深蘭科技方林博士：結伴學習讓機器懂審美

隨著「人工智慧」作為重要發展導向被國家正式列入《「十三五」國家戰略性新興產業發展規劃》、《「十三五」國家科技創新規劃》，習近平總書記提出推進新一代人工智慧健康發展的重要政策指導，人工智慧行業在國內迎來集中研究興盛期。而在這一大時代下，今天我們有幸請到了AI獨角獸企業深蘭科技集團深度學習科學家方林博士，為我們揭秘人工智慧領域的領先科技及研究成果，解讀行業趨勢和發展方向。

深蘭科技集團深度學習科學家 方林博士

記者：您進入AI領域有多久了？

方林：我從1990年開始學習人工智慧，1992年開發了人生第一個人工智慧程序——五子棋人機對弈。自博士畢業後，已經致力於人工智慧的研究長達20年。

記者：您為什麼會投身AI領域呢？

方林：在眾多的計算機理論中，人工智慧是我最感興趣的理論之一。她是研究如何讓計算機具備人類智能的學科，由數學家和計算機科學家們提出的眾多理論和演算法組成。比如A＊演算法、Alpha－Beta剪裁、梯度下降法和反向傳播演算法等等。研究她們並付諸於實踐，就能夠幫助我們編寫出神奇的程序，從而控制計算機做出不可思議的事情。比如與人類棋手對弈並戰勝人類。這多麼有趣啊！

所以，從事AI理論研究和實踐能夠給我帶來無窮的樂趣。我常常覺得那些演算法和數學公式代表的也許是一種他人無法理解的美，而我樂在其中。

記者：您一直從事哪些方面的研究？

方林：我研究的方向包括搜索演算法、博弈演算法、機器學習、深度學習、遺傳和進化演算法等。

記者：眾所周知，人工智慧已經成為業界乃至全社會重點關注的行業，大家都知道人工智慧是最新前沿科技，但是對人工智慧本身並不了解。您可以通俗易懂地給大家介紹一下什麼是人工智慧嗎？

方林：簡單地說，人工智慧就是讓計算機或者機器具備像人類一樣的智能，完成以前只有人類，尤其是人類智能才能完成的任務。比如駕駛車輛、與人對弈、識別人臉等等。

記者：目前，您主要負責哪個方向的研究？

方林：目前，我在深蘭科技進行一項稱作「結伴學習」的研究。原理是將樣本成對地輸入到模型中進行訓練。學習過程中，兩個樣本之間互相促進、互相提高。

記者：能否結合實例解讀結伴學習研究？研究能夠產生什麼實際作用？

方林：近期，我們團隊正在研發一個人工智慧時裝設計系統。在這個系統中，結伴學習能夠準確地抓取時裝的特徵。基於這些特徵生成的時裝走秀圖的質量要比目前流行的GAN（生成式對抗模型）要高得多。並且模型的參數少，結構簡潔，訓練速度快。比如結伴學習1個小時訓練的結果比GAN1天的訓練效果還要好。

記者：那麼結伴學習能使哪些科學研究受益呢？

方林：結伴學習是一種通用的學習方法，在圖形圖像處理、自然語言處理、語音處理和視頻處理中都可以發揮作用。

傳統深度學習模型中，樣本之間是沒有聯繫的。模型只會對一個個的孤立樣本進行處理。結伴學習則不同， 她處理的是一對一對的樣本。模型在訓練時，不但從樣本中學習知識，還從樣本的差異中學習知識。這大大提高了學習效率，提高了學習精度。這就像兩個中學生在學習時互相幫助、互相促進，共同提高。

結伴學習的另一個特點是對樣本的複製。我們知道，自然界中遺傳和進化的基礎是子代對父代的複製。結伴學習通過對樣本的編碼和解碼實現對樣本的複製，並在這個過程中獲得樣本的語義信息。自然界中，遺傳和進化的基礎是基因；結伴學習中，編碼和解碼的基礎就是語義。所以結伴學習可能可以在遺傳和進化演算法研究中發揮重要作用。

記者：在您眼中，您認為人工智慧目前的發展現狀和未來發展趨勢如何？

方林：人工智慧的前景十分廣闊，是最有希望賦能幾乎所有行業的技術之一，將在生產、生活和科學研究的各個方面發揮積極的作用。

目前，我國在人工智慧理論研究方面的水平相較國外最先進水平還有一定的差距。比如人工智慧基礎框架幾乎都是國外科研人員開發的。但我們正在積極趕上，步步緊隨。許多新理論、新方法、新演算法都是中國科學家首先提出的。深蘭科學院提出的結伴學習就是這方面的一個例子。

相對於理論研究，我國人工智慧應用已經走在了世界前列。比如我國在移動支付、智能物流、電子商務、共享單車、高鐵等等領域內的人工智慧應用已經把美歐日甩在了後面。我認為，這是繼以蒸汽機為代表的第一次工業革命、以電氣化為代表的第二次工業革命和以信息化為代表的第三次工業革命後，中國首次在以人工智慧為代表的第四次工業革命中領跑。其意義遠大於前三次工業革命之和。

記者：這個領域有哪些尚未攻克的難點，是否有希望解決？

方林：目前，對於遺傳和進化演算法的理論研究還沒有取得實質性的突破，對進化學習和強化學習的研究仍處於摸索階段。在對抗學習的研究方面還存在諸多難點。

不過，越是逼近困難，越容易出現突破。1986年台灣應昌期出資120萬美元用來獎勵2000年之前戰勝人類專業棋手的圍棋程序。當時有人認為這樣的圍棋程序在50年內都無法實現。但僅僅30年後，Alpha Go 就解決了這個問題。

