它不是一个筐,什么都往里装|快速看懂人工智能

来源: 笔记侠 日期:2021-02-10

2006年到2007年,加拿大学者重新提出了Deep Learning(深度学习)的概念,由此拉开了人工智能10年的高速发展浪潮的序幕。

一、人工智能编年史

在1956年,美国的达特茅斯会议,第一次提出来 “Artificial Intelligence “(人工智能)这个概念,我们普遍认为,1956年是人工智能领域的起点。那么复杂网络始于什么时候呢?1736年的哥尼斯堡七桥问题。

2016年3月,AlphaGo(阿尔法围棋)打败了当时的围棋世界冠军李世石,2017年3月又打败了围棋九段棋手柯洁。从2016年3月开始,大量跟深度学习、数据挖掘、人工智能相关的词汇在我们生活中出现。

人工智能、复杂网络是一种什么样的逻辑框架?深度学习(Deep Learning)、数据挖掘(Data Mining)、监督学习(Supervised Lerarning)、非监督学习(Unsupervised Learning)以及相关关键词在人工智能领域处于一个什么样的位置?今天所讲的复杂网络又在人工智能这个领域里面处于一个什么样的阶段?

它不是一个筐,什么都往里装|快速看懂人工智能

人工智能分为强人工智能和弱人工智能。

强人工智能需要机器具有推理能力、解决问题的能力,还需要机器具有自我意识,但是对于弱人工智能,不强调机器具有自我意志。

人工智能有一系列的相关技术和理论,还包括一个非常重要的部分叫做复杂系统,也叫复杂网络。

1950年,图灵测试(The Turing test),就是我们与机器以问答的方式进行沟通,通过问答来判断机器后面是一个人还是一段程序。

提到Alan Turing,我想大家都看过 “模仿游戏 “,一部记录英国数学家、逻辑学家阿兰图灵的传记电影。大家都知道,计算机科学领域的最高奖,叫做图灵奖,类比电影领域的奥斯卡,以及相应科学领域的诺贝尔奖。

约翰·麦卡锡 (JOHN MCCARTHY)在 1956 年的达特矛斯会议(DARTMOUTH CONFERENCE)上提出的:人工智能就是要让机器的行为看起来就象是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性。另一个定义指人工智能是人造机器所表现出来的智能性。

总体来讲,对人工智能的定义大多可划分为四类,即机器 “像人一样思考 “、 “像人一样行动 “、 “理性地思考 “和 “理性地行动 “。这里 “行动 “应广义地理解为采取行动,或制定行动的 决策,而不是肢体动作。

1972年,第一个人工智能机器人Shakey出现。1980年到1990年这十年间,专家系统(Expert system)得到了长足的发展。大家可以看一下我国人工智能领域的院士,很多都是从专家系统方向开始人工智能领域的研究。

2017年Alpha go战胜了围棋世界冠军柯洁,2007年深度学习概念被提出,而在之前的十年,1997年,也有一个当时震惊世界的科技进步,1997年IBM的深蓝(Deep Blue),战胜了当时的国际象棋世界冠军卡斯帕罗夫(Kasparov)。

二、什么是人工智能?

产业界、学术界和研究机构对于人工智能的定义有比较大的区别,各自从本行业及各自擅长的学术及实践延承各有侧重:

Stanford 大学(斯坦福大学)定义: “人工智能是致力于使机器智能化的活动,而智能就是使实体在其环境中能够适当地、预见性地发挥作用的性质 “;

Accenture(埃森哲)定义: “多种技术可以以不同的方式结合起来感知、理解和或行动 “;

Amazon(亚马逊)定义: “计算机科学领域致力于解决通常与人类智能相关的认知问题,如学习、解决问题和模式识别 “。

我想着重谈一下为什么我这样排列。我们常说 “产学研 “,实际上应该是 “学研产 “,一个理论从学术提出,到研究机构的跟进,最终转化为产业实践,是需要一定周期的。

我们发现在2010年以来,人工智能的概念成为热点,创投界无不以人工智能为热点跟进。现在有句话: “人工智能是个筐,什么都往里装 “。我认为一定要紧密跟随学术研究趋势,把握研究机构转化进程,进而扩大学术成果的产业应用。

未来一定属于真正具有自主知识产权,深入理解人工智能领域核心技术与理论的企业。

上面给大家回顾了人工智能的发展历史,着重强调了几个重要时间节点,以及给出了人工智能领域相关概念的逻辑框架,同时按照 “学研产 “的逻辑列举了不同领域对于人工智能的定义。

