浙大吳飛：AI不只有噱頭 還能省電和問診

浙大吳飛：AI不只有噱頭 還能省電和問診,浙大 吳飛 人工智慧

科技傳媒網訊 科技媒體網站網易科技10月28日消息，由網易科技和網易智能主辦的第七季「網易開物沙龍」今日在杭州浙江大學召開，本次沙龍的主題為「AI將引發生活大爆炸？」。會上浙江大學計算機學院副院長，人工智慧研究所所長 吳飛從學者的角度發表了關於人工智慧發展的演講。

吳飛教授提到了人工智慧與生活正產生緊密的聯繫，他提到了四個著名例子：AlphaGo戰勝李世乭並提升谷歌用電效率、IBM的Watson開始就診拯救患者、AI與VR/AR技術的結合創作人機交互、德國通過強化學習推動可再生能源的利用等。

吳飛認為早期OCR的識別，指紋的認證，早期的電子詞典都曾是人工智慧高大上的研究，但當他們都發展成熟後，已進入尋常生活，不再被稱作「人工智慧」。因此，吳飛也憧憬現在令人驚訝的人工智慧技術如AlphaGo也將成為智能應用爆發的基點。

此外，吳飛也提出目前人工智慧領域主要挑戰是要從弱人工智慧向通用人工智慧邁進。目前，這需要我們將研究數據驅動與知識引導的結合與反饋，要把隱性的直覺和顯性的知識結合，要達到一個Learning to lean的能力，人工智慧才是真正的人工智慧。

據了解，吳飛教授所在的浙江大學人工智慧研究所成立於1981年。其中，人工智慧和計算機圖形學為浙江大學計算機學科發展的著力的方向。（五比一）

以下為演講原文：

吳飛：非常感謝韋總副院長的介紹。我今天下午給大家帶來的話題是人工智慧應用與研究的一些思考。

首先因為我是來自浙江大學人工智慧研究所的，浙江大學人工智慧研究所的歷史還是比較漫長的，我們，當時由我們的人工智慧領域的著名專家何志軍老先生創建，我們浙江大學的前校長潘院士以及現校長和我們的陳瓊院士都曾在人工智慧研究所工作過。

人工智慧研究所它的特色的研究方向主要有：人工智慧、CAD創新設計、多媒體、文物數字化保護與傳承，計算機視覺、數字圖書館和知識中心。何老先生在1981年高瞻遠矚，把人工智慧和計算機圖形學作為浙江大學計算機學科發展的著力的方向，從而使浙大目前在人工智慧和圖形學仍然保持比較領先的態勢，是由於何老先生的高瞻遠矚。

以浙江大學人工智慧研究所為契機，浙大其它的一些學科和其它的一些研究所就慢慢的培育起來了。因此浙江大學人工智慧的研究所的確是孕育了浙江大學計算機科學基本學科的一些未來的方向和發展。學術界有個很著名的排名叫做基本科研業務的排名，據ESI在2016年9月份的排名，浙江大學計算機科學學科在全球排第61位，已經進入了前百的比例，在中國排名第二，清華大學排名第一。

早期的人工智慧，所裡面主要是以專家系統和智能CAD為主，比如說潘老師研製的人工智慧與計算機美術，何老先生專家系統和智能CAD，還有支持多E推進的系統，人工智慧研究所的早期研究還是以多媒體技術和專家系統為主導的。

目前，潘老師是我們人工智慧研究所的第二任何所長，庄老師是我們的第三任所長。目前我們有院士一人，還有一些人才團隊的，就是研究所裡面的學科力量還是比較強的。

各位來賓聽說過，人工智慧是1956年出現的，當時有這幾點陣圖靈獎的獲得者，後來獲得了圖靈獎和IBM的一些人，他們在1955年給美國一個研究會寫的他們的題目叫做研究計劃，關於人工智慧的研究計劃，1955年8月31號提交的計劃裡面首次出現了人工智慧這個單詞，這個單詞是1955年創建的。這個計劃裡面專家就說申請兩個月和十幾個人的一批經費做如下的七件事情：第一個叫自動計算機；第二個計算機如何用自然語言編程和神經網路，計算的複雜性，還有計算的自我提升和直覺計算還有隨機與超能力，他們認為在1955年他們認為這七個方向可以被稱為AI裡面的重點研究方向。我們回頭看這七個未來的方向，我們仍然感覺這七個方向仍然是我們目前人工智慧裡面熱點的研究。無論怎麼樣，1955年這份報告就暗示人工智慧從此跟上了所謂的學科的前沿，或者真正的被創建出來了這一個學科。

