從數(shù)據(jù)入手 探索新型智能范式

程學旗 李國杰等

無論是早期符號計算（以數(shù)理邏輯為基礎）、進化計算、支持向量機、貝葉斯網(wǎng)絡，還是當前在工業(yè)界獲得巨大成功的基于多層神經(jīng)網(wǎng)絡的深度學習方法，從模型的本質(zhì)上來看都是建立在圖靈機的基礎上，基本都符合邱奇-圖靈論題（Church-Turing thesis），即“任何在算法上可計算的問題同樣可由圖靈機計算”。

計算智能的發(fā)展

換句話說，現(xiàn)有的人工智能模型本質(zhì)上都是與圖靈計算模型等價的，故可歸為計算智能。計算智能一般以計算機為中心，以算法理論為基礎，充分利用現(xiàn)代計算機的計算特性，給出了解決實際問題的形式化模型和算法。近十幾年，大數(shù)據(jù)的使用、算力的提升和深度模型的發(fā)展，為計算智能帶來了新的契機。大數(shù)據(jù)、大算力、大模型三者結(jié)合，極大地推動了計算智能的工業(yè)化應用。

例如，計算智能在以圍棋為代表的人機對弈、機器翻譯、人臉識別、語音識別、人機對話、自動駕駛等應用中均取得了巨大的成功。值得注意的是，大數(shù)據(jù)在給計算智能帶來發(fā)展的同時，其復雜性和非確定性也給計算智能帶來了非常大的挑戰(zhàn)?，F(xiàn)有的計算智能在面臨大數(shù)據(jù)環(huán)境下的復雜問題和復雜系統(tǒng)時，依然很難給出滿意的答案。

我們需要探索當前計算智能的能力邊界問題，從理論上探尋這類智能所能解決的問題類型和能力邊界。

譬如，通過建立深度學習和統(tǒng)計力學的關(guān)系，回答深度學習的相關(guān)基礎問題：

1. 表達能力方面，模型做深為什么是必要的，到底深度為多少層是合理的？

2. 模型學習方面，崎嶇的目標函數(shù)如何高效優(yōu)化？

3. 泛化能力方面，如何實現(xiàn)計算智能技術(shù)從專用到通用的轉(zhuǎn)變？如何實現(xiàn)模型的跨領(lǐng)域、跨任務、跨模態(tài)的泛化？

上述一系列基礎問題將進一步成為計算智能未來發(fā)展的關(guān)鍵“瓶頸”。其原因是，當前的計算智能是大數(shù)據(jù)工程化驅(qū)動的，其能力的提升主要依賴于數(shù)據(jù)規(guī)模的增加和計算速度的增長。如果缺乏數(shù)據(jù)科學化理論的支撐，大數(shù)據(jù)驅(qū)動的計算智能難以形成從量變到質(zhì)變的提升。那么另一種思路是，我們也許可以考慮發(fā)展與當前計算智能不一樣的智能范式，以便更加簡捷高效地解決更復雜、更普適的現(xiàn)實問題。

新型智能范式的探索

事實上，自然界中存在大量具備智能的自然系統(tǒng)。這些自然系統(tǒng)比現(xiàn)有人工智能系統(tǒng)具備更加簡捷高效的邏輯推理和自我學習能力，如腦神經(jīng)系統(tǒng)、社會系統(tǒng)、自然生態(tài)系統(tǒng)等。

那么，自然系統(tǒng)的智能模型是什么？我們能否借鑒自然系統(tǒng)中的智能行為，將其形式化為可計算的智能范式？實際上，已有4類智能范式在此方面做出了一些初步的探索。

腦啟發(fā)計算

人類的大腦皮層具有140億至160億個神經(jīng)元，且每個神經(jīng)元會連接1000至10000個其他神經(jīng)元，借此人類發(fā)展出了比其他物種更高級的智慧。

腦啟發(fā)計算（brain-inspired computing）正是借鑒了人腦存儲、處理信息的基本原理所發(fā)展出來的一種新型計算技術(shù)。與傳統(tǒng)圖靈計算機的計算模式相比，腦啟發(fā)計算是通過增加空間復雜度來保留計算單元之間的結(jié)構(gòu)相關(guān)性，從而構(gòu)造基于神經(jīng)形態(tài)工程的高速、新型計算架構(gòu)。

腦啟發(fā)計算的目標是構(gòu)造一套非“馮·諾依曼”架構(gòu)、可實時處理復雜非結(jié)構(gòu)化信息、超低功耗的高速新型計算架構(gòu)。腦啟發(fā)計算的發(fā)展，也許能為數(shù)據(jù)科學提供新的計算架構(gòu)和高性能的計算能力，支撐通用人工智能的發(fā)展。

目前，腦啟發(fā)計算仍處于起步階段，我們要進一步思考如何在不完全了解人腦機制的情況下發(fā)展腦啟發(fā)計算模式，以及如何基于這種腦啟發(fā)計算為科學研究提供新思路和新范式。

