這篇文章的內(nèi)容取自我編輯的電子期刊《人工智能大勢》第20期，2020年4月7日發(fā)表。由于這部分內(nèi)容特別長，且有些意猶未盡，故將其提取出來，作一些補充，獨立成一篇文章。

　　最近有一篇文章比較有意思，標(biāo)題為《劉鐵巖談機器學(xué)習(xí)：隨波逐流的太多，我們需要反思》，劉鐵巖是微軟亞洲研究院副院長、博士，文章是他最近一次在線公開課的演講內(nèi)容。

　　這篇文章非常長，前面主要介紹微軟亞洲研究院在人工智能上的一些研究成果，如對偶學(xué)習(xí)解決機器學(xué)習(xí)對大量有標(biāo)簽數(shù)據(jù)的依賴、解決機器學(xué)習(xí)對大計算量的依賴、深度學(xué)習(xí)理論探索、元學(xué)習(xí)的限制等，這些都是非常專業(yè)的內(nèi)容，不太適合一般人看。

　　不過，在該文章的最后部分對機器學(xué)習(xí)進行了“展望未來”，該部分內(nèi)容對目前人工智能的研究做了很有意義的反思，并帶領(lǐng)讀者開闊腦洞，去展望人工智能和機器學(xué)習(xí)發(fā)展的更多可能性。對于關(guān)注人工智能的讀者，有必要了解下。

　　首先我們摘要文章這部分的一些主要內(nèi)容，看看微軟亞洲研究院是如何展望機器學(xué)習(xí)未來的（文中常說機器學(xué)習(xí)，其實主要是指深度學(xué)習(xí)）：

　　現(xiàn)在機器學(xué)習(xí)領(lǐng)域的會議越來越膨脹，有一點點不理智。每一年那么多論文，甚至都不知道該讀哪些。人們在寫論文、做研究的時候，有時也不知道重點該放在哪里。比如，如果整個學(xué)術(shù)界都在做 learning2learn，是不是我應(yīng)該做一篇 learning2learn 的論文？大家都在用自動化的方式做 neural architecture search，我是不是也要做一篇呢？隨波逐流、人云亦云的心態(tài)非常多。

　　我們其實應(yīng)該反思：現(xiàn)在大家關(guān)注的熱點是不是涵蓋了所有值得研究的問題？有哪些重要的方向其實是被忽略的？

　　量子計算

　　量子和機器學(xué)習(xí)理論相互碰撞時，會發(fā)生一些非常有趣的現(xiàn)象。我們知道，量子有不確定性，這種不確定性有的時候不見得是件壞事，因為在機器學(xué)習(xí)領(lǐng)域，我們通常希望有不確定性，甚至有時我們還會故意在數(shù)據(jù)里加噪聲，在模型訓(xùn)練的過程中加噪聲，以期獲得更好的泛化性能。

　　從這個意義上講，量子計算的不確定性是不是反而可以幫助機器學(xué)習(xí)獲得更好的泛化性能？如果我們把量子計算的不確定性和機器學(xué)習(xí)的泛化放在一起，形成一個統(tǒng)一的理論框架，是不是可以告訴我們它的 Trade-off 在哪里？（編者注：Trade-off，平衡點）是不是我們對量子態(tài)的探測就不需要那么狠？因為探測得越狠可能越容易 overfit（編者注：overfit，過擬合）。

　　以簡治繁

　　深度學(xué)習(xí)是一個以繁治繁的過程，為了去處理非常復(fù)雜的訓(xùn)練數(shù)據(jù)，它使用了一個幾乎更復(fù)雜的模型。但這樣做真的值得嗎？跟我們過去幾十年甚至上百年做基礎(chǔ)科學(xué)的思路是不是一致的？

　　在物理、化學(xué)、生物這些領(lǐng)域，人們追求的是世界簡單而美的規(guī)律。不管是量子物理，還是化學(xué)鍵，甚至經(jīng)濟學(xué)、遺傳學(xué)，很多復(fù)雜的現(xiàn)象背后其實都是一個二階偏微分方程……看起來很復(fù)雜的世界，其實背后的數(shù)學(xué)模型都是簡單而美的。這些以簡治繁的思路，跟深度學(xué)習(xí)是大相徑庭的。

　　以前的這種以簡治繁的思路，從來都不認為數(shù)據(jù)是上帝，他們認為背后的規(guī)律是上帝，數(shù)據(jù)只是一個表象。

　　我們要學(xué)的是生成數(shù)據(jù)的規(guī)律，而不是數(shù)據(jù)本身，這個方向其實非常值得大家去思考。……而不是簡單地使用一個非線性的模型去做數(shù)據(jù)擬合。

