人工智能相关研究六问.pdf

人工智能相关研究六问 宗成庆 中国科学院自动化研究所 cqzong@nlpr.ia.ac.cn 随着计算机硬件性能的提高和计算机网络技术的快速发展与普及，大数据、 互联网+和人工智能等一批新老术语如八面来风横扫神州，尤其在中国大陆，这 些术语所掀起的技术浪潮正以不可阻挡之势席卷华夏每一寸土地，可谓“忽如一 夜春风来，千树万树梨花开”。作为这些术语所涉及领域的学习者和研究者，理 所当然地为之振奋、欢呼，并摩拳擦掌。然而，当沸腾的热血稍稍降温和澎湃的 心潮渐趋平静之后，无数的问题如挥之不去的天外来音萦绕在脑海，让我辗转反 侧，难以入眠。我在兴奋与迷惘中追寻这些问题的答案，但我始终无功而返或者 原地打转。我知道我的无知和愚钝，我也知道自己的浅薄与狭隘，于是，我把这 些问题记下来，公示于众，万望赐教。 1. 关于人工智能 上个世纪80 年代中期，在我读大学和研究生的时候人工智能曾一度如日中 天，直到90 年代中期，它仍是一颗耀眼之星而备受宠爱，之后便日渐黯淡，最 终 “臭不可闻”。30 多年后的今天，究竟缘何被人们再度热捧？是人工智能有了 新的内涵，还是“新瓶装老酒”？如果说在过去的30 多年里，计算机科学技术有 了突破性进展，那么，除了硬件性能的飞跃性提高，人工智能的贡献到底有多大？ 究竟什么是人工智能研究的核心内容呢？当他“受宠”的时候，人工智能好像是 一个框，什么内容都可以往里装，似乎做什么都属于人工智能。当他“失宠”的 时候，人人唯恐避之不及。如果抛开自然语言理解、图像和视频识别、搜索算法、 知识工程等（而这些方向也都有自己独立的学科），还有什么是人工智能独家的 研究内容呢？ 2. 关于机器学习 近年来机器学习方法研究发展迅速，在不到10 年的时间里迁移学习(transfer learning)、增强学习(reinforcement learning)、概率图模型(graph-based model)和深 度学习(deep learning, DL)等一系列模型和方法被相继热捧，而深度学习方法出现 之前的每一种方法都不过仅持续两三年的时间便黯然失色。是科学家“喜新厌旧”， 还是那些被冷落的方法和模型真地无能为力？我们知道，无论哪一种统计学习方 法都是建立在大规模训练样本之上的“赌博”模型，难以做到举一反三。所以很 多模型在实际应用的复杂场景中往往不如一个三岁的小孩。而儿童在学习和理解 1 某些问题时，并非都基于大规模样本（丰富的经验）。那么，目前的统计学习方 法研究确实是在正确的道路上，沿着正确的方向前进吗？ 深度学习方法与人工神经网络（artificial neural networks, ANN ）方法在数学 上没有本质的区别。难道仅仅是网络层数的增加，就能够从根本上解决实际问题 吗？如果是这样，除了提高计算机的硬件性能，是否还需要研究其它的新模型和 新方法呢？网络层数达到多少才算达到了“足够的深度”？对于某些特定的任务， 如语音识别、图像分割等，理论上有没有DL 方法的性能上限呢？ 3. 关于自然语言理解 目前在自然语言处理(natural language processing, NLP) 中很多问题被归为分 类问题或序列标注问题，如汉语自动分词、语块识别、语义角色标注(semantic role labelling, SRL)和词义消歧(word sense disambiguation, WSD)等，所采用的分类器 模型如支持向量机(support vector machine, SVM) 、条件随机场(conditional random field, CRF) 、最大熵(maximum entropy, ME)和贝叶斯分类器(Bayesian classifier)等， 也都是其它领域中常用的分类模型，如在人脸识别、指纹识别、虹膜识别、图像 分割等中也都在使用这些模型。直觉上讲，自然语言文本与图像是完全不同的表 现形式，NLP 与机器翻译(machine translation, MT)等毕竟要解决的是语义理解问 题。对于完全不同的问题却采用几乎相同的解决方法，自然难以得到很好的处理 结果。那么，当前的自然语言处理研究是否走进了机器学习的“迷魂阵”？真正 实现自