馬遠良

人工智能是指用計算機模擬、實現或延伸人類的感知、思考、行動等思維與行為能力的科學與技術。人類智能的核心在于智慧的思維和智慧的行為能力。這種能力可能是通過學習而獲得的，也可能是人類所固有的或者本能的、遺傳的或者基因形成的。其內涵包括學習、理解、記憶、概念抽象、推理、決策、計劃、行動、自我意識、情感、環(huán)境適應性、認知與思考的能力等。以此為參照，人工智能大體可分為能夠完全實現人類智能的“強人工智能”和面向特定任務應用的“弱人工智能”。當前在計算機上實現思考、情感以及創(chuàng)造力（包括繁殖新的智能系統(tǒng)）等強人工智能的研究仍然迷霧重重、任重而道遠。但是以機器學習、深度學習為核心的弱人工智能技術，在某些應用場景中已達到甚至超越人類水平。在智能信息感知與處理領域，有一個需求迫切、應用環(huán)境復雜、極具典型性和挑戰(zhàn)性的研究方向，這就是海洋信息感知與處理的人工智能技術。主要是指智能水聲技術，以及有關的非聲智能技術。

長期以來，海洋聲學環(huán)境復雜、目標微弱且背景噪聲高、觀測量的估計高度非線性，構成了困擾水聲技術的三大挑戰(zhàn)性國際難題。尤其時空變化復雜信道中的微弱信號檢測，是制約其他方面的第一難題。目標隱身、分類識別，以及網絡通信則是最重要的研究熱點。近期的研究經驗提示我們，運用人工智能技術解決上述難題，有可能取得突破性的進展。多年前，國外同行議論應對極低信噪比的“高增益倡議”（High Gain Initiative）但尚無結果；當今的人工智能技術，很可能于此大有作為。

針對現實的應用需求，重新審視科學史上影響機器學習模型架構和優(yōu)化技術發(fā)展的里程碑工作及其演化發(fā)展路徑，可看出以下幾個基本問題至關重要，需努力加以研究。

1.如何將領域知識引入深度學習？許多經典的學習模型受到機器學習領域之外的領域知識的啟發(fā)，例如：人類視覺皮層極大地啟發(fā)了卷積神經網絡的發(fā)展，生成式對抗網絡（generative adversarial network）與博弈論密切聯(lián)系等。針對水聲觀測，應研究合理表示領域知識并將其注入深度學習，揭示出機器學習與知識進化的相互作用，進而催生網絡學習與邏輯推理的組合深度學習，使兩者相輔相成。

2.為什么要有深層模型，什么時候不必用深度學習？在依靠計算機的強大運算能力促使人工智能飛速發(fā)展的同時，有一種只管大規(guī)?？焖儆嬎悴粏栁锢頇C制的傾向在蔓延。這條路到底能夠走多遠，令人懷疑。現已出現Dropout 算法等多種“大道至簡”的技術，展示出簡化的好處。我們認為，水聲觀測機器學習模型的構建也應遵循“簡單而有效”的奧卡姆剃刀原則。

3.能不能不用反向傳播算法訓練深層模型？深層模型的優(yōu)化嚴重依賴于反向傳播算法，但它存在不能保證收斂到最優(yōu)解、隱藏單元的行為難以分析解釋等問題。重新審視一些旨在學習最佳模型架構的“舊”方法，如Hebbian 算法、泛函連接網（functional link net）等，也許能使之得到新生。

探索海洋信息感知與信息處理的人工智能技術要緊密結合國家海洋發(fā)展戰(zhàn)略，并與更多的實際應用相結合。例如：海洋聲學建模、仿真與數據重構等水聲學的基礎研究；海洋環(huán)境時空分布的現報、預報與歷史數據分析；聲吶信號處理、檢測、定位、跟蹤與識別；底潛面空天一體化海基網絡的智能構建與管理；海洋工業(yè)中的安全與安保、應急救援、航運、漁業(yè)、資源開發(fā)、環(huán)境保護等。針對應用的特點不斷豐富和完善相關理論與方法，在改進性能的同時，使其更具普適性。