精准智能理论: 面向复杂动态对象的人工智能

2021 年 4 月 13 日 专知

新一轮科技革命和产业变革正在萌发, 以深度学习和大数据为基础, 以AlphaGo等为典型应用场景掀起了人工智能的第3次高潮. 传统的基于统计线性化动态建模的人工智能, 在处理复杂对象时遇到了可解释性、泛化性和可复现性等发展瓶颈, 迫切需要建立基于复杂性与多尺度分析的新一代人工智能理论, 我们称之为精准智能. 针对复杂系统的非线性特征, 精准智能构建内嵌领域知识和数学物理机理的系统学习理论, 包括复杂数据科学感知、复杂系统精准构建、复杂行为智能分析3个层次. 具体而言, 通过复杂数据科学感知建立内嵌时空特征与数理规律等具有可解释性的科学数据系统; 通过复杂系统精准构建反演具有非线性复杂逻辑关系的多层次、多尺度、可解释的人工智能动态学习模型; 通过对系统复杂行为智能分析建立面向系统行为演进和全局动态分析的可解释可调控人工智能新理论和新方法. 将上述精准智能理论应用于群体智能, 提出了群体熵方法, 实现了群体激发和汇聚行为复杂性度量与有效引导调控.

https://www.sciengine.com/publisher/scp/journal/SSI/51/4/10.1360/SSI-2020-0158?slug=fulltext

众所周知, 人工智能的发展经历了3个历史阶段: 1956 $\sim$ 1960年的逻辑推理时期, 1970 $\sim$ 1980年的知识工程时期, 1990年至今的机器学习时期. 特别的, 以图灵奖获得者G. Hinton, Y. LeCun, Y. Bengio等的主要工作 [1-3] 为代表的深度学习技术引发了人工智能的蓬勃发展, 广泛应用于图像处理、语音识别、自然语言处理等 [4] , 引领世界科技前沿的跨越式发展. 从AlphaGo 到AlphaZero, 从OpenAI 到OpenAI Five, 大量人工智能的动态博弈对抗算法替代传统智能算法, 以应对复杂对象的非线性智能决策的科学挑战 [5-8] . 过去十余年, 人们围绕面向复杂对象的人工智能开展了深入探索, 在某些方面取得了一些重要进展, 如宽度学习、联邦学习等深度学习技术 [9,10] , 但这些核心技术都没有突破人工智能非线性瓶颈.

2018年, 挪威科学家O. E. Gundersen的调查表明: 过去几年提出的400多种人工智能算法中有94% 的算法 “可复现” 存疑 [11] . 同年, DARPA启动“颠覆性机遇特别通知——物理人工智能"项目和下一代人工智能计划, 探索内嵌物理、数学和先验知识的人工智能范式, 以期突破人工智能可解释性瓶颈 [12] . 2019 年, CMU 提出了DVIB 技术, 从信息论视角给出解决深度学习可解释性问题的一种方案 [13] . 2017年, 国务院发布“新一代人工智能发展规划", 提出 “实现具备高可解释性、强泛化能力的人工智能” 目标. 上述一系列人工智能理论与方法虽然在某些领域取得了关键突破, 但这些方法仍然局限于传统的统计线性化动态建模框架. 因此, 这些方法在处理复杂对象时仍然遇到可解释性、泛化性和可复现性等发展瓶颈.

随着人工智能方法的广泛应用, 深度学习等技术的局限性也逐渐暴露出来, 难以处理如强干扰、强隐蔽、强欺骗等带来的信息不完备、边界不确定等诸多问题. 相关研究表明, 基于深度神经网络的智能算法, 如人脸识别、自动驾驶、物体检测等都极易受到噪声的干扰产生不可预期的错误, 甚至可能被误导产生严重的后果 [14] . 为保障智能算法在极端对抗环境下的可靠性与可生存性, 迫切需要开展面向复杂动态对象的可解释精准智能理论方法研究, 探索人工智能技术决策机制、脆弱性原理、评测体系、分析方法以及优化加固方法, 发展复杂大数据的数理表征机理与范式、融合先验知识的复杂系统智能构建方法、面向复杂系统动态行为的人工智能学习方法等. 因此, 亟需创建基于复杂性与多尺度分析的新一代人工智能理论, 我们称之为精准智能. 精准智能的主要目标是建立基于大数据的深度表征,学习与识别新理论与新方法, 突破现有人工智能可解释性瓶颈,发展一套高精度、高稳定、可信赖的智能模型与方法体系, 主要包括复杂数据科学感知、复杂系统精准构建、复杂行为智能分析3个层次.

本文第1节简述人工智能发展的历史、当前遇到的瓶颈以及精准智能研究的科学必要性; 第2节从可解释性、系统非线性和复杂性角度阐述当前人工智能面临的科学挑战; 第3节介绍本团队在面向复杂动态对象人工智能方向的研究成果; 第4节从面向复杂对象的数据科学感知、系统精准建模、智能行为分析3个层次详细介绍精准智能的目标、内涵与关键技术; 第5节将精准智能理论应用于群体智能并提出群体熵方法; 第6节简要地总结与展望.

专知便捷查看