　　我們?nèi)祟惖降资侨绾螌W(xué)習(xí)的。到今天為止，深度學(xué)習(xí)在很多領(lǐng)域的成功，其實都是做模式識別。模式識別聽起來很神奇，其實是很簡單的一件事情。幾乎所有的動物都會模式識別。人之所以有高的智能，并不是因為我們會做模式識別，而是因為我們有知識，有常識?；谶@個理念，Yann LeCun 一個新的研究方向叫 Predictive Learning（預(yù)測學(xué)習(xí)）。它的思想是什么？就是即便我們沒有看到事物的全貌，因為我們有常識，有知識，我們?nèi)匀豢梢宰鲆欢ǔ潭鹊念A(yù)測，并且基于這個預(yù)測去做決策。這件事情已經(jīng)比傳統(tǒng)的模式識別高明很多，它會涉及到人利用知識和常識去做預(yù)測的問題。

　　但是，反過來想一想，我們的世界真的是可以預(yù)測的嗎？可能一些平凡的規(guī)律是可以預(yù)測的，但是我們每個人都可以體會到，我們的生活、我們的生命、我們的世界大部分都是不可預(yù)測的。

　　我們猜測人類其實在做一件事情，叫 Improvisation，什么意思？就是我們每個人其實是為了生存在跟這個世界抗?fàn)?。我們每天從世界里面學(xué)習(xí)的東西，都是為了應(yīng)付將來未知的異常。當(dāng)一件不幸的事情發(fā)生的時候，我們?nèi)绾尾拍苌嫦聛?？其實是因為我們對這個世界有足夠的了解，于是會利用已有的知識，即興制定出一個方案，讓我們規(guī)避風(fēng)險，走過這個坎。

　　從這個意義上講，這個過程其實跟 Predictive Learning不一樣，跟強化學(xué)習(xí)也不一樣，因為它沒有既定的學(xué)習(xí)規(guī)律和學(xué)習(xí)目標(biāo)，并且它是跟環(huán)境做交互，希望能夠處理未來的未知環(huán)境。這其實就跟我們每個人積累一身本事一樣，為的就是養(yǎng)兵千日用兵一時。當(dāng)某件事情發(fā)生時，我怎么能夠把一身的本事使出來，活下去。

　　群體智慧

　　一個更哲學(xué)的思辨：人類的智能之所以這么高，到底是因為我們個體非常強大，還是因為我們?nèi)后w非常強大？今天絕大部分的人工智能研究，包括深度學(xué)習(xí)，其實都在模仿人類個體的大腦，希望學(xué)會人類個體的學(xué)習(xí)能力?？墒菕行淖詥枺祟悅€體的學(xué)習(xí)能力真的比大猩猩等人類近親高幾個數(shù)量級嗎？

　　所以我們堅信人類除了個體聰明以外，還有一些更加特殊的東西，那就是社會結(jié)構(gòu)和社會機制，使得我們的智能突飛猛進。比如文字的產(chǎn)生，書籍的產(chǎn)生，它變成了知識的載體，使得某一個人獲得的對世界的認知，可以迅速傳播給全世界其他人，這個社會機制非常重要，會加速我們的進化。

　　再者，社會分工不同會使得每個人只要優(yōu)化自己的目標(biāo)，讓自己變強大就可以了。各個領(lǐng)域里有各自的大師，而這些大師的互補作用，使得我們社會蓬勃發(fā)展。

　　所以社會的多樣性，社會競爭、進化、革命、革新，這些可能都是人類有今天這種高智能的原因。

　　以上是文章摘要，下面說說我的觀點：

　　首先微軟亞洲研究院勇于探索、不隨波逐流的精神非常值得稱贊，要有革命性的突破，就要敢于走別人、主流不走的道路，敢于成為開拓者。

　　這一“展望未來”的最大意義在于，反思了目前深度學(xué)習(xí)并不是最好的道路，它并不能讓我們走向真正的人工智能——通用人工智能，要想有質(zhì)的飛躍，必須另辟蹊徑。不像一些專家認為的，深度學(xué)習(xí)就是最終道路，可以解決人工智能的所有問題，比如文章《人工智能專家之間針鋒相對，凸顯AI未來發(fā)展的分歧與不確定性》中的丹尼·蘭格（Danny Lange），他是Unity負責(zé)人工智能和機器學(xué)習(xí)的副總裁，他完全屬于深度學(xué)習(xí)陣營。

