论文部分内容阅读
摘 要：本文论述AI目前的智能水平，及AI智能的正确研究思路和方向。
关键词：AI智能;智能感知;智能认知;智能决策
近几年AI圈热闹非凡，各种新闻令人眼花缭乱。但冷静下来想想，图像识别是个黑盒子，自动驾驶常出事故，重大灾难发生时机器人救援效果不佳，万众期待的AI智能迟迟不撩开面纱。那么AI什么时候能拥有智能，并且这种智能是我们人类可以理解，可以相信的呢？
在此描述一下AI智能的正确打开方式，首先从计算机视觉开始讨论。实验心理学家赤瑞特拉做过心理实验证实：人类获取的信息83%来自视觉，11%来自听觉，这两个加起来就有94%。其它途径是嗅觉、触觉和味觉。在人工智能领域，计算机视觉的重要性不言而喻。
现在主流的卷积神经网络，从AlexNet，GoogLeNet，ResNet，到DenseNet，不停变化的神经网络结构，不管有多复杂，整体来看其实只有两层：各个神经元之间的回归函数层，及最后的分类层。回归函数层起到的作用是提取不同层次的特征，最后由分类函数进行相似度计算，得出分类结果。由于提取特征的过程不透明，不可解释，与人类的思考方式不一致，自然就不容易相信。
我们人类观察一个物体或一張图片，历史的经验会起到很重要的参考作用，而对于没有见过的物体通过想象来推理其用处。这是一种学习和推理能力，是智能的一部分，而神经网络显然不是这样的工作方式。
例如看到一张从未见过的猫的图片，我们是从有皮毛的动物，有四肢，有尾巴，脸部形状等来推测。那么AI能不能用类似的方法呢？答案是可以的，已经有团队在尝试。具体请参考[1802.00121] Interpreting CNNs via Decision Trees。
智能的整体架构
对于AI智能，仅仅拥有可解释的观察能力是不够的。整体的AI智能架构包括七层，分别是初始任务、知识和常识、感知和认知、学习人类的价值函数、决策机制、头脑和语言。我们一层一层来解释。
初始任务
初始任务就是AI智能努力的目标。以自然界的一只小松鼠为例，首先要解决的是活下来，要有食物，不要被其它天敌吃掉，长大成熟后找到配偶，抚育下一代，这些就是小松鼠的初始任务。那么一个智能机器人的初始任务可以是家务机器人，可以是运动陪伴机器人，可以是溺水救援机器人等等。这是智能的起点。
知识和常识
常识就是我们在这个世界和社会生存的最基本的知识。它使用频率最高，并且它可以举一反三，推导出并且帮助获取其它知识。包括社会常识和物理常识/视觉常识，例如房间内的物体可以是被地板支撑，可以挂在墙上，可以吊在顶棚等。
感知和认知
在AI智能领域，研究最多的就是智能识别和感知。与当前CV领域三大基本能力不同，智能感知并不是从目标识别、目标定位和目标分割三方面去努力，而是选择了完全不同的道路。
AI智能要做的第一步是二维图像的三维重建，而且是基于单张二维图像的三维重建。这在数学上很难做到，因为三维重建需要双视角的信息输入。但是我们人类有这种能力，看到一张照片就能在脑海里进行三维还原，基本原理就是我们知道每件物品在现实社会里的大小。例如门高80英寸，椅子和小腿高度一样，约16英寸等。
3D重建完成后，对于每一个物品的识别，并不是依赖大量标注好的图片训练，而是从人类视角，推测这个物品我们如何使用。如果可以存放物品，并且高度是人眼的高度，形状是立方体，那就是壁橱。如果从力学角度人坐上去会感觉舒服，那就是椅子，以此类推，而不是简单贴上标签。
识别物体之后，还要理解物体的摆放是否合理和安全。这会影响之后的动作决策。
对于各种容器内的物体或液体，要根据人类的动作和容器的状态进行推理。如果在倒水，那壶里一定是有水的。这里渐渐能看到智能的影子。
对于各种可见不可见的物体识别完之后，如果图像里有人或动物，就可以观察他/她/它在关注什么，知道什么，喜欢什么，猜测之后可能的动作是什么。
上面是对单张图片的感知内容。如果是视频，可以了解更多的信息。
学习人类的价值函数
在一定时间的观察之后，可以得到被观察者做事方式的价值函数，例如喜欢喝啤酒还是饮料？喜欢多互动还是少打扰？喜欢每天扫地一次还是只要有脏东西就要清理？等等。
决策机制
了解了各种物体，了解了被观察者的喜好，为了达成初始任务，AI智能体就能决定自己的具体任务链，例如去开门，去拿啤酒，去打开电视等等。随着仿生机器人的快速发展，已经可以完美写成这些动作。
头脑
为了更好地完成任务，AI智能体需要理解被观察者知道什么，正在做什么，打算做什么等等。还要清楚对方知道什么，对方知道自己知道什么，双方共同知道什么，这是沟通和决定下一步行动的基础。在这个过程中，需要进行沟通，而语言是沟通的一种主要方式。
语言
