AI的核心问题和三个主要发展方向

2020年8月22日，徐雷院士出席第三届上海人工智能大会并发表主旨演讲。演讲题目为：Heuristic Searching Uncertainty Reasoning，and casual computing from a bidirectional intelligence perspective.从因果、推理、阴阳和谐理论出发，分享了他对人工智能的经验和看法。（以下是部分演讲实录）

▌AI的核心问题 ▌

　　这些年AI到底做了什么？就做了个东西，凝练下来就是用了深度神经网络学刷脸，反过来双向神经网络学可以产生图像，可以所谓的换脸，其他的技术都根据这个技术派生出来了很多技术。这两个结构其实在这个时候都出现了，为什么现在出现了这一波，主要原因是三个：
1.细节上的原因。结构用了双向学习的结构，还有主要就是芯片的发展，也就是说，当时要算一年的东西，现在大概只要算不到一个小时，很多探索变成了可能，再一个就是我们有大量的图像和音频数据，再加上李飞飞搞的众筹，使大数据变成了可能。综合来讲，这次人工智能三个主题词：深度网络；原始思维；暴力计算。
这里面就有一个核心问题，钱学森先生早年倡导的，人工智能一个是形象思维，像刷脸换脸这一类的，都具备具像的形象思维，而抽象成数学叫做抽象思维，早期的人工智能人太贪心，先搞高级的，结果变成了空中楼阁，这次先落地，所以自然的又要回到抽象思维。
抽象思维,大家都知道这个词和数的产品，我们有了数，不同的东西虽然是个不一样的东西，但是都是一的影射，都抽象为数，而且大家都学过数集，我们要抽象成正整数，导致了计算机可以算，现代计算机可以算，现代计算机算中间的变化有一个很重要的桥梁，现在大家都忽略了，其实就是要把实数的信号进行采样，用等间距的办法采样，控制带宽进行采样，采样完成之后，这就是必须有一个时钟控制，这个时钟非常快以后才能处理各种问题，但是快了以后不一定必要，导致了大量的热，现在很多的芯片，包括寒武纪，还都是这种框架，而这种框架解决问题吗？实际上并不解决，大数据不一定是大样本，大家看看这个例子就知道了，如果我要抽样，如果说不利用非常好的频率来抽样，实际上数据还是小样本，所以实际上受这个控制，这个问题实际上我的导师常迥先生，也是中国信息界的创始人之一，我1981年去读博士，我做人工智能已经做了38年了，往非均匀采样，早期有所谓的整函数，现在信息密集的地方多采点，采样要有组织有层次，不能光简单的采样，这个问题带来之后，导致计算结构上不再是现代计算机的冯诺伊曼结构，必须有新的计算结构和理论，还要就是可能要回到十几年前比较热的，怎么样小样本的学习理论来支撑，这是第一个方向我们要注意的。
第二，实际上这个结构需要新的器件。因为现在器件空间已经没有了，再堆就烧掉了，所以说需要新的器件。器件是第二个主要方向。
第三，从形象思维再来支撑抽象的思维研究。实际上就是说我们这两年发展是双向的形象思维的发展，在这个基础上再支撑抽象思维的推理因果和搜索这块，我称之为双向智能理论。