　　但開拓新方向的難度非常高，循規(guī)蹈矩的思維模式肯定行不通，必須要“異想天開”才有可能突破。

　　具體到文章提出的一些觀點，首先非常贊賞其“擁抱不確定性”的觀點，我們認為這是人工智能最核心的思維方式，因為人工智能就是要讓機器像我們?nèi)艘粯尤ヌ幚矸浅?fù)雜、不確定的事物，而不是只會用公式去進行機械的計算。因此，沒有擁抱不確定性的思維，是不可能有高水平的人工智能研究，甚至是高水平應(yīng)用也難以進行。

　　但擁抱不確定性確實是一件非常難以讓人接受的事情，我們總是本能地抵觸不確定性，總是希望用一個簡單的、確定的方法去解決問題。比如這篇文章的另一個觀點，希望像物理、化學(xué)等用一個簡單的方程去處理復(fù)雜的事物，比如語言，就又不知不覺滑回了摒棄不確定性的老路。但就如文章《“人工智能之父”揭示思維能級的秘密》中的大神，圖靈獎、諾貝爾獎獲得者西蒙認為“數(shù)學(xué)不適合用來研究人類行為”，這條老路是行不通的。

　　說數(shù)學(xué)是宇宙的語言，認為任何事物都可以用數(shù)學(xué)來解決的觀點，確實是值得商榷的。西蒙說數(shù)學(xué)不適合用來研究人類行為，對此非常贊同。正如有專家說，數(shù)學(xué)不適合處理自然語言，因為數(shù)學(xué)函數(shù)的連續(xù)性，與自然語言的離散性，很難協(xié)調(diào)。同理，對于這個復(fù)雜的、離散的大千世界，數(shù)學(xué)并不是包治百病的良藥。換句話說，人的大腦里并沒有那些高深的數(shù)學(xué)算法，比如像微積分等，有的只是簡單的1+1統(tǒng)計，刺激多的，記憶就深刻，就強相關(guān)，就這么簡單。

　　誠然，深度學(xué)習(xí)“以繁治繁”的思路并不是最好的，但這并不代表復(fù)雜的事物可以用一個簡單的方程解決，就如同牛頓的力學(xué)公式可以計算所有天體的運動軌跡（其實也有不能完全計算出來的，比如水星進動，就需要用到愛因斯坦的相對論）。事物發(fā)展是螺旋式上升，我們需要尋找簡潔的方法去解決復(fù)雜問題，但此簡非彼簡。

　　深度學(xué)習(xí)的以繁治繁的思路，就是因為原有的方法難以解決更復(fù)雜的問題，從而發(fā)展出來的新方法，這種方法比原有方法能夠在一定程度上更好地解決復(fù)雜問題。雖然這種方法還不夠好，但可以肯定地說，退回原有的思路和方法是更不好的。需要的是在其基礎(chǔ)上發(fā)展出更好的方法，也許這種方法包含更簡潔思路在里面，但已不是原來那種簡單，而是更高級的“簡單”。“過去幾十年甚至上百年做基礎(chǔ)科學(xué)的思路”也許已經(jīng)到了需要與時俱進、需要改革的時候了。

　　“以繁治繁”并不是完全錯誤的，我們的大腦實際上就是類似的工作原理。大腦本身就是一個非常復(fù)雜的系統(tǒng)，而之所以人類大腦能夠很好的處理世間的許多復(fù)雜性問題，應(yīng)該說也正是因為其自身的復(fù)雜性。也就是說，大腦實際上就是為了去處理非常復(fù)雜的問題，“而使用了一個幾乎更復(fù)雜的模型”。很可能“以繁治繁”是解決非線性、離散、復(fù)雜問題的根本方法。

　　但另一方面，大腦的基本工作原理又是簡單的，也正如西蒙的觀點，只是根據(jù)外界刺激，用經(jīng)驗去應(yīng)對。這一觀點與微軟文章的觀點，“我們每天從世界里面學(xué)習(xí)的東西，都是為了應(yīng)付將來未知的異常”，“因為我們對這個世界有足夠的了解，于是會利用已有的知識，即興制定出一個方案，讓我們規(guī)避風(fēng)險，走過這個坎”，兩者也是很類似的。

　　就像我們上面所說，大腦中經(jīng)驗的積累，實際上也是簡單的原理，即根據(jù)外界刺激的多寡、強弱，按照簡單的統(tǒng)計原理，在大腦中形成神經(jīng)元的聯(lián)接強弱，刺激越多，聯(lián)接就越強。這種簡單的統(tǒng)計，也是大數(shù)據(jù)的原理，同時非常適合電腦進行處理。并且這也符合復(fù)雜性原理，即通過大量簡單的重復(fù)，形成高級、復(fù)雜的特性，從而可以應(yīng)對和解決復(fù)雜問題。

