關(guān)于工業(yè)軟件與AI那點(diǎn)事
在電影《模擬游戲》（The Imitation Game，2014）中，主角艾倫·圖靈（Alan Tuim）看著自己發(fā)明的解密機(jī)“克里斯托弗”（ Christopher）喃喃自語，仿佛在對(duì)著人說話。雖然這個(gè)場景可能是虛構(gòu)的，但是依舊在計(jì)算機(jī)和人工智能(AI)歷史上具有劃時(shí)代意義。艾倫·圖靈在二戰(zhàn)中創(chuàng)造了能解決組合優(yōu)化問題的機(jī)器，它具備可編程解決問題的能力，破譯了德軍的密碼，為聯(lián)軍的勝利做出了決定性貢獻(xiàn)，而在電影中圖靈急切地等待結(jié)果的情景，就仿佛機(jī)器真的有自己的意志一樣 。
艾倫·圖靈這個(gè)人物和圖靈測試等細(xì)節(jié)在本文中不作詳細(xì)討論，但這可以說就是現(xiàn)代計(jì)算機(jī)和AI的起點(diǎn)，因此我想通過這篇文章來講述關(guān)于AI的一系列故事。
由于AI這個(gè)主題本身就比較廣泛，所以文章中講述的內(nèi)容僅代表個(gè)人觀點(diǎn)，如果發(fā)現(xiàn)表述有誤的地方，也請(qǐng)大家見諒。
以下是維基百科對(duì)AI的定義摘要：
“這是計(jì)算機(jī)科學(xué)的一個(gè)細(xì)分領(lǐng)域，試圖讓計(jì)算機(jī)實(shí)現(xiàn)人類的學(xué)習(xí)能力、推理能力和感知能力。即具有智能功能的計(jì)算機(jī)系統(tǒng)，將人類的智能體現(xiàn)在機(jī)器上。”
AI是一門試圖從理解智能到構(gòu)建實(shí)體的學(xué)科。可以說對(duì)AI的研究早在第二次世界大戰(zhàn)不久后就已經(jīng)開始了，人工智能一詞最早出現(xiàn)于1956年，因此它并不是最近突然冒出來的新科學(xué)，而是經(jīng)歷了大約100多年興衰更迭，在經(jīng)歷了漫長的低迷期后，隨著各種相關(guān)學(xué)科和計(jì)算機(jī)運(yùn)算能力的發(fā)展，近期AI再次成為創(chuàng)新的核心。
由于AI的核心是對(duì)人類的理解和模仿，因此所有關(guān)于人類的學(xué)科都可以成為與AI相關(guān)的學(xué)科（如神經(jīng)科學(xué)、腦科學(xué)、心理學(xué)、計(jì)算機(jī)工程、物理學(xué)、哲學(xué)、數(shù)學(xué)、經(jīng)濟(jì)學(xué)等）。隨著這些相關(guān)學(xué)科的發(fā)展，最近AI在很多方面都取得了令人矚目的成果：可以區(qū)分視覺信息（基于Vision）、模仿人類對(duì)話（基于GPT、Transformer的語言模型）、模仿和創(chuàng)造人類無法區(qū)分的學(xué)習(xí)內(nèi)容或新事物（GAN）、通過相關(guān)信息和知識(shí)回答問題（GNN）?，F(xiàn)在，AI在特定領(lǐng)域已經(jīng)超越了人類，因此，對(duì)于AI的看法，狂熱和擔(dān)憂并存。
現(xiàn)在讓我們更近一步地了解 一下AI
現(xiàn)代AI正在以基于數(shù)據(jù)的方法發(fā)展，因此對(duì)基于數(shù)據(jù)的機(jī)器學(xué)習(xí)（ML：Machine Learning）的理解至關(guān)重要。從個(gè)人的角度來看，如果用一句話來定義基于數(shù)據(jù)的AI推論和ML的關(guān)系就是：根據(jù)數(shù)據(jù)歸納導(dǎo)出數(shù)學(xué)形態(tài)（ML），再進(jìn)行演繹推理并應(yīng)用（AI）。