演化智能

學習和演化是生物適應環(huán)境的基本方式?，F(xiàn)有的計算智能基本都擁有從數(shù)據(jù)中學習的能力，但對智能模型的演化能力缺乏關(guān)注。

例如，人腦是經(jīng)過數(shù)百萬年的演化逐步形成的。從這個角度來講，現(xiàn)有的智能模型在依靠人類設計之外，是否也能通過演化過程去自動發(fā)現(xiàn)最佳的模型結(jié)構(gòu)？傳統(tǒng)的遺傳算法是一種基礎的演化計算模型;而從演化計算到演化智能，以及實現(xiàn)模型自動演化的智能范式，還有很長的路要走。未來，交互驅(qū)動的強化學習、開放環(huán)境下的人工智能是值得探索的方向。

復雜系統(tǒng)模擬

自然界存在大量的復雜系統(tǒng)，如人類社會系統(tǒng)、自然生態(tài)系統(tǒng)、人體免疫系統(tǒng)等。從控制和計算的角度來看，模型化的復雜系統(tǒng)是“由大量相互作用、相互依賴的單元構(gòu)成的一個整體系統(tǒng);一般在沒有中央控制情況下，這個整體系統(tǒng)可通過簡單的運作規(guī)則實現(xiàn)復雜的信息處理，進而產(chǎn)生復雜的集體行為，并能通過學習和進化產(chǎn)生自生長和自適應能力”。

是否可以通過模擬復雜系統(tǒng)的組成特點和交互方式來構(gòu)造新型智能范式？如何通過大量簡單智能體之間的交互作用，產(chǎn)生可預期的、具有高度復雜性的群體智能？這樣的智能范式也許會從根本上改變傳統(tǒng)的單智能體的智能上限。

人機混合智能

隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)及新一代通信技術(shù)的發(fā)展，萬物泛在互聯(lián)成為現(xiàn)實。未來，大量物理設備、無人系統(tǒng)、人腦，通過泛在網(wǎng)絡實現(xiàn)“上線”和“互聯(lián)”。

在這樣的環(huán)境下，人在回路的人機混合智能具備了基本的物理條件。目前，人工智能技術(shù)所具備的感知、認知能力，基本上是模型與數(shù)據(jù)結(jié)合，并以機器為中心所形成的計算智能，故也稱為機器智能。

這種機器智能在存儲、搜索、感知、確定性問題求解等方面性能表現(xiàn)優(yōu)越，但在高級認知和復雜問題決策方面與人類智能相差很遠。雖然腦啟發(fā)計算取得了一些進展，但在可預期的未來，機器智能很難完全模仿和構(gòu)造出人類智能或其他自然智能。

換一個思路，如果將人的智能引入到機器智能的系統(tǒng)回路中，將充分融合人類智能和機器智能的優(yōu)勢，從而形成更高級的智能水平。在未來較長的一段時間內(nèi)，這種人機混合智能也許是一些復雜問題求解的有效途徑。那么，在基于機器的計算智能基礎上，人作為具備智能的自然系統(tǒng)，如何參與到機器智能的系統(tǒng)回路中是一個關(guān)鍵問題。人機混合智能需要重點解決思維融合或決策融合的問題。

具體而言，傳統(tǒng)的人機接口往往是單向的;在人機互聯(lián)情況下，人腦如何參與到機器智能的系統(tǒng)回路當中？如何同時讓人理解機器思維和讓機器理解人的思維，從而實現(xiàn)思維的無縫互動？

目前，一些探索和挖掘思維潛力的工具，如思維導圖、思維地圖、概念圖等，其理論基礎與形式化模型并不清晰。一些新型的腦機接口技術(shù)進展迅速，但缺乏對人腦在直覺、意識、情感和決策方面的機理認知。也許，從技術(shù)上構(gòu)建有效的人在回路智能通道，是當前人機混合智能亟待解決的關(guān)鍵問題之一。

上述4類智能范式的研究，在現(xiàn)有圖靈等價的計算智能基礎上，或多或少地引入了人類智能或自然系統(tǒng)智能的部分機制，從而為未來智能系統(tǒng)的發(fā)展注入新的活力。

但是迄今為止，這些智能范式在可形式化、可計算、可構(gòu)造等方面還存在諸多基礎性問題挑戰(zhàn)。如果這些模式是未來新型智能范式，那么它們是否還是圖靈等價的？這些問題值得我們從本源上進行探討。

數(shù)據(jù)是人類社會、物理世界和機器世界之間的橋梁，同時數(shù)據(jù)也是人類社會和物理世界的符號化映射。因而，從數(shù)據(jù)入手是探索和實現(xiàn)上述新型智能范式的基本途徑。數(shù)據(jù)科學基礎理論，不僅對當前數(shù)據(jù)驅(qū)動的計算智能起到提質(zhì)增效的作用，也將為未來新型智能范式研究提供理論支撐。（節(jié)選自公號“中國科學院院刊”）