。

深度學(xué)習(xí)在圖像和語(yǔ)音領(lǐng)域非常成熟，自然語(yǔ)言處理仍然面臨許多挑戰(zhàn)。近年來(lái)，NLP領(lǐng)域深度學(xué)習(xí)的主要進(jìn)展是Google基于變壓器的雙向編碼器表示。首先，將大量未標(biāo)記的語(yǔ)料庫(kù)用于模型預(yù)訓(xùn)練學(xué)習(xí)，然后使用少量的標(biāo)記的語(yǔ)料庫(kù)進(jìn)行微調(diào)以完成分類、序列標(biāo)記和句子間句法。關(guān)系判斷和機(jī)器閱讀理解等任務(wù)。BERT模型在許多自然語(yǔ)言理解任務(wù)上具有出色的性能，但是由于其深厚的網(wǎng)絡(luò)結(jié)構(gòu)和大量的參數(shù)，工程實(shí)現(xiàn)的計(jì)算能力非常大。

深度學(xué)習(xí)和其他學(xué)習(xí)方法形成一個(gè)組合模型：深度強(qiáng)化學(xué)習(xí)、深度轉(zhuǎn)移學(xué)習(xí)、人工規(guī)則和神經(jīng)網(wǎng)絡(luò)的組合以及圖和卷積神經(jīng)網(wǎng)絡(luò)的組合。分布式深度學(xué)習(xí)的最新進(jìn)展是萊斯大學(xué)的研究人員與亞馬遜合作提出的MACH算法。該算法將模型中的10億個(gè)參數(shù)劃分為幾個(gè)級(jí)別，然后對(duì)其進(jìn)行重新分類，從而大大減少了單個(gè)搜索的次數(shù)，從而大大減少了培訓(xùn)時(shí)間和內(nèi)存使用量，并且在大型數(shù)據(jù)庫(kù)中的檢索將更加高效。

遷移學(xué)習(xí)將訓(xùn)練后的模型從源任務(wù)轉(zhuǎn)移到目標(biāo)任務(wù)，以幫助目標(biāo)任務(wù)解決訓(xùn)練樣本不足的問(wèn)題。深度遷移學(xué)習(xí)具有深度學(xué)習(xí)和遷移學(xué)習(xí)的優(yōu)勢(shì)，主要分為四類：基于示例、映射、網(wǎng)絡(luò)和對(duì)抗的深度遷移學(xué)習(xí)。數(shù)據(jù)標(biāo)記非常耗時(shí)且費(fèi)力，如標(biāo)記語(yǔ)義分段圖。相關(guān)學(xué)者提出了一種自動(dòng)標(biāo)記圖像的方法，可以自動(dòng)生成多邊形以標(biāo)記圖像中的對(duì)象。它使用卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，然后使用遞歸神經(jīng)網(wǎng)絡(luò)對(duì)多邊形的頂點(diǎn)進(jìn)行解碼，最后通過(guò)評(píng)估網(wǎng)絡(luò)從候選對(duì)象中選擇最佳模型。深度森林算法模型打破了深度學(xué)習(xí)技術(shù)中深度神經(jīng)網(wǎng)絡(luò)模型的壟斷。它還具有逐層處理、內(nèi)置特征變化和模型復(fù)雜度高的特點(diǎn)，在非法現(xiàn)金檢測(cè)應(yīng)用中取得了良好的效果。

綜合分析人工智能的當(dāng)前基礎(chǔ)研究現(xiàn)狀，算法模型的未來(lái)發(fā)展趨勢(shì)是自動(dòng)化、組合、輕量化、泛化和探索新的深度模型。當(dāng)前，學(xué)術(shù)界和工業(yè)界正在將大部分資源投入到現(xiàn)有深度學(xué)習(xí)算法的改進(jìn)和應(yīng)用擴(kuò)展中，而對(duì)基礎(chǔ)理論研究的關(guān)注不足。盡管各種深度學(xué)習(xí)算法仍在研究和改進(jìn)中，但它們都面臨基礎(chǔ)理論的瓶頸，尤其是黑盒問(wèn)題，泛化性差和深度學(xué)習(xí)穩(wěn)定性不足。強(qiáng)大的人工智能之路仍然遙遙無(wú)期?；舅惴Ｐ偷奈磥?lái)突破提供兩種技術(shù)途徑：一個(gè)是神經(jīng)科學(xué)的重大發(fā)現(xiàn);另一個(gè)是知識(shí)驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)方法的結(jié)合。第一條技術(shù)路線比較困難，但前景更廣闊。因此，各國(guó)將神經(jīng)研究計(jì)劃列為國(guó)家戰(zhàn)略，并將神經(jīng)的基礎(chǔ)研究視為競(jìng)爭(zhēng)全球人工智能技術(shù)和產(chǎn)業(yè)發(fā)展制高點(diǎn)的關(guān)鍵。

四、人工智能算法的算力分析

（一）算力與算法的關(guān)系

盡管人工智能的基本理論在早期得到了蓬勃發(fā)展，但芯片的計(jì)算能力不足限制了人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。在1980年，計(jì)算能力與早期相比增加了大約兩個(gè)數(shù)量級(jí)，這只能支持淺層神經(jīng)網(wǎng)絡(luò)模型的實(shí)現(xiàn)。在21世紀(jì)之后，與早期相比，計(jì)算能力發(fā)生了質(zhì)的變化，并且已經(jīng)實(shí)現(xiàn)了深度神經(jīng)網(wǎng)絡(luò)等高復(fù)雜度算法。因此，在計(jì)算能力和人工智能算法的不斷發(fā)展中，計(jì)算能力和算法相輔相成，計(jì)算能力既促進(jìn)又制約著算法。

