人工智能领域应去“虚火” AI也要“终身学习”

从智能家居、智能汽车到机器人保姆、能下围棋的AlphaGo，国内的人工智能越来越热。面对这波热潮，伊利诺伊大学芝加哥分校的杰出教授刘兵表示，去“虚火”、“终身学习”才能让人工智能走得更远。

刘兵

伊利诺伊大学芝加哥分校的杰出教授，ACM，AAAI和IEEE会士，在爱丁堡大学获博士学位。研究兴趣包括情感分析，终身学习，数据挖掘，机器学习和自然语言处理。

在顶级会议和期刊发表了大量的论文。其中两篇论文获得了KDD 10年 Test-of-Time奖。是4本书的作者，其中2本关于情感分析，1本关于终身学习，1本关于数据挖掘。

曾任2013-2017年ACM SIGKDD的主席，也是很多顶级数据挖掘会议的程序主席，包括KDD，ICDM，CIKM，WSDM，SDM和PAKDD。他同时也是顶级期刊的副编辑，包括TKDE, TWEB, DMKD和TKDD。他还是很多自然语言处理，人工智能，网络和数据挖掘会议的领域主席或者高级程序委员会成员。

国内人工智能领域应去“虚火”

人工智能是新一轮科技革命和产业变革的核心驱动力之一，人类的生活正被逐步改变。刘兵教授认为，目前的机器学习仍有攻坚战要打，不应盲目乐观从而揠苗助长。

人工智能有计算智能、感知智能与认知智能3个层次。目前AI取得了一些显著进展，但是主要还是在感知智能层面，比如人脸识别、语音识别、智能驾驶，还有AlphaGo，深度神经网络模型在其中发挥了关键作用。但是，更重要的认知智能又主要集中体现在语言智能即自然语言处理上，也就是说，只有通过自然语言理解，才能实现智能与人类的无缝对接，实现真正意义上的人工智能，自然语言理解可谓是“人工智能这座高峰上的一颗明珠”，而目前还有很多研究工作要做。

“自然语言是不精确的，字面背后还有太多意思，这也是为什么自然语言处理如此困难的原因。”刘兵说，自然语言处理若想突破，需要做出范式上的改变。

人工智能也要“终身学习”

刘兵教授指出了人工智能目前发展的短板问题：“机器还没有达到智能化，机器学习目前需要的数据量非常大。反观一个人，即使没有上过学，他还是有智能，但机器就不同。人类不提供可学习的数据，它们就不可能学习。”

在自然语言理解中，传统的机器学习方法是在封闭的环境中进行单一的隔离任务的学习，它通常需要大量的标注好的训练数据才能进行有效的学习。然而，这种学习方法只适合有限的，有完整定义的任务。在大量的实际场景中，这种隔离的学习范式并不奏效。比如不可能预训练聊天机器人，自动驾驶汽车或者其它任何人工智能体，使得它们能无缝的工作在真实世界的开放环境中。这是因为很难或者不可能永远让人类提供那些包含所有智能体能遇到的场景的知识或者标注数据。智能体因此必须在与环境的持续互动中保留学会的知识，并且使用这些知识使得将来的学习变得更好。

当遇到陌生的环境，智能体必须能够利用已有的知识来处理陌生环境并进一步学习。这种泛化的学习能力是人类智能特有的。没有这种能力，一个智能体恐怕很难称的上真正的智能。近些年，出现了一些新兴的以终身学习，连续学习，元学习或者永无止境学习命名的研究趋势，正在试图给予智能体这种能力。

2018年7月28-29日中国人工智能大会将于深圳召开，届时刘兵教授将带来《终身学习，连续学习和元学习》的主题演讲，将为我们分享人工智能泛化学习能力的最新研究进展，探讨智能体发展的必然趋势。

CCAI2018，与您一起见证时代的发展、智慧的变迁！