▌AI的主要发展方向 ▌

我在交大做的一些研究方向基本上按照这个来的，首先我们看一下什么是双向学习。
双向学习 出现于1987年，然后在1991年的时候本人也介入，把这个结构反过来，这个结构中间有两个过渡结构，结构兼顾了对偶性，其实2006年能够成功的结构，其实就是这个结构，早期结构不具备对偶性，2006年结构不光结构是这样，每一层学习算法基本上都是一样的，还包括一个更精确的调整项。因为这样的结构上，不断识别大大提高了，而且大家可能都熟悉的一位华人看到了猫的脑袋和人的脑袋，被认为是机器学习十大发现之一。当时没办法算，我算了一层，很遗憾，没发现现在基础的特征检测方向。1991年邀请我去多伦多大学做报告的时候，我给了他们手稿，当时没意识到，十五年后，这个东西出来了。在这篇文章里，的确预计了能够应用的一些东西，就像产生图像、认知，或者说刷脸、换脸这些东西。很多人知道我搞阴阳机器，就是在这个结构上继续发展，在概率论的框架下描述一个，把这个对偶性，理论的对偶性加进去，形成阴阳和谐原理，麻省理工学院总结上世纪的发展，本人的研究收录进去了。
在1992年到1995年，我有四篇文章，很多人以为中国进入NIPS是05年、06年进入的，这是1992年的一篇文章，所以中国人进入NIPS至少是在1992年。接着讲下面的细节，英国，英国是最有前沿的，大家以为前因后果就是英国，其实不是，不是二元关系，你看到两个因果关系，因果关系是看两个主要的矛盾，就是毛主席讲的，主要矛盾，谁是因谁是果，但是要整体全体中间要排除环境当中有没有其他影响，环境是很大的，所以因果分析有用性和难度就在这里。英国的大概可以整理成三个主要的发展方向。
1、判断因果和环境关系。至少有两个诺奖和图灵奖都介入这方面的研究。就连新的人介入，他们也是搞因果，他们干脆把整个环境和要看的矛盾，全部描写在因果图上进行分析。我要做的是通过讲势，因势利导，提出了因果势能理论，因果势能理论，然后在这个势能下的作用动向导致因果关系，大家有兴趣可以看文章。在图的结构上，早期因为1987年和图灵奖获得者合作过个文章，在这个基础上发展出一套方程，解多元方程，这就是现在的主要因果方面的关系。
2、推理。把这些知识用因果图来描述，描述完了以后，假如说这里面某一个证据发生了改变，你就要把其他的怎么变的全部都推出来，描述出来，都是给一种概率方式，所以是不确定性推理，这种推理工作不细讲了，我讲一下双向，其实和刚才讲因果势能有关，我们推理初步的相当于能量函数，能量函数势能高的地方导致驱动你往势能低的地方变就是推理，如果你进一步，一开始怎么推理的变化，可以双向识别认知过程驱动，驱动之后，如果说想细化，把主要脉络次要的东西减掉，就变成了知识图谱，再减掉没有因果关系的就变成了因果推理，所以说这个推理是三个层次。
3、搜索。搜索是什么意思呢？人生有很多步，在中间某一步的时候怎么办，把过去走过的洞察一遍，然后要预测一下将来，将来大概怎么样，这个没有怎么办？早期的时候在1987年的时候博士论文期间，曾经做过一个侦察兵，就是往前搜集一些信息，回来根据搜集的信息往前走。AlphaGo其实就是用蒙特卡罗搜索替代了侦察兵，但是最重要的AlphaGo就是认知不足，用深度神经网络来解决了前瞻的作用，替代了部分侦查作用，这是AlphaGo突破的原因，在新的突破下，很多问题，比如说我们用第一能量，不用那么巨大的能量解决问题，有的学生研究单位功耗下的智能，把八十年代发展的东西和现在的东西结合起来，又形成了变种和新的发展，最重要的是很多物流、城市管理，这些约束下的怎么解决问题，都属于这个问题。

▌AI的应用层面▌

主要是 计算健康、智能金融、智能创意三个方向，计算健康，我们是以分子数据和其他数据做的，这次我们也在新冠方面也有一些工作，影像是辅助的。金融就更老了，也是一个延续，现在国内大多数搞金融的就是风控管理，因果关系直接用有帮助。另外面向资本市场这头，国内基本没有，其实是早期方向，怎么样预测管理，怎么样风险控制，怎么样获取后续利益。再就是智能创意，利用人工智能的这些特点，画线条，还有就是怎么样低分辨率的东西换成高分辨率。这是大概三个应用方向，谢谢大家！