|
之江实验室 ScienceAAAS 2022-10-19 15:05 发表于北京  智能计算是支撑万物互联时代数字革命的新型理论方法、架构体系和技术能力的总称。其核心是综合运用智能技术和计算技术，对计算的基础理论方法、软硬件架构体系、技术应用支撑等进行系统性、变革性的创新，形成强智能、大算力、高能效、高安全的计算能力和普惠泛在、随需接入的服务能力，为智慧社会的数字能力建设提供基础性支撑。 为推动智能计算的发展，指引未来智能计算的研究，之江实验室与《科学》杂志自2022年5月面向全球联合征集了对未来智能计算研究具有重大意义的基础性科学问题。李德毅院士、王怀民院士、朱世强教授、蒋田仔院士、陈怡然教授、于非院士、赵志峰研究员、Ajey Jacob博士等海内外专家总结、提出了以下十个被认为最深刻、最具挑战性的科学问题。 智能计算十大科学问题已在《科学》杂志以及“第二届智能计算创新论坛”上正式发布并出版。欢迎报名论坛参与讨论！
如何定义智能，如何建立智能计算的评价和标准体系?  模拟计算是否存在统一的理论模型？ 模拟计算用硬件来模拟算法，测量如电压、光强等连续信号。它在解决特定问题上具有耗能低、运算效率高的优势。但很多年前，随着数字计算的出现(计数取代了测量)，模拟计算就不再受追捧了，部分原因是当时很难扩大其规模，也很难验证模拟系统。 然而，因其能够模拟生物网络的组成部分（如突触和神经元）的特性，模拟计算又开始兴起。不同的算法和平台已经发展起来，都试图在模拟领域建立更有效的测量方法。 但是，目前使用多种物理载体和计算方法进行仿真和计算是一种不完善的实践。它需要一个统一的理论模型，以促进其标准化和大规模应用。 计算领域的重大创新将从何而来，量子计算的计算能力是否会接近人脑的计算能力？ 硬件和软件的联合设计和共同进化很可能驱动重大的计算进步。创新来自各个层面：我们几乎每年都能看到具有独特性能的新兴设备取得突破。这些创新驱动着它们集成到电路中、分级系统中，以及被部署的算法和应用中；同时，如何进行集成也在驱动着创新。 一些新设备可能对传统计算没有用处，但可能使神经网络变得高效，而新的计算模型可能需要非传统的硬件支持。例如,需要新的架构来模拟星形胶质细胞的行为。星形胶质细胞被发现在认知中起着重要作用，与神经元有很大的不同。 量子计算机的操作方式与通用计算机不同。它们的发展仍处于早期阶段——目前它们主要用于大数分解等领域，如加密。他们是否有朝一日能够模拟认知计算，甚至人脑的情感能力，目前仍是一个热门的研究问题。 哪些新器件将被制造出来（晶体管、芯片设计和硬件范式：光子学、自旋电子学、生物分子、碳纳米管）？ 在纳米尺度甚至更细微的尺度上，这些器件已经存在，或者正在被积极研究。关键是让它们变得更好，并更好地利用它们。 例如，有许多器件是基本的电阻，它们可以被编译成电平，这些电平被存储和传输。各种各样的技术——电子学、光子学等——都可以表现出非常相似的行为。这些行为很像大脑中的突触，通过它们信号可以被传输、放大或衰减，并且激发的信号可以被整合起来，产生突触波形。这将成为通用设备的基础。 一个问题是如何结合多个物理维度（如波长和偏振模式）来开发相应的光电互连器件。需要解决功率、性能、面积和成本问题，以扩大技术规模并使其逐步发展。 智能计算如何使智能机器成为可能？ 专业术语“机器”是“计算”的基本概念。一台机器，无论智能与否，主要有三个组成部分:一个收集外部激励（数据）的传感器，一个储存传感器收集来的信息的存储器，以及一个从存储器收集数据并对其进行推理、采取行动或发送信号的逻辑单元。 