共计 1702 个字符，预计需要花费 5 分钟才能阅读完成。
近日，由凋谢原子开源基金会与 Linux 基金会联结开源中国独特举办的首届“GOTC 寰球开源技术峰会”在上海世博核心圆满闭幕。作为 LF AI & Data 子基金会的理事会成员之一，OPPO 数智工程零碎资深技术专家 Liam Zheng 在 GOTC「AI 大数据与数字经济」分论坛发表了名为《下一代人工智能：逻辑了解？物理了解？》的演讲。本文通过对 Liam 的访谈，向大家分享他对下一代人工智能的认识与了解。
Q1：在本次 GOTC 分论坛上发表《下一代人工智能的外围是逻辑了解和物理了解》这一演讲的背景是什么呢？
OPPO 退出了 LF AI &Data 子基金会，咱们期待与其单干开源我的项目，在咱们的开源我的项目进去之前，咱们也须要一些预热。此外，人工智能倒退到以后阶段，大家发现在理论部署上线后遇到好多 badcase，然而又无奈很不便的去批改模型，通常须要大量标定数据，从新训练模型。为了解决上述问题，我的观点是人工智能下一代应该是从逻辑层面和物理层面去深度地革新算法，而不能只是简略的去增加数据或把模型做大。
Q2: 那您次要从哪些方面去介绍这个问题呢？
过后次要是讲了 4 局部，第一局部是目前人工智能面临的瓶颈；第二局部是介绍了业内大咖对下一代人工智能的一些观点；第三局部是我针对人类智能和人工智能进行比照剖析；最初得出下一代人工智能的外围应该是逻辑了解和物理了解的观点。
Q3：目前与人类智能相比，您认为人工智能处于哪个阶段呢？
人类智能其实是有八个畛域，目前人工智能只波及了其中 2 - 3 个畛域的工作。大部分的畛域的数据表征都还没有波及到。所以当初的人工智能其实处于婴儿期间，它远远没有达到特地全面，特地齐备的一个阶段。
Q4：刚刚提到了人工智能的瓶颈，您认为最大的瓶颈是什么呢？
最次要的两点，一个是鲁棒性差，我举了个例子：比方分类一张熊猫图片，加了些随机噪声就变成了其余类别。就是渺小的扰动，模型判断的后果就会差别很大，甚至能够管制模型误判到某个特定类别。
另一点是可解释性欠缺。比如说有时候这个模型可能体现特地好，有些状况又体现比拟蹩脚，然而定位不到具体哪个特色哪个层造成这个模型体现差。
以上两点，在何积丰院士的《平安可信人工智能》讲演里也有提到。
Q5：对下一代人工智能业内是什么样的认识呢？
演讲中我介绍了几个大咖的认识。
一是 Geoffrey E. Hinton 提出了胶囊网络的这个视角，他认为 cv 模型不应该是 Invariant，应该是 equivariant，就是能反映出图像的构造；当初的卷积模型不可能反映出图像外面的构造信息，把某个部件放在任何一个地位，而后得进去的后果都不变，比方人的眼睛轻易乱放也会得出是一张人脸。但如果人本人来看的话，人眼睛如果地位偏移的比拟厉害的话，就齐全不像一张脸。
二是 Yan LeCun，他提出下一代人工智能次要依附自监督学习；这个观点我是根本批准的，通过自监督学习来逻辑的物理的初始化模型空间，以后机器学习次要依附监督学习，而在我看来，这只是机器学习中的一小部分
三是朱松纯传授的观点，他认为下一代人工智能应该是乌鸦范式，通过小样本多任务学习解决理论问题；
最初还有 Yoshua Bengio，他认为人工智能目前是感知阶段，下一阶段是认知阶段，但我认为感知阶段还远没有完结。
Q6：为什么说“下一代人工智能的外围是逻辑了解和物理了解”？
机器学习训练集和测试集是基于 IID（独立同散布）的假如，实际上线后预估的数据经常是 OOD（与训练集散布不同）。IID 和 OOD 都是指表征上的散布，好的表征会有好的 OOD 成果。尽管深度学习泛化能力比传统机器学习要好些，然而同样面临 OOD 问题。当样本空间很大时，训练集永远只是整体的渺小局部，和总体的散布会有很大差别。在渺小训练集上做简略的监督学习只会学会训练样本的部分模式，因为只靠部分模式表征就能够获得训练集和测试集的 IID 成果了，而部分模式表征和部分模式远远不能满足上线后的 OOD 状况。总之，OOD 是造成以后人工智能鲁棒性差的实质起因。
下一代人工智能迫切要解决感知的鲁棒性，关键在于表征和训练的逻辑了解和物理了解，而不是超大模型超大数据。
获取更多精彩内容，关注 [OPPO 互联网技术] 公众号
