人工智能專家電話研討會議紀要

3月9號和10號,谷歌人工智能機器人“AlphaGo”在與世界圍棋冠軍李世石之戰吸收全球關注,並且AlphaGo在交鋒中連下兩城,AlphaGo所展示出的人工智能程度超乎大部分人預期。

基於此,我們特邀請百度人工智能專家舉行“人機大戰”電話會議,本次會議基於國際化視野,詳細介紹了人工智能的內在機理、技術原理、應用領域及發展趨勢,並剖析了我國人工智能發展的產業機遇。

我們認為,在完成語言、視覺、邏輯推理、深度學習等技術層的攻難克艱之後,人工智能風口已至。各大互聯網巨頭、VC/PE等資本紛紛湧入,無人駕駛、語音識別、人臉識別、自動診療等應用場景持續豐富。A股標的方面,計算機板塊重點推薦東方網力、思創醫惠、東軟集團、中科創達建議關注科大訊飛、長高集團;傳媒板塊關注崑崙萬維和奧飛動漫;電子板塊建議重點關注全志科技、海康威視。

n事件評論

AlphaGo的核心組成部分:1、走棋網絡(PolicyNetwork):給定當前棋面狀況,預測下一步走棋模式;2、快速走棋 (FastRollout):在適當犧牲走棋質量的情況下,提高運算速度、決策速度;3、估值網絡(ValueNetwork):在給定當前值的情況下, 通過邏輯判斷哪一方會獲勝;4、蒙特卡洛樹(MonteCarloTreeSearch)綜合搜索模型:聯接前三種模型,形成完整系統。

AlphaGo超預期的原因:1)AlphaGo五個月前贏過歐洲冠軍,這次選手段數雖然提升很多,但機器依然能夠戰勝,其中一個根本原因是谷歌給了很大資源,如增加服務器,運算能力提升2019倍。2)情緒和心理是下圍棋中的重要影響因素,人有情緒導致不穩定性,機器是沒有情緒的,這是相對不公平的過程。但是機器的應變能力弱於人,可以通過小範圍的轉換去適應機器,以後對戰中可以通過這種方法去佔據主導。

估值網絡模型的判斷模式:1、簡單模式。即“第一大腦”。其中一個叫KGS的圍棋服務器,可以使AlphaGo的第一大腦完全像人腦一樣去學習定式,在這個定式當中去判斷下一步棋的優劣,通過一個最基本、定式性的模式不斷強化自我;2、自我學習模式,即“第二大腦”。通過預先載入的完整數據從整體上進行每一步優劣分析判斷後而進行訓練。這個大腦是估值網絡,是判斷整體決勝的模型。它是通過海量數據去學習,可以在不完整的平面狀態下減少失誤判斷。而人類對於失誤判斷的減少只能靠個人經驗和僅有的腦容量裏的記錄。

專家提出的兩個觀念:1、人類看似很簡單其實對機器而言是複雜的問題;2.看似很難的計算等當前是很簡單的問題。圍棋和象棋都是屬於後者。人認為預測非常難,但其實用函數邏輯來看它就是一個預判的邏輯、估值預算的邏輯。再比如翻譯,人可以很容易把看似很簡單的一句話把它錄下來、翻譯,但是對機器來説是一件很複雜的事情。首先它需要對你的話進行一個處理,因為人類有不同的方言,第二是要去理解,然後通過把拆解的關鍵詞放進你要翻譯的核心內容裏面,這其實是一個比較困難的東西。之所以這場比賽受到關注是因為人類覺得這件事情很困難的,但其實是比之前所説的翻譯要容易很多。

在一些人類認為高階的模式中,比如精準計算機清晰的函數邏輯預判能力方面,機器已經逐漸完成對人類的超越。

人工智能的四個層級:1、單純的控制;2、具有判斷的控制反饋;3、引入大數據,通過簡單的網狀生成的卷積網狀模型,去完成判斷,類似帶有機器學習的人工智能。當前,互聯網公司在人工智能領域的應用開發主要是基於該層面;4、影響到人學習、認知過程的人工智能,各方面引入深度學習。

深度學習的優勢:比其他早期的SEM或dse等簡單機器學習模型更讓容易受對抗樣本干擾。其中對抗樣本本身是一個極度非線性的深度模型,非線性對於外推遠離型離散型數據具備的優勢。對抗性本身對於分類樣本的錯誤率有非常好的預判,即在對抗性的微擾性的判斷在非線性模型中具有較高提升優勢。機器人學習與大腦認知最根本的相似性在於其對預判的自適應過程,其演進過程在於能夠深層次理解用户在一個語境中去預測將要説的話或將要執行的任務。

深度學習的應用場景:比較寬廣,象棋、圍棋只是證明公司的技術達到某一階段。在應用方面,語音識別是很重要的方面。第二個是人臉識別,百度的ALWS上可做到0.23%的錯誤率,遠低於人自身6%的水平;第三個是文本文字的字跡判斷,進行文字提取,第四個就是自動駕駛。

人工智能的發展趨勢:算法本地化運行。即可實現單體計算機聯網,在真實環境中,可能並無寬帶,很難實施對網絡的依賴性,比如自動駕駛,無法保證一直聯網,因此本地化將是很大趨勢,這是包括百度再能的很多大公司在做的事情,也是人工智能突破的關鍵點。