智能机器将进行智能计算。接下来的问题是，我们是否可以创建一个智能计算范式。 如何基于数字孪生脑理解记忆存储与提取？ 记忆存储与检索的时空动力学机制表明了记忆的高度可控性，为修复记忆的损伤带来新希望。然而，脑网络的协同性和动态性特征阻碍了对记忆复杂属性的探索。 研究人员已经创建了不同器官的数字孪生体，包括大脑在内。为研究阿尔茨海默病和癫痫等疾病，研究人员建模并仿真了它们的多尺度结构和功能。虽然这些被认为比模拟人的记忆要简单得多，但它们确实展现了概念上的可行性。数字孪生脑将使研究人员突破现有对记忆、及其病理和调制研究的时空尺度和准确性限制。 记忆是感官、情感、概念和运动之间的联系。即便我们成功复制了整个大脑，我们也不能忽视这些联系。 硅基计算和碳基计算最高效的融合途径是什么？ 如今，硅基计算开始逐渐到达物理极限，需消耗大量电能且缺乏智能；生物大脑是目前所知碳基计算的最高级形式，聪明智能，但计算速度、准确度、可靠性不如硅基计算。碳基计算与硅基计算平台在很多方面都有不同。前者依赖于一个稀疏但高度连接的神经元网络，在信号处理方面很慢，但在某些应用方面很好；硅基计算则依赖于高度集成的二维布局，传输速度要快得多。 我们需要一种融合硅基、碳基计算的计算新范式。 研究人员正在探索至少两种路径以实现系统融合：一种路径是基于现有的硅基架构建立神经网络的数学模型；另一种路径是构建层层网络连接的深层神经网络。 在现有阶段，简单的互连不做计算。或许一条通往融合的道路将包括构建更像神经元突触的组件，整合信息并参与计算过程，而不仅仅是充当中继。 如何构建可解释的、高效的AI算法？ 具有可解释性的高效人工智能（AI）算法一直是人们追求的目标。张量网络等新的数学方法，以及专家知识、逻辑推理和自主学习的有效整合，能否解决人工智能技术中可解释性与效率的困境？这种整合是否会打破深度学习作为“黑箱算法”的现状，建立可用于不同领域、不同场景（语音、图像、视频、数字孪生、元宇宙等）的新一代可解释方法体系？  能否实现具备自学习、可演化、自反思特征的强智能计算？ 智能计算的目标是在人机物三元融合空间中，高效自主地解决大规模复杂问题。使用弱智能的方法能在一定程度上获得此类问题的良好结果，但本质上，这种方法严重依赖人工预设的物理符号系统、神经网络模型、行为规则集合等人类先验知识的定制化输入。 强智能计算可以根据输入和环境而动态变化。在不同的背景中，系统具有自学习能力可以避免重复输出先前的内部状态，具有可演化能力可以自适应地改进系统的架构模式，具有自反思能力可以根据历史任务求解的经验扩展模型的泛化性。因此，研究更高阶复杂度的计算理论，探索解决重大科学难题的自动化方法构造范式，让计算机自主进行任务理解和分解、动态优化路径构建、内核模型演化发展，是未来智能计算的重大科学挑战之一。 如何利用真实世界数据发现和归纳知识？ 在计算领域有一个重要的争论，即机器学习是否能真正概括，或只是以更有效的方式简单重申已知的东西。能够识别测试集中的对象或标签可能是有争议的，无非是说这个对象与最初用来定义它的对象具有足够多的共同特征。 因此，智能计算需要以主动的、启发式的、开放的智能形式完成原本由人预定义逻辑执行的计算任务，同时，这类计算的效果需要在真实世界中得到验证。知识发现是知识驱动应用的前提，也是人工智能强弱区分的重要指标。真实世界数据的知识发现是智能计算要解决的重大科学问题。在开放世界的计算中主动式、启发式地感知异常、发现规律、归纳知识，通过有限状态机解决逻辑程序执行流程的局限性，是智能计算的重要任务和里程碑事件。 