關於遺傳演算法，目前我們需要研究和攻克的關鍵點是如何實現模型的自我進化。當前，我們的科學家們還只能人工優化模型，耗時耗力，模型的結構也不會自動發生變化。神經元之間的一些奇特的連接方式可能永遠也不會被人腦發現，除非讓電腦來思考這個問題。就像人類棋手戰勝不了Alpha Go Zero的一個重要原因就是後者常會走出一些人類看不懂的棋。

將來，如果我們能夠在進化演算法方面取得突破性的進展，這將帶動人工智慧的發展進入一個新階段。這是全世界，包括深蘭科技在內的科研團隊正在共同努力的方向。我們對於將來攻克上述難點持謹慎樂觀的態度。

記者：您對人工智慧未來的研究有哪些展望？

方林：未來的人工智慧研究主要有兩個方向：第一是人工智慧應用。即如何更廣泛更高效地把人工智慧應用到某個具體場景中。

第二是人工智慧理論研究的突破。這主要是指對抗學習、遺傳演算法、進化學習和強化學習理論的突破。目前的人工智慧還只能解決一些功能性問題。比如Alpha Go，只能下圍棋。在不更改模型結構的情況下她不能學習和實現其他功能。另外，目前的人工智慧還不能真正做到一邊學習一邊使用。我們通常只能在訓練完成後才能使用模型。

記者：在尚未涉足的領域中，AI未來還有哪些內容值得深耕？

方林：有兩個方面。一是機器定理證明，第二是邏輯推理。目前的深度學習仍是黑盒推理。我們可以通過深度學習的模型獲得推理結果，但仍無法了解或者判斷出得出這個結果的過程是怎樣的。我們希望未來能夠把黑盒推理轉變為白盒推理，從而讓我們能夠清楚了解推理的過程。

當下，科學家們發現在深度學習模型當中，每個神經元激活情況跟人腦中真正的神經元的表現高度一致，這是目前人工智慧科學家發現的最好的結果。但這隻能說明深度學習的方向是對的，但仍無法解釋推理的過程。

至於機器定理證明，儘管很少有人提及，她其實是人工智慧皇冠上的明珠。涉及自然語言理解、知識圖譜、知識語義、邏輯推理和歸納推理。其中的邏輯推理恰恰不是現在的深度學習技術所擅長的。如果機器定理證明能夠取得突破，人工智慧就具備了自學人類記載在書籍中所有知識的能力。

記者：作為AI領域的深度研究者，您最希望人工智慧能夠幫助您解決什麼樣的問題？

方林：因為平日工作繁忙，疏於對家人照顧，而太太在家中操持家務非常辛苦，所以就我個人而言，我迫切希望能夠發明出一個家務機器人，買菜燒飯、洗衣疊被，什麼家務活都能幹，還能輔導我女兒學習。

除此之外，當前的智能家居是功能型的。比如智能檯燈就只有檯燈的功能，最多我們能通過手機App遠程控制它，還算不上是家務機器人。我所說的家務機器人是全智能家務機器人，可以做各種家務活，能夠學習，可以交流，能夠自動適應不同家庭的實際需要。

記者：目前，隱私安全也是公眾比較關注的，AI技術能否藉助當下研究，幫助人們解決這些方面的問題？

方林：當然可以。目前深蘭科技主導提出的人體生物識別技術，是國內行業領域比較領先甚至是獨有的生物感應技術，通過活體識別取代信息數據加密技術，更好地保護公眾信息安全和隱私，實現欺詐預警。具備了很好的實用價值。

記者：AI除了助力「理性」業務外，它是否在「感性層面」的創新創造上，起到一些更好的作用？

方林：目前的人工智慧技術可以讓計算機創作出不遜於人類藝術家的藝術作品。比如音樂、繪畫、攝影等等。深蘭科學院的人工智慧時裝設計系統還能夠進行時裝設計。

再比如Alpha Go，不僅擊敗了人類圍棋高手，它對圍棋的認識也遠遠超越了人類。人類圍棋高手目前考慮的不是如何擊敗Alpha Go，而是如何從她的棋譜中獲得啟發。

所以人工智慧成為人腦很好的幫手，補充人類思維和認知緯度的不足。

新興行業衍生新職業 人工智慧也一樣

記者：您認為人工智慧行業或者說企業最迫切需要什麼樣的研究人員呢？

方林：我認為是數學和計算機理論相結合的專業人員。有人認為，軟體開發（包括人工智慧研究）就是編程序，編程只需要懂得計算機語言的語法就行了。我認為，計算機理論和數學的每一門學科都代表了一個認知緯度。就像劉慈欣在《三體》中所說的那樣，二維世界的人根本就無法理解和抗衡三維世界的人；三維世界的人根本就無法理解和抗衡四維世界的人。認知緯度的重要性於此可見一斑。

我從來不認為微積分只有在使用微積分時才發揮作用。數學帶給我們的，是我們對世界看法的根本性改變。沒有這種改變，人類無法從事人工智慧科研，也不可能取得有意義的成果。

同樣的，計算機理論也很重要。為此，我建議大家重視對《數據結構》、《操作系統》、《編譯原理》等計算機理論課程的學習。書到用時方恨少，這些理論絕不僅僅只是在各自領域內發揮作用。

記者：最後跟大家分享下您的研究心得？

方林：第一，科學研究沒有捷徑，只能一步一個腳印潛心探索，無法一蹴而就。大家要坐得住，耐得住寂寞，耐得住無人理睬；第二，要重視計算機基礎理論和數學的作用。工欲善其事，必先利其器，用高中數學是不可能解決哥德巴赫猜想的；第三，要學會與其他科研人員交流，學會站在巨人的肩膀上。我們呼籲更多研究愛好者投身於這個行業，共同用人工智慧創造未來新世界。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！