人类用语言沟通的基础是要完成共同的任务，所以语言是任务驱动的。通过观察和认知，了解这个世界，并且知道自己能做什么，就可以对具体任务进行沟通。这是基于理解的语言，而不是为了说而说。现在自然语言处理领域基本上是从语言开始，到语言结束，与现实社会脱节，成为无源之水。
总结
上面说明的智能，并不是纸上谈兵，已经有很多国际团队在2010年之在致力于AI智能体的实现。电影中描绘的强人工智能离我们还很遥远，但是通用人工智能（Artificial General Intelligence，AGI）时代已经来临！
在通用人工智能时代，计算机视觉、自然语言处理、机器学习都是融为一体的，这个融合剂就是感知（Recognition）和认知（Congnition），或者叫做理解和推理。
让我们拥抱这个时代！
参考文献
[1] M. S. Arulampalam，S. Maskell，N. Gordon，and T. Clapp. A tutorial on particle filters for online nonlinear/non-gaussian bayesian tracking. IEEE TSP，50（2）：174–188，2002.
[2] A. Belardinelli，O. Herbort，and M. V. Butz. Goal-oriented gaze strategies afforded by object interaction. Vision Re-search，106：47–57，2015.
[3] A. Borji，D. N.Sihite，and L. Itti. Probabilistic learning of task-specific visual attention. In CVPR，pages 470–477，2012.
[4] A. Borji，D. N. Sihite，and L. Itti. What/where to look next？ modeling top-down visual attention in complex interactive environments. IEEE TSMCS.，44（5）：523–538，2014.
作者简介：王悦林（1973.2—），男，汉族，黑龙江人，本科生，现任职于联想数据智能事务部，研究方向是人工智能。
关键词：AI智能;智能感知;智能认知;智能决策
近几年AI圈热闹非凡，各种新闻令人眼花缭乱。但冷静下来想想，图像识别是个黑盒子，自动驾驶常出事故，重大灾难发生时机器人救援效果不佳，万众期待的AI智能迟迟不撩开面纱。那么AI什么时候能拥有智能，并且这种智能是我们人类可以理解，可以相信的呢？
在此描述一下AI智能的正确打开方式，首先从计算机视觉开始讨论。实验心理学家赤瑞特拉做过心理实验证实：人类获取的信息83%来自视觉，11%来自听觉，这两个加起来就有94%。其它途径是嗅觉、触觉和味觉。在人工智能领域，计算机视觉的重要性不言而喻。
现在主流的卷积神经网络，从AlexNet，GoogLeNet，ResNet，到DenseNet，不停变化的神经网络结构，不管有多复杂，整体来看其实只有两层：各个神经元之间的回归函数层，及最后的分类层。回归函数层起到的作用是提取不同层次的特征，最后由分类函数进行相似度计算，得出分类结果。由于提取特征的过程不透明，不可解释，与人类的思考方式不一致，自然就不容易相信。
我们人类观察一个物体或一張图片，历史的经验会起到很重要的参考作用，而对于没有见过的物体通过想象来推理其用处。这是一种学习和推理能力，是智能的一部分，而神经网络显然不是这样的工作方式。
例如看到一张从未见过的猫的图片，我们是从有皮毛的动物，有四肢，有尾巴，脸部形状等来推测。那么AI能不能用类似的方法呢？答案是可以的，已经有团队在尝试。具体请参考[1802.00121] Interpreting CNNs via Decision Trees。
智能的整体架构
对于AI智能，仅仅拥有可解释的观察能力是不够的。整体的AI智能架构包括七层，分别是初始任务、知识和常识、感知和认知、学习人类的价值函数、决策机制、头脑和语言。我们一层一层来解释。
初始任务
初始任务就是AI智能努力的目标。以自然界的一只小松鼠为例，首先要解决的是活下来，要有食物，不要被其它天敌吃掉，长大成熟后找到配偶，抚育下一代，这些就是小松鼠的初始任务。那么一个智能机器人的初始任务可以是家务机器人，可以是运动陪伴机器人，可以是溺水救援机器人等等。这是智能的起点。
知识和常识
