189 8069 5689
10 月 31 日，由北京智源人工智能研究院主办的 2019 北京智源大会在国家会议中心开幕，本次大会围绕人工智能基础研究现状及面临的机遇和挑战、人工智能技术未来发展的核心方向等话题，回归 AI 技术本身，开展深入研讨，探索人工智能前沿科技发展趋势。
在第一天的主论坛上，美国加州大学洛杉矶分校的朱松纯教授带来了《走向通用人工智能：从大数据到大任务》的主题演讲，并提出了任务是智能中心的观点。
以下是朱松纯演讲内容实录，AI科技大本营（ID:rgznai100）整理：
关于通用人工智能，每个人都有自己的想法，有人认为不可能，有人认为马上就要到来，而且会很可怕。不管哪一种观点，我们都要扎扎实实地去研究问题，今天我给大家分享一个从大数据到大任务的思路。
第一，人工智能的两种范式之争：大数据VS 大任务；第二，智能的中心核心是任务，每时每刻都被各种各样的任务驱动；第三，如何通过构建一个大任务的平台，来研究通用人工智能。
首先是两个范式之争。如果你问大部分人工智能的研究者，他们会告诉你AI = B+C+D，也就是人工智能等于大数据加上算力加上深度学习，这是被普遍接受的观点，但是我一直在反对这个观点。几年前我反对把深度学习作为人工智能之解时，很多人还很不满，但是今天很多人已经同意这个观点了。
目前以大数据驱动的人工智能，在产业落地的过程中遇到了很多问题，这个问题其实一早就可以预想到。比如只能做特定的、人类事先定义的任务，而不能做通用任务，或者自己定义任务。第二，每项任务需要大量的数据，成本非常高，而且模型不具有解释性，知识表达与人不同。
其实我们是最早做大数据的一个团队。2005年，我们带领了一批国际学者，包括后来在斯坦福标注 ImageNet 的人，以及后来的 MIT 实验室主任等，在中国湖北莲花 山标数据。当时大数据刚刚兴起，我们雄心勃勃地想标数据，制定了200 多页的数据标注手册，包括莲花如何分解，花蕊、花瓣以及生活环境等。
标了几年之后，我发现这里面有问题。一些学生刚开始问我如何标注时，我还能回答，但是后来我就答不出来了。于是我发现这条路走不通，所以2009 年左右，我就转型去做认知科学。
我之前写过一篇文章，介绍了两种人工智能的模式。
一种称之为“鹦鹉范式”，鹦鹉可以与人类对话，但是不理解你在说什么。比如你说林黛玉，它也说林黛玉，但是它并不知道林黛玉是什么。
还有一种是“乌鸦范式”。乌鸦找到核桃之后，会把核桃扔在路上，让车去压，压碎了再吃。但是因为路上车太多乌鸦吃不到核桃，于是乌鸦把核桃扔到斑马线上，因为这里有红绿灯，绿灯亮时车都停住了，它就可以去吃。这个例子是非常惊人的，因为乌鸦既没有大数据，也没有监督学习，却完全可以自主地研究其中的因果关系，然后利用资源完成任务，而且功耗非常小，小于 1瓦，这给了我们很大的启发。
但是乌鸦能做到的不仅是这些，它们还知道如何利用工具，我相信直到今天，很多机器人的规划能力都远达不到乌鸦对物理的理解。
假设我们要定义一个人工智能系统，我可以认为任何一个动物、机器都是 AI 系统，它往往决定了三个要素：第一是构架，你的脑袋里缺一块，就永远进化不到一个层次，人的智能90% 多都是天生的；第二是环境数据；第三是任务。
第一种层次的解法是用大数据给一个任务，比如人脸识别。给一个构架，比如深度学习有多少层，这就是目前通用的大数据系统。我认为人类走了另外一条路，就是有很小量的数据，但是有很大量的任务，不过人类有很高级的构架，这就成了另外一个系统。
