姚期智：AI 理论研究很重要，进步正来自于跨学科领域

作者 | 蒋宝尚

编辑 | 丛  末

7月9日，世界人工智能大会开幕，在大会中，除了众多领导发表了讲话，人工智能领域的专家也对AI的现状和未来进行了讨论。

其中，在主题演讲阶段，图灵奖获得者姚期智做了关于人工智能理论的新方向的报告；Yoshua Bengio做了机器学习赋能智能手机预测新冠疫情传染性风险的相关报告。

以下，AI科技评论对姚期智院士的报告《人工智能理论的新方向》做了不改变原意的整理。 

我今天讨论的话题是“人工智能理论新的方向”。AI在现实世界已经有了广泛应用，在这场大会中也能看到AI应用的新进展。但是我想说明的是，所有的这些进展都来自于基础科学。也就是说，AI领域在很多年前就已经打下了理论基础。这给我们的启示是： 一定要让理论研究不断发展 。

在这次演讲中，我想讨论三个要点：

1、AI理论很重要。当前AI面临的很多问题和挑战，都可以用理论来进行分析。通过理论分析，我们能更清楚的知道我们面临的挑战的本质，以及解决这些挑战的方法。

2、 AI是跨学科的行业 。当前在AI中获得的一些成果，其所处的领域很多是和AI几乎不搭边的学科。

3、探讨AI领域的新理论方向。      

如上PPT所示，我列举了三个例子来进行讨论，分别是：

1、神经拓扑结构：神经网络研究的新视角；

2、隐私保护学习：人工智能+多方计算；

3、可控的超级人工智能：如何设计有益的超级智能。

第一点，神经网络如此强大的理论原因直到现在还是个迷。 如果能找到原因，这对神经网络的改善、应用无疑是个突破。

我们用一个简单的例子来说明神经网络的应用。上图中的气象图的数据是“波动”的，现在需要“算法”分析图片中展现的气候形式，也即分析图片中的天气是暴风还是正常。人类工程师通常观察气象图的二维或者三维的表现，然后从中找到范式，判断是否符合风暴的特点。

深度学习、机器学习则采取高维视角，整张图应该被认为是一个高维的数据。机器学习的标准做法是通过处理高维度的数据，将数据分为不同的数据集类别，这个数据集可能是暴风天气的图像、也可能是正常天气的图像。

神经网络中的核心问题就是， 如何设计神经网络的深度和大小，才能够对数据进行分类。

我们将数学和神经网络的能力联系起来，分析神经网络能识别哪类数据集，不能识别哪类数据集。

拓扑学有一个非常重要的概念：贝蒂数。在代数拓扑学中，贝蒂数是一族重要的拓扑不变量，用b_0、b_1、b_2、...、b_k表示，取值为非负整数或无穷大。

我们猜测，如果一个数据集在拓扑学意义上是非常复杂的，神经网络就非常难识别。关于数据越复杂神经网络越难识别这一结论，已经可以通过经典的拓扑学和计算理论证明。

这也给了我们一个启发， 解决AI问题的方法可以从其它学科的角度考虑 。

第二点，AI理论的新方向是隐私保护 ，这也是人工智能正在面临着的问题。隐私保护和密码学息息相关，例如我曾在1982年提出的安全多方计算就是相关理论方向，多方计算主要研究在私有信息不被泄漏的前提下，多个互不信赖的参与者如何协作进行计算。通过使用多方计算，多个数据库可以联合计算一个函数却不会透露各自的数据。

多方计算通过汇聚多方数据，实现高质量学习，同时又能保护各方数据隐私，对金融科技、药物研发等应用非常有用。例如在药物领域，人工智能能够大大降低制造新药物的时间和成本，并提高发现新药物的成功率，而人工智能+多方计算可以让多家制药公司在不泄露其独家知识产权的情况下，进行合作。

第三个需要讨论的AI理论方向是：通用的超级人工智能何时到来？ 答案是不可预知，因为现在的AlphaZero、人脸识别虽然很牛，但仅适用于特定领域。

正如1977年，John McCarthy曾经说过：“我们需要概念上的突破，1.7爱因斯坦+0.3曼哈顿项目，可能需要5~500年时间。”

 

最新的“超级AI理论”提出是在2019年，当时伯克利大学的Stuart Russell在书中提到，虽然超级人工智能不知道什么时候到来，但是我们必须做好准备。他在书中设定了三个原则，每一个原则都要用严格的数学方法来实现，这三个原则分别是：1、利他的：人的利益凌驾机器利益；2、谦卑的：机器不能自以为是；3、尽心的：机器能学懂人的偏好。此外，他还提出了许多方法论，涉及概率理论和博弈论。

综上，我想表达的是， 现在的AI应用来自过去的理论研究，AI的一些进步也正来自跨学科领域。 今日的理论探索，正为未来的伟大应用奠定良基！

OMT：人工智能出道MV（小福利）

另外，在大会开幕式中，还有一个环节展示了全球首支人工智能作曲合唱 MV《智联家园》，现在AI 科技评论把视频放在这里，以飨读者。

---

点击"阅读原文"，直达“ECCV 交流小组”了解更多会议信息。