常识就是我们在这个世界和社会生存的最基本的知识。它使用频率最高，并且它可以举一反三，推导出并且帮助获取其它知识。包括社会常识和物理常识/视觉常识，例如房间内的物体可以是被地板支撑，可以挂在墙上，可以吊在顶棚等。
感知和认知
在AI智能领域，研究最多的就是智能识别和感知。与当前CV领域三大基本能力不同，智能感知并不是从目标识别、目标定位和目标分割三方面去努力，而是选择了完全不同的道路。
AI智能要做的第一步是二维图像的三维重建，而且是基于单张二维图像的三维重建。这在数学上很难做到，因为三维重建需要双视角的信息输入。但是我们人类有这种能力，看到一张照片就能在脑海里进行三维还原，基本原理就是我们知道每件物品在现实社会里的大小。例如门高80英寸，椅子和小腿高度一样，约16英寸等。
3D重建完成后，对于每一个物品的识别，并不是依赖大量标注好的图片训练，而是从人类视角，推测这个物品我们如何使用。如果可以存放物品，并且高度是人眼的高度，形状是立方体，那就是壁橱。如果从力学角度人坐上去会感觉舒服，那就是椅子，以此类推，而不是简单贴上标签。
识别物体之后，还要理解物体的摆放是否合理和安全。这会影响之后的动作决策。
对于各种容器内的物体或液体，要根据人类的动作和容器的状态进行推理。如果在倒水，那壶里一定是有水的。这里渐渐能看到智能的影子。
对于各种可见不可见的物体识别完之后，如果图像里有人或动物，就可以观察他/她/它在关注什么，知道什么，喜欢什么，猜测之后可能的动作是什么。
上面是对单张图片的感知内容。如果是视频，可以了解更多的信息。
学习人类的价值函数
在一定时间的观察之后，可以得到被观察者做事方式的价值函数，例如喜欢喝啤酒还是饮料？喜欢多互动还是少打扰？喜欢每天扫地一次还是只要有脏东西就要清理？等等。
决策机制
了解了各种物体，了解了被观察者的喜好，为了达成初始任务，AI智能体就能决定自己的具体任务链，例如去开门，去拿啤酒，去打开电视等等。随着仿生机器人的快速发展，已经可以完美写成这些动作。
头脑
为了更好地完成任务，AI智能体需要理解被观察者知道什么，正在做什么，打算做什么等等。还要清楚对方知道什么，对方知道自己知道什么，双方共同知道什么，这是沟通和决定下一步行动的基础。在这个过程中，需要进行沟通，而语言是沟通的一种主要方式。
语言
人类用语言沟通的基础是要完成共同的任务，所以语言是任务驱动的。通过观察和认知，了解这个世界，并且知道自己能做什么，就可以对具体任务进行沟通。这是基于理解的语言，而不是为了说而说。现在自然语言处理领域基本上是从语言开始，到语言结束，与现实社会脱节，成为无源之水。
总结
上面说明的智能，并不是纸上谈兵，已经有很多国际团队在2010年之在致力于AI智能体的实现。电影中描绘的强人工智能离我们还很遥远，但是通用人工智能（Artificial General Intelligence，AGI）时代已经来临！
在通用人工智能时代，计算机视觉、自然语言处理、机器学习都是融为一体的，这个融合剂就是感知（Recognition）和认知（Congnition），或者叫做理解和推理。
让我们拥抱这个时代！
参考文献
[1] M. S. Arulampalam，S. Maskell，N. Gordon，and T. Clapp. A tutorial on particle filters for online nonlinear/non-gaussian bayesian tracking. IEEE TSP，50（2）：174–188，2002.
[2] A. Belardinelli，O. Herbort，and M. V. Butz. Goal-oriented gaze strategies afforded by object interaction. Vision Re-search，106：47–57，2015.
[3] A. Borji，D. N.Sihite，and L. Itti. Probabilistic learning of task-specific visual attention. In CVPR，pages 470–477，2012.
[4] A. Borji，D. N. Sihite，and L. Itti. What/where to look next？ modeling top-down visual attention in complex interactive environments. IEEE TSMCS.，44（5）：523–538，2014.
作者简介：王悦林（1973.2—），男，汉族，黑龙江人，本科生，现任职于联想数据智能事务部，研究方向是人工智能。