举个例子，怎么教计算机学会识别椅子？用大数据的办法很简单，也非常暴力。就是搜索大量的例子，用人工标注。你需要搜集各种材质、各种摄像头角度的椅子，穷举后拿去训练，训练之后系统记住这些特征。但是艺术家总是设计新的椅子出来，总是有特例，机器总是搞不清楚，所以不可泛化，不可解释什么是椅子，这就是它的核心问题所在。在自动驾驶、视频监控等领域都存在这样的问题，即不能穷举所有的例子。
第二种层次的解法是什么呢？假设我们要理解椅子，定义什么是椅子。首先获得人的经典坐姿，之后用坐姿拟合图像，各种位置、各种朝向、各种姿态的坐姿，能够坐舒服的就是椅子，这就是一个任务。
椅子变成了一个任务的等价类，不管什么物体能够坐，坐得舒服的就是椅子。这代表了一种想象，我要想象这把椅子怎么坐，这和深度学习不同：regression是统计，拿特征去拟合，simulation 是用我的身体去想象，这是两者根本的区别。
第三个层次，什么是坐得舒服？首先这个椅子要坐得稳，物理稳定是神经系统里非常敏感的感知。
我做了一个简单的实验，把各种各样的椅子放在办公室和实验室里，看学生进来时先坐哪儿、后坐哪儿，这时人会有一个偏好。
另外一件我们感同身受的事是，我们可以感觉这个人是如何用力，如何受力的，这都可以映射，这是人类非常强的能力。映射过来之后，我就知道你如何坐得舒服，从中学到你的价值观。
理解这点之后，就不需要任何数据了。我知道椅子是为了让人坐得舒服，从根本出发，我根本不需要数据。这就是我说的小数据、大任务。
以任务为中心的智能是大家经过漫长的时间之后才体会到的。
第一层的表达是以图像为中心。我们看到了一张图像，然后以图像为中心抽取各种特征，理解各个部件。第二层变成了以场景和物体为中心，即几何表达。
第一层是深度学习，即把图像看成图像，没有几何、物理和功能的理解。第二层开始以三维的几何来表达场景，比如三维场景的桌子、椅子等。
最后，我认为真正的表达是以任务为中心的 task-centered representation，因为我们先有任务，才有世界上各种各样的物体，这些物体都是被设计出来是为了满足人的需求和完成某种任务。以任务为中心的表达，比如功能、因果、价值观、物理、社会常识，我们统称为physical and social common sense，这些常识是小孩在 18 个月之前获取的。
什么是以任务为中心的表达？我们考虑世界不是从某个物体类别的角度出发。比如开酒瓶，并不是只有开瓶器能开酒瓶，任何东西都能开酒瓶，砸核桃也隐藏着一个物理原理。我们知道物理原理之后，并不需要固定的东西开酒瓶，只要能完成开酒瓶任务都可以。我认为这种就是通用的人工智能。
这个问题怎么解？最近的研究发现，人脑里大部分的知识表达并不是按照物理的类别来组织的，比如椅子是一类，桌子是一类，车子是一类，而是按照如何使用它们来组织，大概可以分成两个尺度：身体的尺度和手的尺度。
其实这一点不新鲜，因为我们汉字中超过 1/3 的汉字都是与人有关的偏旁部首。我们之所以发明汉字，是因为汉字里有一些任务，任务就是要把人放进去，一起来考虑，比如手、脚、耳朵、身体等。
还是以砸核桃为例，乌鸦用车轮碾核桃，如果在一个新的环境中，工具被拿走，但是你还是能完成砸核桃的任务，这是小学教育很重要的事情，就是教会你具有基本的常识。
砸核桃虽然只有一个例子，但是人要从上万个选择中选择一个方案，在这个过程中有大量的simulation。我看到了核桃和几种工具，大脑会快速地想怎么做，可能你的大脑出现了上万种选择迅速。这是大量计算的过程，但不是深度学习的计算，而是一种 simulation 的计算。
还有时空因果的推理，现在这种情况要达到各种各样的目标，中间有各种各样的动作，然后形成一个因果方程，在物理上统一。
