鄭南寧院士會議演講——直覺性AI與無人駕駛（上）
博主最近參加了2018年中國機器人學術年會，覺得鄭院士的報告很有深度，所以先把人工智慧部分整理出來與大家共勉：
人工智慧的四個階段
| 1960-1980 |
1980-2000 |
2000- |
未來 |
| 將知識/規則交給機器搜尋 |
將特徵/答案交給機器學習 |
將原始資料和答案交給機器深度學習 |
將目標交給機器 增強學習 混合增強學習 |
五大學派
| 符號主義 |
聯結主義 |
行為主義學派 |
貝葉斯方法 |
類推學派 |
| 認知即計算 使用符號/規則和邏輯來表徵知識和進行邏輯推理，常用演算法：規則和決策樹 |
認知即網路（比符號主義更加底層）使用概率矩陣和加權神經元動態地進行模式識別與分類 基本演算法：神經網路（深度學習） |
基於“感知—行動”的行為智慧模擬方法；生成變化，為特定目標獲取其中最優的 基本演算法：反饋控制/遺傳演算法/蟻群演算法/強化學習 |
獲取發生的可能性來進行概率推理，常用方法：樸素貝葉斯和馬爾可夫過程，面向向量的統計模型，統計學習方法 |
根據約束條件來優化函式，常用演算法：支援向量機等 |
符號化人工智慧的侷限性
- 需要對問題本身抽象出一個精確數學意義上的解析式數學模型
- 一旦模型建立，計算任務與能力就被唯一確定
- 確定的演算法無法表示現實世界問題所固有的測不準性和不完備性
- 圖靈意義下的可計算問題都是可遞迴的
深度學習的侷限性
- 過度依賴訓練資料
- 若泛化能力（訓練和測試樣本強同分布）
- 缺乏推理和對因果關係表達能力
- 無法在計算過程中實現有效的注意機制
人類對影象/聲音和語言的理解來自人類的感覺運動經驗和知識，機器學習模式無法獲得這種體驗，因此無法以任何人類相關的方式理解他們的輸入。
算複雜性與指數爆炸
經典人工智慧的基本理論框架：“演繹邏輯和語義描述”與“形式化方法”；
形式化方法不可能為所有的物件建立模型：
- 條件問題（Qualification Problem）：不可能枚舉出一個行為的所有先決條件
- 分歧問題（Ramification Problem）：不可能枚舉出一個行為的所有隱性結果
人類面對的許多難題只可能在指數時間內獲解（即計算時間與輸入規模的冪成正比），一些問題的解決需要近乎無限長的時間
莫拉維克悖論
對計算機而言，實現邏輯推理等人類高階智慧只需要相對很少的計算能力，而實現感知、運動等低等級智慧卻需要巨大的計算資源。
發展新一代人工智慧需要回答以下問題：
- 什麼事人類智力所獨有的特徵？
- 要做到像人類一樣用友智慧行為，計算機需要什麼能力？
- 人類認知的所有高階形式—概念形式、推理、問題求解、創造以及記憶和知覺——不與智力相關？
人類大腦獨特的性質
- 大腦不是通過一個統一的、未分化打的神經網路實現單一的全域性優化原理來學習的
- 大腦是模組化的，具有獨特且相互作用的子系統支援認知功能，如記憶、注意、語言和認知控制
- 大腦神經網路結構的可塑性，以及人腦在非認知因素和認知功能之間的相互作用，它們是形式化的。
- 要想機器學習模型產生人類的認知結果，需要其所學的特徵在一定程度上符合大腦生理學實驗結果，同時要使特徵具有數學和語義的解釋性
從連線到認知
研究大腦網路的聚合和分離來洞察大腦的認知機理
- 結構連線：解剖學意義上的纖維束連線關係
- 功能連線：與任務相關的基於統計學的依賴關係
- 有效連線：神經元之間因果互動和相互影響關係
大腦的結構連線是相對靜態的，而功能連線和有效連線具有時空動態演化特性。由功能連線和結構連線可以推測有效連線，有效連線的分析是計算大腦產生成本函式和尋找最優引數的過程
發展受腦認知和神經科學啟發的人工智慧
- 從人的大腦記憶、學習與預測的機制來看，現有的深度學習及基於語義和邏輯推理的圖靈計算架構不能更有效地實現一種通用的人類認知資訊加工機制
- 以腦認知和神經科學與機器學習相融合有可能構建出一種類腦的“學習機器”而不是單一的“機器學習”
基本科學問題
- 大腦如何實現優化？
- 腦網路的監督信訓練訊號從哪裡來？它們如何體現不同任務的成本函式？
- 在不同的神經功能連線區域中，存在什麼樣的有效連線來約束和優化與任務相關的成本函式？以有效的找到特定問題的解決方法？
- 如何實現深度神經網路混合模型的自動構造？
傳統深度學習與類腦神經計算
問題：如何將深度學習端到端的單一任務目標優化步數到新的任務
（A）傳統深度學習的監督訓練依賴外部的標記資料
（B）腦網路的監督訓練能通過誤差訊號的梯度訊號下降靜態發生；但誤差訊號是由內部生成的成本函式產生
（C）成本函式和皮質深度網路的誤差驅動訓練部分組成了一個更大的包含數個專門系統的架構
認知對映
人類理解或描述物理世界時，大腦總會形成一種對時間的“視覺化”影象：環境模式表徵的認知地圖
直覺推理（物理世界的直觀理解）
人的“直覺反應”是在解空間中尋找全域性最優解-最好的“解”
- 當前的認知對映的形成與大腦對外部資訊的感知和理解相關
- 認知對映與成本函式生成的一系列決策活動是一個不斷地模式匹配的迭代過程
認知推理
構建學習與思考類似人類的機器和基本核心要素
物理層面的認知推理
可跨越時間與空間追蹤事物的發展軌跡
心理層面的認知推理
學習方向收到心理狀態的引導
使機器像人一樣對物理世界直觀理解
實現物理層面認知推理的基本要素
（1）物體（或物件）特徵的識別、並形成短期記憶
（2）物體（或物件）之間的相互關係與作用的直觀理解
（3）基於想象力的行為模型產生
直觀物理層面推理的基本框架.
- 構造一個內部預測模型，在行動之前預想到結果
- 基於環境的模型提取有用的資訊
- 規劃想象的行為最大化任務效率
混合智慧計算模型
結語
直覺：以一種最少的假設去描述一個系統或產生相應的行為
人類大腦對世界的印象是一個不完整的世界的描述，但這個不完整的世界確實人類直覺判斷和邏輯思維的基礎
面對真實世界的變化，將直覺與經驗（或知識）和以數學為基礎的演繹歸納結合，能夠在不完整的世界描述中產生正確的行為