排名不分先后，以姓名英文首字母为序 问题题目：人机混合智能中的计算-算计问题 关键词：人机混合智能 计算-算计 深度态势感知 决策 问题描述： 要做一个自己相信的智能系统很难，要做一个别人相信的智能更难。目前，人工智能系统已经广泛应用于诸多领域，部分实现了代替人工作出决策的过程。但现实中的人工智能方法局限于相对“确定性、完全信息、受限环境、可解释性差”的约束，不能满足复杂环境决策的要求。在真实复杂的不确定因素、非完全信息、开放环境中，人类的经验、直觉、灵感与人工智能系统的高效、精确具有合作互补的巨大潜力。 时下的人工智能系统之所以还远远不能达到人们的期望，其根本原因在于构造人工智能的基础是当代数学而不是真正的智能逻辑，首先数学不是逻辑，从数到图再到集合，从算数到微积分到范畴论无一不是建立在公理基础上的数理逻辑体系，而真正的智能逻辑既包括数理逻辑也包括辩证逻辑，还包括未发现的许多逻辑规律，这些还未被发现的逻辑规律既有未来数学的源泉也有真情实感逻辑的涌现，真实智能从不是单纯脑的产物（如狼孩），而是人、物（机器是人造物）、环境相互作用、相互激发唤醒的产物，如一个设计者规划出的智能系统还需要制造者认真理解后的加工实现，更需要使用者因地制宜、有的放矢地灵活应用等等，所以一个好的人机融合智能涉及三者（甚至多者）之间的有效对立统一，既有客观事实（状）态的计算，也有主观价值（趋）势的算计，是一种人、物、环境的深度态势感知系统。而当前的人工智能无论是基于规则（数学模型）的还是基于统计概率（大小数据）的大都是基于计算，而缺乏人类算计的结合与嵌入，进而就远离了智能的真实与灵变。 另外，自然科学及数学等理性工具本质上是一种主体悬置的态势感知体系，人文艺术等感性常常是一种主体高度参与的态势感知体系，人机融合智能涉及到了这两方面，由于智能主体的实时参与，所以更侧重人文艺术感性方面。与西方理性计算思维相比，东方智慧中既有理性的成分也有感性的成分，东方智慧不是单纯的智能计算，而是智能化，重点在“化”，即算计。算计是人类带有动因的理性与感性混合盘算，是已有逻辑形式与未知逻辑形式的融合筹划。由上所述，我们不难看出，人机混合智能中的计算-算计（计算计）问题其实质是东西方智慧的融合与共生。 问题产生的背景： 世界是复杂的，复杂性的世界并不都是科学和计算，而是科学与非科学、理性与感性融合的人物环境系统，智能是自然与人工的结合，准确地说，依目前的数理、物理水平，通过编写计算机程序是不可能实现人类水平的智能的，人工智能是不可能真正理解世界的，必须另辟蹊径。本问题根据东西方文明的特点及现有计算及认知领域成果，提出计算计模型，针对复杂、多域、动态的环境，研究人机混合下的态势感知模型，探索人-机-环境对决策的影响。进一步构建基于理性和感性混合驱动的计算计模型，实现人机混合智能决策。完成人机混合智能及计算计的理论创新、模型创新、方法创新与平台创新，为人机混合智能决策提供方法和理论基础。 最新进展和重要意义： “智能”这个概念就暗含着个体、有限对整体、对无限的关系。针对智能时代的到来，有人提出，“需要从完全不同的角度来考虑和认识自古以来就存在的行为时空原则”，如传统的人、物、环境关系等。图灵机的缺点是只有刺激-反应而没有选择，只有顺应而没有同化机制。 人机身体融合早期主要应用于躯体残缺人士的假肢方面。近年来开始应用于增强人体力量和耐受能力的动力装甲或动力外骨骼，以及真实人体与虚拟人体的互动控制等领域。 