走過了60年代之後，人工智慧怎麼和我們的生活緊密的聯繫起來？我這幾天想了幾個例子，第一個剛才楊總講的三月份AlphaGO和李世石，AlphaGO取得勝利，勝利之後他們非常關心AlphaGO除了會下圍棋，谷歌公司以四點幾英鎊，將近5億美元買過來的，谷歌公司除了對人類的發展做出貢獻，但是作為公司還是會盈利的。AlphaGO目前已經開始為谷歌公司賺錢了，怎麼賺錢呢？D公司的機器學習演算法用於控制中心，控制計算中心的120個變數，幫谷歌公司把數據中心的電力使用效率提升了11%，這一個效率的提升使得谷歌數據中心的用電會急劇下降，為公司實現了盈利。這張圖是2010年全球數據中心總的電力消耗量，這是全球的用電量，數據中心，各個IT公司的數據中心的耗電量約佔全球耗電量的1.3%，谷歌公司占這個1.3%裡面的1/，谷歌公司的這種後台的伺服器耗電量大概是全球用電量的萬分之一。我國2015年耗電量相當於三峽水電站一年的發電量，對於數據中心耗電量的急劇的降低也是一個非常有學問的研究，也是非常具有經濟的意義的。

第二個例子是Watson開始就診了，我們知道Watson是21世紀之初IBM打造的一個問答系統，我們後來命名為Watson，它在2016年8月份的時候，在日本東京有個病人的疾病，醫生在診治的時候出現了偏差，病人一直未能得到康復。IBM把大概有兩千多萬篇的文章輸給了Watson，Watson根據病人的癥狀很快做出病因的判斷，給出一些治療的手段，這個病人很快就開始康復了。這個例子說明什麼呢？就是大數據驅動並且以數據的深度計算為核心的人工智慧開始能夠進行這些智能醫療，智慧醫療方面的治療。我們必須承認IBM Watson能夠進行這個就診還是依賴於後台的專業，專業性質比較強的大數據再加上比較好的交互技術使得這方面能夠就診。

第三個例子是創新設計，在開場的時候我看嘉賓好像用的習近平總書記在杭州的講話，人工智慧VR和AR的發展，正好是我們習總書記G20峰會上談到的科技術語的兩條，人工智慧，VR和AR，第三個例子就是人工智慧和VR、AR的結合，今年8月份，哈佛大學MIT的研究者通過虛擬現實和機器學習，從160萬份有機分子中選擇出來一些良好的分子用於製造有機發光的二極體。它有一個可視化的界面，把這160萬的有機分子呈現出來，通過眾包的形式分解哪個對發光有用，通過虛擬現實的技術和人的一些才華聰明結合進行分子的選擇。我們也知道Autodesk公司也是結合虛擬現實進行汽車的設計。用人工智慧技術把人的隱性的知識和現實生活中能夠拿到的大數據通過人機交互的界面結合進行更好的創作。

第四個例子我們認為是要做可再生能源的業務，就是在德國，風力和太陽能等可再生能源為德國提供了1/3的電力。德國科學家通過利用氣象、雷達和衛星的數據，通過強化學習機制來推動可再生能源的利用。穩定的電量傳輸到傳統的電力系統，當它源源不斷產生的電量如何平穩的輸入傳統的電力系統機器學習演算法會知道比如晚上8點鐘是這個城市用電的高峰，需要大量的可再生能源的電力的注入，這時候機器學習會在這一個晚上8點鐘會注入更多的可再生能源產生的電力。比如上午11點鐘大家上班，小區的用電量是降低的，這時候用電量注入的水平應該明顯的下降，通過自適應把可再生能源的電力注入傳統平台這是第四個例子。