另外一点是 Causal Learning 和 Reinforcement Learing。RL现在也非常火，但是据神经科学研究者称，RL 是老鼠这类的低等动物用的，要用大量的例子反复实验。而人使用的是因果学习，只需要有两三个例子。
砸核桃的任务转换到机器人不能只是简单的转换，必须是一个物理因果的等价，要推理物理的功能。
这是一个从一两个例子中学习的过程。一个比较聪明的人可以从几个简单的选择里就悟出坐椅子的价值观，从一个简单的砸核桃的动作悟出本质。一旦悟出来还要数据做什么呢？所以，这是一个核心问题。
以铲土为例，如果让你用工具铲土，你就会想象如何去铲。如果没有工具，用家里的工具同样你也能铲土。经过自动计算，机器的第一个选择是锅，第二个选择是杯子。
当人类或猿人走过石器时代时，神经系统已经学习了工具和物理知识，他理解的是本质。
现在回到如何定义任务？图像有多少个像素可以很清楚地定义，但是任务如何定义呢？定义任务是以符合因果的方式，改变场景中的流态。“流态”是牛顿发明的一个词，包括时变的物理状态、内心状态、社会关系等，可以简单分类为物理流态和社会流态。
如果定义了这些原子的任务空间（atomic space），就可以组合产生复合的数学空间，这就是任务。这个事情说清楚，人工智能的问题就解决了一大半。
目前人工智能之所以遇到了很大的困难，是因为大家说不清楚到底要做什么任务。任务定义不清楚，是很多产品卖不出去，或者卖出去后被投诉的原因。比如扫地机器人产品定义不清楚应该吸和不该吸的东西有哪些，给机器的任务本身就没有清晰的定义。监控也一样，到底什么人该抓，什么人不该抓，或者什么样的环境都无法准确定义。
前面谈到了一些基本的物理任务和常识，物理常识是目前人工智能面临的主要障碍。比如自然语言理解，自然语言最多也是符号对符号，比如什么叫“玩水”，如果没有三维数据的体验，没有物理常识，其实很难搞懂这个词的含义，所以物理常识是关键。
中国有一则寓言故事“盲人辨日”。一个从未见过太阳的盲人，无法解释什么是太阳，这就是自然语言的尴尬。自然语言必须和认知科学、计算机视觉、机器人联系在一起，否则没法研究清楚，这是我的观点。
另外一种智能是社会的常识和任务。人类幼儿 12 个月之后开始指东西，他认识一个东西，但认为你不知道，所以他指给你看，这是一种非常强的智能。要实现这种智能，首先要有视角的转换，即推理他人所见所想，这是智能基本的东西。人类在对话时要有context，要知道上下文是什么，共同知道哪些东西。
一个人从第三视角看，是他真正看到的东西。然后我们从第三人称想他看到了什么，这是计算机推理，相当于我大概知道你在看什么，你突然问我问题时我就知道如何回答。这其中还有我们达成的共识，我知道你知道，你也知道我知道，这样才形成了一个共同的任务。
人的认知构架是什么？要形成对话，对话和语言是很重要的问题。每个客观的世界用一个圆圈表示，其中每一个点都代表一个状态。红色是我脑中所想，蓝色是机器人看到的。
首先，机器人看到的是不完整、不确定的世界，人类看到的是共享的世界，因为看问题的角度一样。我们彼此从对方的角度看问题，双方互相了解对方看到的东西。有了共同的东西，才能建立模型。
决策函数，即我知道你在这种状态下应该如何做，我应该如何做。价值函数，即我大概知道你应该怎么做，以及我认为你会怎么做，以及你认为我怎么做，有共同的情境和知识，就会有共同的价值观。最后通过交流的过程，我们达成了共识。
Christopher Manning 讲到人和人之间的通信只有 10 个 bit，很慢，跟 5G 相比差太远了，但是通信很快，为什么？就是因为我们有这些东西。
