人工智能未来发展趋势分析

1、人工智能将来进展趋势分析前言：假如依据聪慧和笨、勤奋和懒散来划分，世人大致可分为四类：聪慧且勤奋、笨但勤奋、聪慧却懒散、笨且懒散。一般而言，前两种人成功的几率会比较大。因此，人聪慧往往是指一个人机灵机敏，学习中具有举一反三、触类旁通的力量。这样的人不费多少力气就能把握某种学问和技能，而且擅长解决简单问题，尤其是以前没有处理过的问题。而勤奋则是指认认真真努力干好每一件事情，不怕吃永不言弃的精神。60 多年的进展，人工智能Intelligence, AI）就是父母口中所说的那个别人家的孩子，看上去毫不费劲AI 话、精力充分、几近完善的“笨小孩”。比如，战胜围棋九 AlphaGo 100 万盘棋谱，

2、它正是通过学习这些数据才总结出柯洁和李世石下棋的策略，进 而提前做出布局。而柯洁和李世石两个人加起来终其一生也 100AlphaGoAlphaGo Zero右互搏自学成才。AlphaGo Zero不断探究和累积阅历，现在AlphaGoAlphaGo AlphaGo Zero补拙”，就像是我们自己家的那个懂事勤奋又刻苦的孩子， 的确取得了很大成功，但是着实相当不易，格外辛苦！我们 由衷地为孩子兴奋，却又总觉得苦了孩子，总期望他们能多 AI 更多地赢在“智能”而不是“人工”上。AI 大致可以总结为以下六个方面的进展趋势。假如在这些方面AI 一、绿色低碳更灵活的人工智能2023 10 24 全面贯彻

3、新进展理念做好碳达峰碳中和工作的意见提出大AI 赋能产业提出了新要求绿色化助力碳中和。清华高校智能产业争辩院院长张亚勤提出AI+IoT 绿色低碳应用场景，一是清洁能源和传统能源的融合技术可以监测碳排放，智能调度；二是信息和通5G 比如在绿色城市、绿色交通等领域，AIoT 也大有可为。其实，将来 AI自身的进展也应当沿着绿色低碳方向进行。当下的AI正在“野蛮生长”，其算法、数据和算力这三基石也在进行规模扩张式进展。深度神经网络的模型规模越来越大，参数越来越多，因此所需要训练样本的规模越来越大，训练网络所需的算力必需越来越强，对资源的消耗必定越来越高。这样的进展明显是与绿色低碳背道而驰。以Open

4、AI 提出的自然语言处理领域的GPT 模型为例其强大的功能是建立在超大的训练语料、超多的模型参数，以及超强的计算资源之上GPT模型的参数量为1.17 亿，预训练数据量 的参数量为15 亿预训练数据量的参数量为1750 亿，预训练数据量45GB。据说，GPT-4 的参数量将达到100 万亿，比GPT-3 还要大500 倍。同时，针对监督学习来说，数据量的增长需要很多人力进行样本标 注，从而产生了一批又一批被AI“累死”的人。为此，有人提出了“莫非有多少人工，才有多少智能？”这样的灵魂拷问。反观人类的才智体现在“否定”“遗忘”“有所为有所不为”等哲学上。这样的才智是在做减法，通过主动“选择”走上了

5、一条绿色极简的进展道路。为了实现绿色低碳智能系统，我AI 的进展方向应当是做“减法”而不是做“加法”。一方面构建更为灵活的网络模型，通过轻量化的模型降低对数据量和算力的需求；另一方面，构建更为高效广泛的共享AI 提高预训练模型的效益，从而从宏观上实现绿色低碳的总体效果。总之，“创新、协调、绿色、开放、共享”五大进展理AI 的进展指明白方向，提出了根本遵循。二、学问数据双驱动的人工智能人工智能的进展历程经常被划分为两代，即学问驱动的AI 和数据驱动的AI。第一代AI 主要基于学问库和推理机来模拟人类的推理和思考行为其代表性成果就是IBM 公司的DeepBlue 和Deeper于1997 年5 月

6、战胜了当时的国际象棋冠军卡斯帕罗夫。学问驱动的AI具有很好的可解释性而且学问作为一种数据和信息高度凝练的体现,也往往意味着更高的算法执行效率。但是，其缺点在于完全依靠专家学问。一方面，将学问变成机器可理解可执行的算法格外费时费劲；另一方面，还有大量的学问或阅历难以表达建模。因此，学问驱动的AI 的应用范围格外有限。AI 听觉、触觉等。其代表性成果就是深度神经网络，通过收集大量的训练数据并进行标注，然后训练设计好的深度网络。AI AI 具有通用性强、端到端的“黑箱”或傻瓜特性。但是，也正是由于其“黑箱”特AI AIAI AI 技术进行抽取、表达后协同大量数据进行计算，进而产生更为精准的模型，并再