綜觀這些例子我們也感覺到人工智慧的發展，它有一個比較明顯的一個叫做人工智慧的效率，這個效率說明什麼問題呢？就是說人工智慧一旦在某些領域成熟不再稱為人工智慧，而是一種計算機的應用。比如現在支持手寫體的手機，很難想像是一個高大上的名字人工智慧，手機手寫體的識別也是花了很大的時間和精力科學家們才用了很多人工智慧的演算法才識別出來的。OCR的識別，指紋的認證，早期的電子詞典都是人工智慧高大上的研究，這些研究已經走進了我們尋常生活，我們一般不稱為人工智慧。以後有一台小AlphaGO能跟你下圍棋的時候你也不會想到2016年原來這是人工智慧爆發的一個基點，引發大量的人工智慧的討論，因為它已經走入尋常的百姓人家了，這是一個很有趣的現象。

我們對人工智慧的思考是怎樣的呢？我們知道現在我們有一種就是機器的力量，還有一種就是人類自己有的力量，我們想未來的趨勢一定是對於一個機力借用人力，它的蠻力計算與直覺推理的協同，機器依靠大數據、高效的計算架構驅動，但是這個過程缺少了直覺的推理，直覺推理是人作為智慧生物體特有的能力。愛因斯坦也說過人最可貴的、最有價值的東西就是我們的直覺，這種直覺和我們的傳統上的形式化的推理不同，它是一種跳躍、斷裂、爆髮式的推理，它不是一種連續的推理。如果是一種連續的推理的話，計算機可以解決，但很多時候它有這種跳躍和斷裂的節點只有人能夠產生。我們靈機一動，頭腦裡面突然閃過的智慧的火花，這就是一種斷裂式的思維。

怎麼去結合呢？我們看一下，其實AlphaGO已經開始結合起來了，AlphaGO和其它的競技的比賽過程它有一種直覺感知的能力，傳統的下圍棋，下象棋都是一條一條的規則，如果怎麼樣，那麼怎麼樣，就把一條一條規則走進去，AlphaGO，輸給AlphaGO的是一個棋盤，沒有任何的規則，就把這個棋盤作為一個圖象輸給了AlphaGO，只不過輸給了150萬副人類棋種和AlphaGO產生的4億多個機器產生的棋譜，AlphaGO說我給你的就是一張圖片，你自己圖片判斷是順勢還是逆勢，由你自己判斷。AlphaGO這裡面有一個深度學習的蒙特卡洛的索索，這裡AlphaGO已經把一種蠻力的計算和直接感知的推理有效的結合，實現了視覺感知的任務的完成。但是AlphaGO也是有一點缺陷的，比方說這裡是五個棋局，每個棋局的左邊都給出了AlphaGO在下每副棋的時候它預感這一盤棋要勝還是負的概率，它只在第四盤輸了，第四盤大概在78步的左右還是認為自己會贏，繼續往上一路高歌猛進到第87步突然下降了，它認為它敗下來了，而且是一種斷崖式的失敗，相當於他承認無法扭轉，自暴自棄，亂起來了。他面臨危機的時候會自暴自棄，人是屢戰屢敗，屢敗屢戰，這個還是期待我們慢慢探討的。

我們花幾分鐘時間總結：我們認為現在的人工智慧面臨怎樣的挑戰呢？

主要挑戰還是如何從弱人工智慧向通用人工智慧邁進，所謂的弱人工智慧就是指領域相關的人工智慧，下個圍棋能下過你，象棋能下過你，看病能看過你，那麼我們請問下圍棋的AlphaGO能不能去做一些基本的食譜，做一些更加寬廣的人工智慧的活動。現在的人工智慧只要有這種競賽規則存在，肯定能戰勝人類，但是如果是一種通用性的人工智慧，人會比它衡量厲害。不論怎麼說現在也出現了一些趨勢，我們希望人工智慧從任務式、刺激式的學習，比如圍棋幾億副的棋譜，目標只有一個，戰勝對手，在大數據蠻力的刺激之下機器會越來越聰明，但很時候我們學習是探索式的，沒有目標的，給你一冊書，你怎麼總結，我們沒有任何目標，靠著探索式和自主式的學習是需要我們去研究的。

Deepmind在今年10月份發表一篇文章叫可微分神經計算機，有些專家認為它是深度的神經模型已經出來了，方法就是把人工智慧技術和記憶模型，特別在外界引入的記憶體加強它的推理。

最後我們覺得現在是不斷出現的數據和知識，不斷演化的直覺和先驗，需要研究數據驅動與知識引導的結合與反饋，要把隱性的直覺和顯性的知識結合，要達到一個Learning to lean的能力，人工智慧才是真正的人工智慧，謝謝大家。

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！