 

三、人工智能的三大要素

那么人工智能的关键支撑是什么?我们一般认为,人工智能的三大要素是: “算法、数据和计算能力 “。

人工智能领域算法层面的进步,从1956年开始就没有停止过,相关顶级会议的论文有很大比例都是算法层面的迭代和发展。真正助力第三次人工智能革命浪潮的,主要是海量数据的存储、挖掘、清洗等相关技术和理论的革命性进步。

我们现在生活在一个海量数据的世界之中,数据规模的几何级数级别的扩张,支撑了人工智能特别是机器学习算法中训练数据数量和质量的提升,从而支撑了人工智能的发展。

同时,在计算能力层面,由于GPU图形处理器广泛应用于深度学习程序的处理,使得计算能力产生了跃升,GPU从传统CPU(中央处理器)顺序执行为主转变为并行处理。

综上所述,算法、数据和计算能力,三大要素支撑了人工智能第三波浪潮的发展。

目前,人工智能的主要应用领域有:无人驾驶汽车、舆情监测、智能家居、安防监控、知识管理、社交网络等等。

我们继续 “过去-未来 “这个逻辑,过去,我们经常听到ABC: “Artificial Intelligent “(人工智能), “Big data “(大数据), “Cloud Computing “(云计算)。

我以为,未来的发展还是会ABC: “Artificial Intelligence “,永恒的主题,但是B是脑科学 “Brain Computing “,C是 “Complex network “(复杂网络)。

现在,我们经常听到人工智能危机这个词,仿佛人工智能领域再继续发展,人类被取代就是指日可待的事情,人类会在机器面前成为 “无用阶级 “。真的是这样吗?为了预测未来,我们还是要回顾过去。

18世纪60年代至19世纪40年代发生的工业革命,使得人类的体能被机器取代。在工业革命之前,人类活动以工业农业为主,体能是主要生产要素。

工业革命四要素:蒸汽机、煤炭、钢、铁。机器取代了人类最主要的生产能力:体力,但是我们并没有自此成为无用阶级,人类开始发展第三产业、以及信息化革命和智能革命。

四、人工智能危机

在信息产业经过互联网革命、移动互联网革命之后,进入了人工智能革命的时代。在人工智能革命时代,机器只会成为我们脑力的辅助和支撑,即便到达奇点(机器比人聪明),机器也是严格按照人类意志执行的人造智能,距离具有创新性与创造力的人类智能,还有很大的差距。

真正可能对人类产生威胁的,我认为是到脑科学革命时代。模拟人脑的思考,是奇点来临的基础和前提,类人型机器只会诞生在脑科学革命时代,而不会在人工智能革命时代。

很多人在不同场合提到:未来,已来。我认为,如果未来已经到来,那它就是现在,下一秒,就是过去。真正的未来,依旧未来。

人工智能不是一个新鲜的问题和研究领域,它有着超过半个世纪的研究历程,经历过三起两落。不了解人工智能发展历史和基本理论基础的人,我认为是不合适对人工智能的未来做出判断。

我们都经历过二十年前的1997年左右,以Motorola和Nokia为代表的GSM巨头当道,当时对于移动智能终端的发展,有两大主流流派,第一种是在通信终端上加入电脑模块,第二种是在电脑上加入通信模块。大家一定知道最终的结果是什么样的。

那么,下一步,人工智能和脑科学、生物学和医学的融合,究竟采用哪种模式,还需要时间来检验。

同时,脑机接口和人机接口也是下一步重要的研究方向。大家都知道,芯片是以硅为主要原料,我们人类是由碳水化合物构成的,所以硅基智能和碳基智能的融合,也是下一步的一个有趣的研究方向。

我们提到人工智能,都在提到机器人,其实大家知道,最早是没有整容手术的,手术是为了在战争或者其他事故中,使得人肌体产生功能性残缺之后,而产生的。随着时代的发展,比如隆鼻手术,开始针对功能没有任何问题的正常人类,只是因为美感而应用。

人类的肌体功能,在发育完全后,基本是稳态递减曲线,而机器肌体部件,相应的损耗和老化,要漫长的多,而且可以随时替换。基本可以理解为一条功能上升曲线。所以,在未来,很可能人的一些器官或者肢体是机器,人机器替代了机器人。

那么复杂网络又是一个什么样的概念呢?何为复杂?什么是网络?