我总结一下 AI 的乌鸦模式。
用少量的例子，但是有功能、因果、价值观等以后，就可以举一反百，从初心出发来理解这个世界。我称之为 智能暗物质。你看见了这把椅子，想象身体如何去坐，这叫做暗物质。其中95%都是认知推理，只有把这 95% 搞定了，才能去理解剩下的 5%，否则就只能穷举所有的情况。
这是一个简单的演示，机器人如何与人类进行交互。机器人看到人进来了以后，它要理解人的意图，知道意图之后可以帮人打开冰箱，知道要把食物放到冰箱里。在整个过程中不仅有语言的交流，还有动作、表情的交流，使得双方能够达成一个共识，即猜测你的意图是什么，这是一个基本的方式。
这是我们刚做出来的桌面机器人，它能够进行三维场景的重建。三维场景重建可以使用一些基本的计算机视觉方法。然后想象在这个场景中人能够做什么，才能定义家具的用处。
这其中包括 top-down 的 inference，但永远无法识别小物体，必须要通过场景 context。这是一个非常致命的问题，现在所有的深度学习都没有 top-down，只有 bottom-up。
这时我们要做一个统一的系统，融通六大领域，即计算机视觉、认知科学、语言对话、机器学习、机器人学习等，融合了才能有一个像样的计算机系统。
如何构建大任务呢？我的目标是，在一个系统中训练出一只具有通用人工智能的“乌鸦”，这是一个核心问题。
当然，只在一个物理场景中训练是不够的。第一步要根据人的需求，生成大量的数据库中的三维物体。这是生成的各种例子，生成以后可以在各种环境中测试。现在做的大数据拟合，大家都可以测试，这是其中一种玩法。
我的玩法不同，智能系统来了以后，我用一个全新的系统给你看，看你能不能完成各种各样的任务，而不是事先规定的任务。
在这个系统里面必须要做物理逼真的东西，比如可以倒酒、倒水、挤牙膏、玩沙子、玩水，这是非常费劲的，我们已经做了好多年。
先定义基本的任务，人可以接进去，机器可以接进去，然后可以身临其境地共同完成任务。
我们做了一个手套，它可以精细化地记录一些感知和运动行为。我进入了以后就知道有一些基本的操作，就是Learing from demonstration。
这是一个虚拟的机器人智能体，让它完成鲜榨果汁。比如说它要先找橘子，然后把橘子切了，再到榨果汁的地方去压，它要有训练的过程。比如做饭、做面条，这都是非常大的任务。一般的日常生活中，你们看不起的东西越难。
人可以在里面与机器进行交互，也就是人机协作完成一件事情。
最后人也可以教机器人，比如说这个男的演示怎么砸核桃，这个动作背后其实有很大的工程量。
机器人会去想，怎样在一个新环境下完成砸核桃，整个推理的过程都可以在这个地方完成。
最重要的事情，我可以随时把机器叫停，然后问它，你现在知道什么，你知道我在干什么，或者叫它解释，打算做什么，为什么要做，这就是Explainable AI。
智能体的核心就是把自然语言对话、计算机视觉、机器人等结合在一起，就像教小孩一样，怎么样用小数据教会他。
第一，“大数据”对“大任务”两种范式之争，99%的人都是押注大数据，但是10年前我就押注大任务。
第二，我认为任务是智能中心。我们有task-orientated操作系统、编程语言和体系结构。
第三，如何构建大任务的平台。我要能在里面训练出“乌鸦”，通过自主的任务去驱动它。这里面有很多数学问题、理论问题和工程问题要解决，中美必须合作来解决这个问题。
https://www.toutiao.com/i6754302467501982212/