7、次赋能给机器和人。目前，学问计算在若干垂直行业获得初步成功。为此，华为云把明确定义的应用场景、充分的算力、可 AIAI AI AI 却AI将是一项极具挑战性的课题。三、人机物融合的混合人工智能2023 5 技快速进展，大大拓展了时间、空间和人们认知范围，人类正在进入一个人机物三元融合的万物智能互联时代”。为此我们的争辩对象将由过去的物理 -信息系统向物- 信息-人类社会更简单的系统扩展人类所面临的很多问题具有不确定性、脆弱性和开放性，同时人类也是智能机器的服务对象和最终“价值推断”的仲裁者，因此，人类智能与机器智能的协同将是贯穿始终的。这就需要将人的作用或认知模型引入到 AI中，从而形成“人机

8、混合智能”或“混合增加智能”。人机混合增加智能有两种形态，一种是人在回路中（Human-in-the-loop）的混合增加智能；一种是人在回路上（Human-on-the-loop）的混合增加智能，或者说基于认知计 算的混合增加智能。前者将人作为一个计算节点或者决策节AI AI。其实“人机混合”这一概念并不生疏，人与动物一个最重要的区分就是人会制造和使用工具， 而人使用工具的过程就是“人机混合”的过程。机械化时代， 人机混合延长和增加人的体力；信息化时代，人机混合延长和增加人的感知力；在今日的智能化时代，人机混合增加人类的智力，将是人脑主导的“感知力增加”和“智力增加”。比如，可穿戴设备，智能

9、手表、智能眼镜、智能服装等，都挂念我们构建以人为中心的智能系统。人机混合增加智能系统的技术瓶颈在于人机的自然交互或接口技术，这将是将来 AI争辩的难点和关键核心问题。当前，人机混合智能已经有了很多尝试。比如，可穿戴搬运机器人在马达驱动下支撑人的上半身，减轻搬运重物时腰部负担；一些科学家还尝试将电极植入人脑中，让人脑可以随时直接从计算机中下载或上传数据，大幅提升人类的认知力量。将来人机混合增加智能期望能够建立以人为中心的智能形态，保证它“可用、好用”，而且“可控”。此外，当前AI AI“立心AI 更好的为人类“立功”。四、可信牢靠可解释的人工智能机器学习尤其是深度学习的进展使得人工智能模型越 A

10、IAI 应当是“可信任的”，包含安全、隐私和透亮、可解释等。2016 Ali Rahimi NIPS 大会上表示，当前有一种把机器学习当成炼金术来使用的错误趋势。同年， 美国国防高级争辩方案局制定了“DARPA Explainable AI (XAI) Program”AI 模型。关于“可解释性”2017 ICML 会可解释性是一种以人类理解的语言( 术语 ) 给人类供应解释的力量（ Interpretability as the ability to explain or to present in understandable terms to a human）。人有显性学问和隐性学问，隐

11、性学问就是阅历直到一起。可解释性要求对AI系统的技术过程和相关的决策过程能够给出合理解释技术可解释性要求AI 做出的决策是可以被人们所理解和追溯在AI 系统会对人类的生命造成重大影响时就需要AI 系统的决策过程有一个合理的解释提前的预判与合法的把握因此可解释性AI 有三大需求第一是使深度神经网组件变得透亮；其次是从深度神经网里面学习到语义图第三是生成人能理解的解释AI系统不肯定有意识但可以有目的。机器学习的真正难点在于保证机器的目的与人的价值观全都。AI面临的重要挑战不是机器能做多少事，而是知道机器做的对不对。五、非深度神经网络的人工智能AI 的成功在很大程度上是大数据和深度学习的成功AI 了

12、保持“物种的多样性”系统。三个关键因素。但是，这三个因素并没有“要求”能做深度学习。为此，他们提出了“深度森林”BP 算法，甚至不依靠于梯度计算。“深度森林”具有训练简洁、效率高等优点，小规模训练AI 系统的一种尝试。络格外强大，但大多数网络都被极度耗时的训练过程所困扰对于“深度”结构来说，“宽度”结构由于没有层与层之间的耦合而格外简洁。同样，由于没有多层连接，宽度网络亦不需 要利用梯度下降来更新权值，所以计算速度大大优于深度学 习。在网络精度达不到要求时，可以通过增加网络的“宽度来提升精度，而增加宽度所增加的计算量与深度网络增加层 数相比，可以说是微乎其微。当然，也有学者认为，现有的 宽度学习仅适用于数据特征不多，但对猜测实时性要求较高 的场景。AIAIAI 生态环境的重要保障。六、开放