可以這么說，在AI的發(fā)展歷史中，解決問題的方法是非常重要的一部分，大致可以概括為兩種方法：基于規(guī)則的方法(演繹嘗試)和基于經(jīng)驗(yàn)的方法(歸納嘗試)。
在AI近100年的發(fā)展歷史中，這兩種方法順應(yīng)時(shí)代需求你追我趕地發(fā)展。(這也類似于在RecurDyn中FFlex和RFlex交替受到關(guān)注的原因。）
演繹方法的一個(gè)典型例子是解決用邏輯符號(hào)表示問題的GPS（General Problem Solver），歸納方法的一個(gè)典型例子是最近的熱門話題深度學(xué)習(xí)。在人工智能的早期，由于當(dāng)時(shí)計(jì)算機(jī)的計(jì)算能力有限，演繹法比歸納法更有效。而后來計(jì)算能力的增強(qiáng)使得在合理時(shí)間范圍內(nèi)解決數(shù)據(jù)驅(qū)動(dòng)問題成為可能。
數(shù)據(jù)驅(qū)動(dòng)的方法在現(xiàn)代AI/ML中已經(jīng)占據(jù)了主導(dǎo)地位，因此，可以認(rèn)為本文后面提到的AI/ML皆指的是數(shù)據(jù)驅(qū)動(dòng)的歸納方法。 數(shù)據(jù)驅(qū)動(dòng)的方法是最近人工智能在許多領(lǐng)域崛起的動(dòng)力，在解決無法解決的問題或發(fā)現(xiàn)傳統(tǒng)方法未能探索的問題方面取得了成功。
那么，基于數(shù)據(jù)的AI/ML是如何解決現(xiàn)實(shí)世界中的問題的呢？過程如下:
要解決的問題包括在現(xiàn)實(shí)世界中積累的大量數(shù)據(jù)，或者可以編寫或生成的數(shù)據(jù)。通過數(shù)學(xué)方式查明這些數(shù)據(jù)之間的關(guān)系來解決問題的過程就是機(jī)器學(xué)習(xí)，并使用由此訓(xùn)練的模型進(jìn)行推理以解決實(shí)際問題。
機(jī)器學(xué)習(xí)通過優(yōu)化從數(shù)學(xué)上解決問題。首先準(zhǔn)備數(shù)據(jù)，從準(zhǔn)備的數(shù)據(jù)中確定輸入數(shù)據(jù)和輸出數(shù)據(jù)。找到與輸入和輸出數(shù)據(jù)相匹配的數(shù)學(xué)模型。在此過程中，為了獲得優(yōu)化的結(jié)果，基本都需要大量的數(shù)據(jù)支持。（對(duì)于大型模型，自由度是以億為單位的，需要在最高水平的數(shù)據(jù)中心長時(shí)間計(jì)算。因此，在計(jì)算機(jī)運(yùn)算能力不足的年代，很難進(jìn)行正確的嘗試。）由于計(jì)算結(jié)果是在準(zhǔn)備的數(shù)據(jù)所涵蓋的空間內(nèi)的優(yōu)化答案，在所覆蓋的數(shù)據(jù)空間內(nèi)替換新的數(shù)據(jù)時(shí)，可以推導(dǎo)出該空間內(nèi)的優(yōu)化結(jié)果。
如果將這種解決方法比喻為學(xué)習(xí)英語，就可以說這種解決方法類似于在不懂英語語法的情況下，通過直接大量的對(duì)話和閱讀，學(xué)習(xí)如何根據(jù)給定的語境記憶和排列所接觸到的詞匯。
雖然大致了解數(shù)據(jù)驅(qū)動(dòng)的AI是如何解決問題的，但是在我們?cè)噲D解決問題的過程中，必然會(huì)遇到一些普遍和現(xiàn)實(shí)的疑問，比如：這種方法在數(shù)學(xué)上合理嗎？可以直接應(yīng)用嗎？能向客戶說明嗎？聽說在解決問題時(shí)，準(zhǔn)確性不是 100%？總結(jié)一句話就是 “這個(gè)結(jié)果是可信的嗎”