　　所以，我們認為這種“以簡形成繁并治繁”的原理是更高級的處理復(fù)雜性問題的方法，而且理論上其泛化和通用性非常好，或許就是通用人工智能的根本之路。

　　所以，數(shù)據(jù)在這里就變得非常重要，就如同每個人的大腦基本結(jié)構(gòu)都是一樣的，但之所以你是你、我是我，你和我是不同的，其根源就在于我們所接收到的數(shù)據(jù)不同，從而形成了各種不同的思想、觀念，有了人類社會的千姿百態(tài)。從這個意義上說，數(shù)據(jù)不只是表象，其蘊含了深層的規(guī)律在里面，數(shù)據(jù)就是上帝。機器學(xué)習(xí)所要做的，就是應(yīng)用大數(shù)據(jù)原理，從數(shù)據(jù)中去挖掘出規(guī)律，包括常識、知識。

　　一旦機器能夠應(yīng)用一個簡單的、泛化的算法，從紛繁的大千世界和人類知識這些數(shù)據(jù)中去挖掘出規(guī)律，形成它們自己的常識和知識，不論是基于預(yù)測去做決策，還是即興制定方案去解決臨時遇到的問題，不說能夠解決得十全十美，但應(yīng)該可以和我們?nèi)祟愖龅靡粯雍?，甚至超過人類。換句話說，通用人工智能的問題就解決了。

　　其實，文章中把“預(yù)測問題”和“即興解決問題”對立起來是有問題的，我們?nèi)嗽诮鉀Q世間的問題，這兩種方法都會用到，也就是“制定計劃”和“隨機應(yīng)變”。我們既不能因為制定了計劃，就按部就班地照計劃執(zhí)行，即使有意外情況，也不可越雷池一步；也不能因為我們具有隨機應(yīng)變的能力，就不制定計劃，一切問題都兵來將擋、水來土掩，都靠臨時去解決。很顯然，必須是這兩種方法有機地結(jié)合，才有可能把所有問題都處理到一個比較好的程度（把所有問題都處理完美只能是理想）。

　　就像發(fā)生在2020年初席卷世界的新冠肺炎疫情，各個主要國家想必都有應(yīng)對突發(fā)疫情的預(yù)案，如果沒有這樣的預(yù)案，沒有醫(yī)療物資的儲備，如口罩、呼吸機等，那么想必最初的損失將更加慘重。

　　但是，即使有再充分的準(zhǔn)備，實際情況都有可能超出預(yù)期，甚至如這次疫情般大大超出預(yù)期，那么這時就必須要隨機應(yīng)變，根據(jù)具體情況進行調(diào)整，做出新的方案。就像中國很快做出封城的決定，在很短的時間里建起火神山、雷神山醫(yī)院，以及十幾個方艙醫(yī)院，全國十幾個省市、上萬醫(yī)護人員火速增援湖北、武漢，全國停工、停學(xué)，所有人戴口罩等等措施，這都是史無前例的。但正因為有這樣快速、果斷、徹底的應(yīng)變，使得中國能夠在很短的時間里將疫情控制，把損失降到最低程度，成為世界抗擊疫情的典范。

　　反觀其它歐美發(fā)達國家，如美國、英國等，其醫(yī)療體系無疑是世界上最先進的，他們應(yīng)對疫情的預(yù)案也肯定是所有國家中最完善的，但就因為對于遠超出預(yù)期的突發(fā)情況不能隨機應(yīng)變，不能像中國這樣果斷采取措施，從而導(dǎo)致受到的損失遠遠高于中國。

　　不論是計劃還是隨機應(yīng)變，都離不開常識和知識，沒有這兩樣，任何事情都做不了。人工智能要想把復(fù)雜事情做好，也必須具有常識和知識，且必須是機器自己去學(xué)習(xí)所獲得常識和知識，不是靠人工去給它輸入，否則“有多少人工，才有多少智能”，終究只是人工，不是智能。

　　文章最后是關(guān)于“群體智能”的思考，不過這一觀點更加值得商榷。僅舉一例，在文字、書籍出現(xiàn)之前，人類就已經(jīng)具有很高的智能水平了，不然也不可能發(fā)明出文字和書籍。當(dāng)然，文字、書籍、社會分工等會促進智能的提高是毫無疑問的。

　　總之，人工智能還處在發(fā)展的嬰兒期，很多問題，包括根本性的問題，都還沒有解決。我們切不可固步自封、不思進取，一定要多反思，開闊視野，勇于探索前人沒有走過的路，才有可能讓人工智能，這一將主宰人類未來終極命運的科技，取得突破，躍上新的臺階！