我们定义节点数量达到10的12次方规模体量以上,我们可以称为复杂;由节点和边的关系所组成的结构叫做网络。因此当我们讨论在10的12次方以上的规模体量及由节点和边的关系组成结构的时候,我们就在讨论复杂网络。

根据节点和边的关系不同,可以得到不同类型的复杂网络。

以上是人工智能、复杂网络等相关词汇的逻辑概念的简单介绍。

 

五、复杂网络的研究和发展

根据节点和边的关系不同,我们定义了不同类型的复杂网络。那么复杂网络的研究和发展始于什么时候呢?

1736年,在俄罗斯有一个小镇叫做哥尼斯堡,有两条河穿过整个小镇,河上有两个小岛,有七座桥将两个岛与河岸联系起来。那么,一个邮差如何在不走回头路的情况下不重复、不遗漏地一次走完七座桥,最后回到出发点?这就是复杂网络研究的始点问题:哥尼斯堡七桥问题(Konigsberg Seven Bridge Problem)。

1959年 ER 模型提出。1967年Stanley Milgram进行了著名的 “六度分割 “(Six Degree Seperation)实验,提出人与人之间最多六步就可以彼此相连接。

研究表明,在移动互联网时代,这个数字是3.7步。1998年由google的两个联合创始人Larry Page和Sergey Brin的著名论文: “PageRank:Bringing order to the web “奠定了Google检索的理论算法基础,也拉开了未来二十年Google高速发展的序幕。

同年,Jon Kleinberg提出了HITS centrality的概念。2004年Mark Newman发表了影响网络分割未来的著名: “Finding and evaluating community structure in networks “。

根据节点和边的关系不同,我们可以分为虚拟网络:比如熟人网络、合著网络、社交网络;实体网络:www、生物网络、交通网络等等。还有信息网络,包括Citation network(引用网络)、Patent network以及Legal network。

我们认为这三类信息网络,是很好的人工智能发力载体,专利及法律文档,包括论文网络,由于它们的结构清晰,二意性小,存储合理等优势,是人工智能天然的应用场景。君杰资本在专利和论文网络应用人工智能复杂网络技术,分析、挖掘、整理、预测等方向,都有投资布局。

其实,我们创业邦的Bang Camp Network也是一种复杂网络,我们创业邦创新孵化平台公司叫做: “连界 “,是连接的谐音,BangCamp作为创新孵化平台,连接了三个I,Industry、Investor、Innovator,是产业、资本、创业者之间的连接平台。

聚合创资产三方力量,汇聚创资产星星之火,可以形成创新创业的浩瀚星辰。所以,我们Bang Camp的小伙伴应该充分利用Bang Camp和创业邦的连接资源,积聚复杂网络势能,着力未来发展。

我们刚刚介绍了复杂网络的发展历史,复杂网络的定义,同时根据节点和边的关系定义了不同类型的复杂网络,那么,复杂网络有什么样的性质呢?我们可以用复杂网络相关理论技术做什么呢?

首先我们可以利用一系列方法来评价一个节点在网络中的重要程度,比如degree centrality(度中心性)、eigenvector centrality(特征向量中心性)、pagerank centrality等等,我们还可以应用网络切分算法,比如自顶向下的divise method(分区方法)或者自底向上的agglomerative method,可以把网络切分成若干个子网,使得子网中节点连接的紧密程度,大于子网与子网之间节点连接的紧密程度。

我们知道,复杂网络的数量级巨大,我们可以通过网络切分技术,达到降维的目的,使得复杂问题得以简单化分析。同时,我们还拥有一系列网络演化理论,可以根据已有数据建立模型,进而预测未来网络演化规律。

 

今天,我按照 “回顾过去,分析现在,展望未来 “的逻辑思路,为大家简要回顾了人工智能、复杂网络发展的昨天、今天,提出了一些我对于明天的假设。

事实上,以上这些领域,是有可能产生出未来的BAT的,也是君杰资本一直在关注的领域。君杰资本在专利和论文网络应用人工智能复杂网络技术,分析、挖掘、整理、预测等方向,都有投资布局,希望通过我们的共同努力,能更好的推动人工智能这个行业的发展。我们一起连接,构建人工智能领域创新创业的 “复杂网络 “。最后,我想祝福大家,在未来的10年、50年,越来越好!谢谢大家。

    A+
声明:本文转载自其它媒体,转载目的在于传递更多信息,并不代表赞同其观点和对其真实性负责。