AI/ML開始流行的初期，缺少對(duì)這部分的說明，但最近，這種可說明性（Explainable AI）越來越重要。這也是為什么發(fā)表AI相關(guān)庫或框架時(shí)，論文會(huì)緊隨其后。很多方法和理論存在于數(shù)學(xué)基礎(chǔ)之上。支持AI/ML的數(shù)學(xué)定理有很多，例如高斯-馬爾科夫定理（Gauss-Markov Theorem）、奇異值分解（Singular Value Decomposition）、默瑟定理（Mercer’s Theorem）、表示定理（Representer Theorem）、西文科定理（Universal Approximation Theorem）。值得一提的是，其中西文科SIBENKO定理還涵蓋了最近對(duì)AI/ML影響最大的人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)意義。雖然無法一一詳細(xì)說明，但毋庸置疑，基于數(shù)據(jù)的機(jī)器學(xué)習(xí)和由此產(chǎn)生的AI在數(shù)學(xué)上是可靠的。
在數(shù)學(xué)證明方面，就像演繹法和歸納法之間沒有對(duì)錯(cuò)一樣，采用基于規(guī)則的AI和基于數(shù)據(jù)的機(jī)器學(xué)習(xí)的AI也沒有對(duì)錯(cuò)。解支配方程（以規(guī)則為基礎(chǔ)解決問題）的應(yīng)用雖然在數(shù)學(xué)上很美，但由于公式展開會(huì)存在無法顯示的誤差，因此經(jīng)常與現(xiàn)實(shí)存在差異。同樣，通過歸納數(shù)學(xué)表達(dá)式（基于數(shù)據(jù)解決問題）并加以應(yīng)用，對(duì)使用的數(shù)據(jù)也無法獲得100%的準(zhǔn)確度。也就是說，理論和現(xiàn)實(shí)之間的誤差總是存在的，區(qū)別在于何時(shí)何地顯現(xiàn)。雖然基于數(shù)據(jù)的方法乍一看讓人感覺像是在盲人摸象，但設(shè)計(jì)好的解決方法和演繹推論方法一樣絕對(duì)沒有錯(cuò)。如果我們因?yàn)椴荒?/span>100%解決一個(gè)問題而對(duì)人工智能/ML領(lǐng)域的研究和應(yīng)用望而卻步，那我們只能看到和聽到習(xí)慣的東西，數(shù)據(jù)驅(qū)動(dòng)才是解決棘手問題的最佳方法。
解決問題的正確方法是很好地解決了問題，而不管采取什么方法。
對(duì)于我們這些非AI研究人員來說，真正重要的是了解我們?cè)?/span>AI時(shí)代應(yīng)該做什么？怎么做？為什么做？以及什么時(shí)候做？當(dāng)看到別人都在談?wù)?/span>AI的情景時(shí)，可能會(huì)害怕是否只有我們落在后面，但還是需要像往常一樣保持冷靜的態(tài)度去看待現(xiàn)實(shí)問題。
事實(shí)上，世界不會(huì)在短時(shí)間內(nèi)發(fā)生翻天覆地的變化，我們的公司也不會(huì)馬上倒閉。有很多人一成不變，仍然過得很好，也有很多人開拓創(chuàng)新，只是因?yàn)樘靶l(wèi)或?qū)Ξ?dāng)下無用而被埋沒。人工智能也有過這樣的時(shí)刻，即使現(xiàn)在看起來沒有它我們就注定是失敗的，但你永遠(yuǎn)不知道什么時(shí)候我們會(huì)有另一個(gè)像80年代那樣的人工智能冬天。
