突破数理基础，才能让人工智能学会学习

信风智库：从数理基础的角度看，机器学习乃至人工智能进一步发展，还需要解决哪些问题？

徐宗本：这是个很深刻的问题。很显然，人工智能已经突破了从“不可以用”到“可以用”的技术拐点，正在从“可以用”迈向“很好用”，处在从人工化走向自动化的“前夜”，迈向自主化的初级阶段。而它的发展也不仅仅是用到了线性代数、统计学和概率论等背景学科知识，人工智能的核心能力应该是算法、算力和算据，即以深度学习为代表的模型、以超级计算为代表的计算资源以及以大数据为代表的数据资源。基于这三种基本能力，人工智能才变成了可以应用的技术。

中国在人工智能应用方面走在世界前列，因为我们有大量的数据资源，这是天然的优势。我们将人工智能应用到各个领域，探索了很多模式，也实现了较好的变现。但是，从应用研究上来看，目前的发展阶段与人工智能的真正目标相比，还相差甚远。人工智能的最终目标是利用人工智能的基本逻辑，搭建一个系统智能体，像人一样去适应环境，实现自由决策、自动反应和自主行动，代替人去做一些繁杂的劳动，切实解决现实社会中劳动成本高的问题；代替人从事一些高风险的工作与探索，让人们远离危险，真正意义上解放劳动力，提升生产力，而不仅仅是刷脸、线上支付等初级应用。实现这一目标，还存在诸多技术瓶颈，亟须重大技术变革，我们还有很长的路要走。

虽然目前的人工智能也运用到了数据分析，但还不具备像人一样的思考能力。它还需要解决以下几个问题。

首先，是形成新的统计学理论。传统的统计学是基于两个概念，一个是“独立同分布”的基本假设，简单来说就是事物之间是独立的，但它们都具有一定的系统结构分布。基于这样的假设，抽样调查便成了可能。因为抽样里的部分样本，都会服从总体样本的分布。

另一个就是概率论。比如一对夫妇生男孩或生女孩，概率是一样的；又比如掷硬币，正面和反面的概率也是一样的。但是，它们必须有一个前提，就是操作的次数要无穷大，才符合概率论的理论支撑。这也叫作无穷远形态或者大样本性质。

传统统计学更注重数据呈现的结果。但实际上，如果数据量有限，其结果也不足以形成好的决策方案。而大数据与人工智能的发展则改变了这一思维方式，它更看重问题的本质。大数据的核心是从传统统计学理论中找到细微的指标，然后通过人工智能大量采集核心数据并对指标进行运算，从而得出更具指导性的结论。所以，以大数据为核心的新统计学理论不是对传统统计学的颠覆，而是在它的基础之上进行补充和升级。

其次，是建立以大数据计算为基础的新算法。举个很通俗的例子，我们把数据分析应用比喻成做菜，以前数据样本少，油盐等调料和食材都放在锅的旁边，需要什么、需要多少直接拿，不管好不好吃，至少一盘菜很快就做好了。但现在是大数据时代，食材和调料多而杂，只能用仓库来储存，而且还有很多都放错了位置。在这种情况下做菜，便需要用到新的方式，也就是新的算法。

这些算法的本质就是线性方程组求解、图计算、最优化计算以及高维积分等数学问题。比如地图智能导航从西安到北京怎么走，过去地图分辨率不高，根据普通的地图可以获取基本的路线。但随着信息技术的发展，地图的分辨率越来越高，不可能一次就涵盖西安至北京之间全部城市与道路的数据，只能一次次地分别给出其中某些城市之间的道路信息。那么怎样走最近、要带多少钱，其实就是在解决分布式图信息环境下的图计算基础算法问题。

最后，是深度学习的问题。人工智能的核心是深度学习，但是如何解释深度学习后的结果是未来需要解决的问题。比如智慧医疗的应用，人工智能通过对积攒的病例大数据进行深度学习，找出规律，从而实现机器自动诊断。但是，一个病人来检查，机器告诉他得了白血病，他不接受，你如何解释呢？机器深度学习的过程极其复杂，并且通过黑箱运算，没有办法解释。

又比如智慧金融，一个客户来贷款，风控系统对其经济状况、社会关系等数据模型进行运算，得出了不符合贷款要求的结果，客户也不能接受，需要一个解释，你也无法给出解释。

深度算法是人工智能最基本的特征。虽然并不是每一个应用都能解释，但是如果我们想要将人工智能技术应用到更多的领域和场景中去，有些决策也不得不解释。换句话说，人工智能想要得到更高的发展，还需要解决很多基础的数理问题。

信风智库：元学习是学习如何学习，是弱人工智能迈向强人工智能的重要突破口之一。那么，让人工智能掌握学习方法论意味着什么？我们目前已经进行了怎样的探索，还要解决哪些问题？

徐宗本：这是一个很好的问题。现在的人工智能实际上还处于完成任务的学生阶段。怎么理解？我们要做一件事情，就要为人工智能搭建一个系统，这个系统只限于完成这一个任务。如果要执行其他任务，就还需要搭建另一个独立的系统。简单来理解，就是目前的人工智能只会做事，却没有方法论，所以我们称它为弱人工智能。

但很显然，我们对人工智能的长期目标是希望它能够真正地模拟人去适应环境、理解语言，甚至学会独立思考，这个目标就是我们追求的强人工智能，也是老师阶段。强人工智能的特点就是具备了学习方法论的能力，也就是元学习。

那么什么是超人工智能呢？其实这是另外一个维度的概念。首先我们要理解，“超”其实是一种能力的扩展，并不是一种人格智能。技术的本质是延伸人体器官功能的方式方法。人类为了更好地生存，就通过技术创造了比人体本身更强的能力。

比如人跑不快，就发明了汽车；人运算能力有限，就发明了计算机；人为了能够上天，发明了飞机，这些都是人体自身做不到的事情，但是技术为人类实现了。所以从这个维度来理解，超人工智能并不是比人更有智慧，甚至取代了人类，它只是在某些特定能力上比人类更突出，是对人工智能的一种形容。

实际上，弱人工智能、强人工智能和超人工智能是交错发展的。现在很多机器智能已经超过了人类的智能，比如计算效率，计算机不但速度快，且不知疲惫，也不会受情绪影响。为什么阿尔法狗能够打败围棋高手，有一部分原因就是它不知疲倦，也不会被输赢所影响，这是它的优势。

这里我再举个例子，自动驾驶其实就是汽车在行程当中自动完成一个又一个的任务。如果我们把一辆汽车放在一个封闭的空间内，给它设计好特定的程序，它实现全路程自动驾驶当然没有问题。但是，如果放在自然的交通线路上，它就无法完成了。因为设定好的程序只有一个固定任务，那就是按照线路跑完全程。但在实际道路中，会发生很多随机的情况，比如起大风了、风沙来了、有其他车辆变道超车或者有行人突然越过障碍等，这时候任务就变了。

这背后其实就是元学习的问题。我们给汽车装上了摄像头、雷达等各种各样的传感器，其本质是收集各种各样的环境信息，然后对信息进行处理，最终自动做出决策。

以前，信息任务的自动化处理是分离的，比如去噪、跟踪与光平衡等任务，机器无法根据环境变化自动切换任务。而元学习就是让机器具备学习各种任务处理的学习能力，也就是让机器掌握一种应对各种问题的学习方法论。这样一来，机器就能根据环境信息，自动切换各种信息处理任务，自动形成新的解决方案，比如自动驾驶汽车探测到周围的环境变化，及时做出反应，如减速、变向或停车等，甚至选择最优的路线继续行驶。