隨著云時(shí)代的來(lái)臨，大數(shù)據(jù)(Big data)也吸引了越來(lái)越多的關(guān)注。分析師團(tuán)隊(duì)認(rèn)為，大數(shù)據(jù)(Big data)通常用來(lái)形容一個(gè)公司創(chuàng)造的大量非結(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)，這些數(shù)據(jù)在下載到關(guān)系型數(shù)據(jù)庫(kù)用于分析時(shí)會(huì)花費(fèi)過(guò)多時(shí)間和金錢(qián)。當(dāng)前，以深度學(xué)習(xí)為代表的人工智能技術(shù)已經(jīng)應(yīng)用到各個(gè)行業(yè)。驅(qū)動(dòng)人工智能技術(shù)蓬勃發(fā)展的是各行各業(yè)積累的大數(shù)據(jù)?？梢哉f(shuō)，正是在大數(shù)據(jù)的“喂養(yǎng)”下，人工智能技術(shù)才真正茁壯成長(zhǎng)。然而，在近日召開(kāi)的香山科學(xué)會(huì)議第667次學(xué)術(shù)討論會(huì)上，與會(huì)專(zhuān)家指出，大數(shù)據(jù)的“紅利”效應(yīng)正在逐漸減弱，人工智能技術(shù)的單點(diǎn)突破難以持續(xù)支撐行業(yè)發(fā)展，亟須在數(shù)據(jù)科學(xué)和計(jì)算智能方面突破一些關(guān)鍵核心技術(shù)。

人機(jī)融合或可彌補(bǔ)數(shù)據(jù)自動(dòng)推理弱點(diǎn)

在中國(guó)科學(xué)院自動(dòng)化研究所研究員陶建華看來(lái)，雖然當(dāng)前人工智能在數(shù)據(jù)自動(dòng)推理中依然面臨很多技術(shù)難點(diǎn)，但是人機(jī)融合的推理方式可以有效地彌補(bǔ)這些弱點(diǎn)。人機(jī)融合推理著重于研究一種由人和機(jī)器相互協(xié)作下的新的推理模式，包含“機(jī)器懂人”和“人懂機(jī)器”兩方面的含義。

對(duì)人的推理思維的理解是“機(jī)器懂人”的關(guān)鍵。其核心問(wèn)題是如何構(gòu)建能夠反映人推理過(guò)程的思維形式化計(jì)算方法。該方法將人的推理思維形式化描述、概率推理、構(gòu)建知識(shí)圖譜，以及與現(xiàn)實(shí)場(chǎng)景的信息進(jìn)行有機(jī)融合，從而可以將人的推理過(guò)程有效的輸入到機(jī)器中，并與機(jī)器的推理網(wǎng)絡(luò)進(jìn)行結(jié)合。

此外，解決“人懂機(jī)器”問(wèn)題將有助于人對(duì)機(jī)器智能輔助增強(qiáng)。機(jī)器推理過(guò)程的可解釋性，對(duì)于構(gòu)建人機(jī)融合的推理過(guò)程尤為關(guān)鍵。過(guò)程可解釋的機(jī)器推理方法提供了解決問(wèn)題的新方法，適當(dāng)?shù)臄U(kuò)展流程，并最大限度地減少人為錯(cuò)誤的機(jī)會(huì)，可以幫助人類(lèi)和機(jī)器協(xié)同做出更為準(zhǔn)確和迅速的推理與判斷。

微軟亞洲研究院副院長(zhǎng)劉鐵巖結(jié)合他們的實(shí)際工作舉例道：“我們?cè)谏疃葟?qiáng)化學(xué)習(xí)的基礎(chǔ)上，利用‘完美教練’技術(shù)來(lái)處理信息的不完全和不確定性，從而很好地解決了麻將這一復(fù)雜的博弈問(wèn)題。我們的算法在2019年3月登陸知名的競(jìng)技麻將平臺(tái)，經(jīng)過(guò)5000局的鏖戰(zhàn)，成功晉級(jí)十段，其穩(wěn)定段位顯著超越人類(lèi)頂級(jí)選手，成為首個(gè)超人麻將AI。”這是在處理數(shù)據(jù)不完全性和不確定性方面做出的有益嘗試。

劉鐵巖指出，大數(shù)據(jù)特性在不斷演化，且愈發(fā)復(fù)雜。新型智能算法需要針對(duì)數(shù)據(jù)特點(diǎn)有的放矢地解決問(wèn)題，這樣才能填補(bǔ)數(shù)據(jù)與算法間的鴻溝，使人工智能綻放更多的價(jià)值。

主流AI算法未充分考慮大數(shù)據(jù)復(fù)雜性

人們常常用海量性、多樣性、高速以及價(jià)值密度低來(lái)描述大數(shù)據(jù)的特點(diǎn)。但真實(shí)的大數(shù)據(jù)往往更加復(fù)雜，比如具有不完全性、不確定性、動(dòng)態(tài)性、關(guān)聯(lián)性等特點(diǎn)。反觀經(jīng)典的人工智能算法，它們對(duì)數(shù)據(jù)的假設(shè)往往過(guò)于簡(jiǎn)單。比如，假設(shè)數(shù)據(jù)是靜態(tài)的，產(chǎn)生于獨(dú)立同分布的采樣過(guò)程;訓(xùn)練數(shù)據(jù)是可靠的、數(shù)據(jù)所承載的信息是完全的等。

“數(shù)據(jù)的真實(shí)復(fù)雜性和算法的簡(jiǎn)單假設(shè)之間存在著巨大鴻溝，這使得經(jīng)典智能算法在很多復(fù)雜任務(wù)上表現(xiàn)欠佳，亟待進(jìn)一步的研究和探索。”會(huì)議執(zhí)行主席之一、中國(guó)科學(xué)院院士梅宏強(qiáng)調(diào)，大數(shù)據(jù)是人工智能獲得成功的物質(zhì)基礎(chǔ)，但目前主流的人工智能算法并未充分考慮大數(shù)據(jù)本身的復(fù)雜性。

從計(jì)算和通信領(lǐng)域看，大數(shù)據(jù)與人工智能技術(shù)在大規(guī)模工程化應(yīng)用方面取得了長(zhǎng)足進(jìn)步。然而，大數(shù)據(jù)處理的技術(shù)進(jìn)步主要體現(xiàn)在：以軟硬件垂直優(yōu)化和體系重構(gòu)的極端化方式來(lái)適應(yīng)數(shù)據(jù)規(guī)模、傳輸帶寬和處理速度的提升，研究人員對(duì)大數(shù)據(jù)固有的非確定性和復(fù)雜性尚沒(méi)有深刻認(rèn)識(shí);與此同時(shí)，人工智能技術(shù)也面臨魯棒性、可解釋性和復(fù)雜系統(tǒng)認(rèn)知瓶頸等挑戰(zhàn)。

梅宏進(jìn)一步指出，當(dāng)前數(shù)據(jù)智能存在低效、不通用以及不透明三大問(wèn)題。“現(xiàn)在的數(shù)據(jù)智能就像工業(yè)革命前的‘蒸汽機(jī)原型’一樣，低效而昂貴;它只能針對(duì)不同應(yīng)用定制不同模型，難以建立通用模型。”梅宏說(shuō)，更重要的是，當(dāng)前并沒(méi)有對(duì)數(shù)據(jù)智能形成深刻認(rèn)識(shí)，只是知其然，而不知其所以然。