但是在某個(gè)時(shí)刻，技術(shù)會(huì)被突破，如果企業(yè)沒有準(zhǔn)備好，就可能被市場淘汰。重要的是，我們要以好奇的眼光和冷靜的頭腦去妥善應(yīng)對(duì)這些威脅。其基礎(chǔ)應(yīng)該是我們理解AI的本質(zhì)，我們擁有適應(yīng)和應(yīng)對(duì)環(huán)境的能力，并為之努力。冷靜地思考一下再?zèng)Q定，是挑戰(zhàn)原始技術(shù)開發(fā)，還是快速跟上技術(shù)趨勢，還是將已推出的技術(shù)和理論結(jié)合起來應(yīng)用。我個(gè)人認(rèn)為，AI/ML技術(shù)可能不是現(xiàn)實(shí)中需要研究和開發(fā)基礎(chǔ)技術(shù)的對(duì)象，而是像Visual Studio一樣需要我們好好處理和利用的對(duì)象。
全球IT領(lǐng)域的研究公司Gartner于2021年發(fā)布了AI領(lǐng)域的Hype Cycle。與AI相關(guān)的關(guān)鍵詞大多位于創(chuàng)新Trigger（技術(shù)創(chuàng)新）、Peak of Inflated Expectations（期望頂點(diǎn)）階段。
AI是需要正面挑戰(zhàn)的對(duì)象嗎？有沒有可能會(huì)威脅我們的生存？答案總是在“可能會(huì)，也可能不會(huì)”之間徘徊。在這種情況下，我們必須要明白一點(diǎn)：如果我們?cè)谘芯考夹g(shù)和開發(fā)產(chǎn)品的過程中引入了AI，那么在研究和應(yīng)用方面必須以客戶為基礎(chǔ)。您需要知道客戶是否有潛在的需求，如果有，就必須能夠通過產(chǎn)品傳達(dá)明確的價(jià)值。借鑒領(lǐng)先企業(yè)的共同點(diǎn)，我們對(duì)新技術(shù)的信心和對(duì)未來的愿景是基礎(chǔ)，我們必須提前具備高水平的專業(yè)知識(shí)。如果決定應(yīng)用新技術(shù)，就必須朝著能夠在整個(gè)產(chǎn)品和組織中全面創(chuàng)造協(xié)同效應(yīng)的方向發(fā)展，而不只是零散的方式，最終的結(jié)果應(yīng)該是極大地改善用戶體驗(yàn)。
AI很有魅力，它提供了一種解決無法在有限的時(shí)間內(nèi)解決的困難問題的方法。因?yàn)槲覀円灿泻芏嘣谟邢薜臅r(shí)間內(nèi)無法解決的問題，所以我們也可以通過基于數(shù)據(jù)的方法來解決這些問題。
最近，現(xiàn)代AI在解決特定問題上的表現(xiàn)已經(jīng)遠(yuǎn)超預(yù)期，后續(xù)將轉(zhuǎn)向把多個(gè)領(lǐng)域捆綁在一起，試圖共同解決問題。出現(xiàn)這種趨勢的典型例子是：實(shí)現(xiàn)高水平的自動(dòng)駕駛。隨著時(shí)間的推移，在這種趨勢的盡頭，可能會(huì)實(shí)現(xiàn)強(qiáng)人工智能（“通用人工智能”）。
人類是能快速地進(jìn)行并行計(jì)算的智能體，我們可以在幾分之一秒內(nèi)綜合來自我們多個(gè)感覺器官的所有信息，比如通過發(fā)出“?。 钡穆曇舻耐瑫r(shí)讓我們的手迅速從滾燙的物體上縮回?，F(xiàn)在的AI還無法完成這種非常復(fù)雜和快速的并行進(jìn)程的動(dòng)作。換句話說，在整個(gè)AI的發(fā)展歷程中，雖然在某些方面上已經(jīng)遠(yuǎn)遠(yuǎn)超越了人類，但在強(qiáng)人工智能方面仍處于初期，還需要長期的發(fā)展。就個(gè)人而言，我希望看到我們所擁有的數(shù)學(xué)和軟件工程技能，與人工智能的問題解決方法相結(jié)合，將我們的產(chǎn)品提升到新的水平。
在遙遠(yuǎn)的未來，希望我們也可以像圖靈一樣，懷著忐忑的心情等待一個(gè)好結(jié)果，創(chuàng)造我們自己的克里斯托弗。那么，最后再說一句：“加油！未來的克里斯托弗！”
工程師必備
- 項(xiàng)目客服
- 培訓(xùn)客服
- 平臺(tái)客服
TOP