（二）通用電子芯片的發(fā)展

目前，使用CMOS技術(shù)生產(chǎn)通用電子芯片。在商業(yè)上，5nm工藝已實(shí)現(xiàn)批量生產(chǎn)。隨著晶體管的尺寸逼近物理極限，電子芯片技術(shù)進(jìn)入了后摩爾時(shí)代。通過(guò)減小晶體管的尺寸來(lái)增加集成密度的方法是不可持續(xù)的。通用電子芯片開(kāi)發(fā)的主要技術(shù)路線是：新工藝、新材料和新物理原理。新工藝的杰出代表是先進(jìn)包裝技術(shù)的不斷創(chuàng)新和發(fā)展。隨著摩爾定律的放慢，先進(jìn)的封裝技術(shù)已成為電子產(chǎn)品小型化、多功能、低功耗和高帶寬的核心手段。它正在向集成、高速、高頻和三個(gè)方向發(fā)展。三維封裝技術(shù)的本質(zhì)是將多個(gè)高帶寬存儲(chǔ)芯片與CPU、GPU、FPCA和其他處理器垂直堆疊在三維空間中，以減少彼此的傳輸路徑，加快計(jì)算速度并提高整體計(jì)算效率。

五、人工智能發(fā)展的前景

短期內(nèi)，算法模型的發(fā)展趨勢(shì)是自動(dòng)化、組合、輕量、通用和新的深度模型、例如，在AlphaGo上成功實(shí)現(xiàn)深度增強(qiáng)模型以及使用訓(xùn)練數(shù)據(jù)增強(qiáng)。深度轉(zhuǎn)移學(xué)習(xí)在一定程度上緩解了培訓(xùn)數(shù)據(jù)不足的困境;自動(dòng)機(jī)器學(xué)習(xí)嘗試逐步使機(jī)器學(xué)習(xí)中的部分或全部過(guò)程自動(dòng)化。深林是一種新型的深度網(wǎng)絡(luò)模型，它打破了深度神經(jīng)網(wǎng)絡(luò)在深度學(xué)習(xí)技術(shù)中的壟斷地位。從長(zhǎng)遠(yuǎn)來(lái)看，算法模型基礎(chǔ)理論的突破很可能來(lái)自神經(jīng)科學(xué)和認(rèn)知科學(xué)等基礎(chǔ)研究領(lǐng)域的革命性突破。

大量的大樣本訓(xùn)練時(shí)間長(zhǎng)，計(jì)算成本高，可解釋性差和穩(wěn)定性差。深度學(xué)習(xí)網(wǎng)絡(luò)模型使用概率和統(tǒng)計(jì)方法通過(guò)逐層特征轉(zhuǎn)換自動(dòng)學(xué)習(xí)數(shù)據(jù)樣本的特征，但是樣本的利用率較低，在現(xiàn)階段無(wú)法通過(guò)很少的學(xué)習(xí)樣品像人。未來(lái)，深度學(xué)習(xí)技術(shù)將不僅依賴于速率統(tǒng)計(jì)方法，還將與知識(shí)規(guī)則驅(qū)動(dòng)的方法相集成。小數(shù)據(jù)樣本培訓(xùn)是未來(lái)的重要發(fā)展方向。隨著大數(shù)據(jù)、5G、物聯(lián)網(wǎng)和云端計(jì)算的飛速發(fā)展，基于深度學(xué)習(xí)網(wǎng)絡(luò)的人工智能技術(shù)的應(yīng)用領(lǐng)域越來(lái)越廣泛，在計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別、自然語(yǔ)言處理、機(jī)器翻譯等領(lǐng)域與路徑規(guī)劃其他技術(shù)領(lǐng)域?qū)⒗^續(xù)深入探索，并將在安全、金融、運(yùn)輸、教育、醫(yī)療和能源等多個(gè)應(yīng)用領(lǐng)域中廣泛工業(yè)化。

結(jié)語(yǔ)

在算法、算力和數(shù)據(jù)的驅(qū)動(dòng)下，人工智能正進(jìn)入由深度學(xué)習(xí)技術(shù)引領(lǐng)的發(fā)展浪潮。盡管算法的基礎(chǔ)理論存在瓶頸，但人工智能的工業(yè)應(yīng)用仍在不斷發(fā)展。

參考文獻(xiàn)：

[1]謝宗仁，馮偉，耿奎.綜合集成研討廳研究現(xiàn)狀及其在人工智能時(shí)代的發(fā)展機(jī)遇[J].科技管理研究，2020（16）：39-45.

[2]尹潔.弱道德人工智能可行嗎——從精神醫(yī)學(xué)用途到道德增強(qiáng)[J].醫(yī)學(xué)與哲學(xué)，2020（13）：1-7，13.

[3]趙晶，曹易.風(fēng)景園林研究中的人工智能方法綜述[J].中國(guó)園林，2020（5）：82-87.

[4]陳舒，倪民軍.大數(shù)據(jù)與人工智能在行業(yè)中的發(fā)展——以會(huì)計(jì)行業(yè)為例[J].商業(yè)會(huì)計(jì)，2020（7）：124-126.

武漢商貿(mào)職業(yè)學(xué)院劉歡吳芬