人机行为融合包括人影响机器、机器影响人和人机协同行为三种模式。人工智能、智能机器人和虚拟数字人的快速发展使得人的行为表现往往是爱到机器影响后的结果，驾驶行为是驾驶员与汽车中的导航、自动巡航等汽车驾驶辅助系统融合的结果，社交行为也是社交应用与媒体调节下的混合结果。最近也应用于娱乐、电影人物形象和动作的创作以及直播领域，如依托5G、VR、AR等技术开办虚拟演唱会和控制虚拟人物（avatar）的动作与表情等，演唱者可以在工作室内和VR/AR技术搭建的演唱会场景中举办虚拟现场演唱会。数字孪生（Digital Twin）是对真实物体、生物体或人的虚拟数字建模与实时同步方法。与虚拟仿真和传统虚拟现实不同的是，数字孪生的相关参数是随真实物体、生物体或人的变化相应变化的，因此能够以数字化的方式如实反映真实物体、生物体或人的状态。 人机智能融合系统通过结合机器智能与人的智能的优势来克服现有人工智能系统的不足，是人工智能的一种演进模式。例如，在CommPlan的人-机器人协同决策的框架中，决策模型的一部分通过学习数据获得，而另一部分则由人工手动设定，以准备食物任务进行的实验结果证明，这种人机融合的协同决策在决策时间上显著快于没有人机互动和互动方式仅由开发者根据自己经验设定的方式。脑机接口技术的发展使得其在医疗健康、游戏、虚拟现实等领域的应用广泛开来，突破了传统的单项的脑机交互模式。 近年，人机交互技术的发展与进步也促进了人、机与环境的融合。使得人类所处的环境能够与人类以一种自适应的、可进化的、非侵入的、低负荷的、自然的、甚至是主动的方式进行交互，形成了环境智能或泛在智能（Ambient Intelligence，AmI）。自动驾驶汽车系统是环境智能领域相关技术发展的集中体现，通过对环境的自动感知、理解和执行实现不同程度的自动驾驶。人机融合的目标是有效协同。在人与系统的协同过程中，系统透明度、人对机的信任程度、人机之间的认知一致性会决定有效协同的程度。 在人机融合的研究中，一个重要的方向是自主系统的研究。在执行任务的状态中，自主系统可以根据任务需求，自主完成“感知—判断—决策—行动”的动态过程。例如有科学家们已经开始研究额外的机器手指对大脑神经系统的影响。 人机混合智能的核心问题为：是不是+该不该+好不好的混杂组合问题。其中“是不是”属于客观事实性逻辑计算问题，“该不该”属于主观价值性判定算计问题，“好不好”属于主客观混合性决策计算计问题。当前大家做人机混合智能大都处在做“是不是”（0、1）的逻辑可计算部分，对于主观价值的可判定性及两者的混合计算计性还未有好办法解决。 人机之间、态势之间、感知之间、计算与算计之间常常具有非互惠作用现象，即作用力不等于反作用力，如何量化分析这些等价的相互作用呢？并且，现有的逻辑体系很难判断处理各种意外，如塞翁失马的大逻辑与刻舟求剑的小逻辑。现阶段的人机交互很难实现人机之间的有机融合，仍处于相对简单的低级水平，难点之一就在于价值意向性的形式化。鉴于机器只有局部性事实逻辑，没有人类的整体性价值逻辑，我们可以尝试把人机结合起来进行功能与能力的互补，用人类的算计这把利刃穿透机器计算不时遇到的各种各样的“墙”。 智能是在人与物、环境的交互中逐步形成的，一方面，我们的认知总是在与这个世界发生着融合；另一方面，被误用的计算却也可能会影响我们的认知。1968年图灵奖获得者理查德·哈明就曾一语中的地认识到：“计算的目的不在于数据，而在于洞察事物。”，这里的洞察就包含着对未来的预测与算计。 智能的逻辑与理性的逻辑是不同的逻辑 上文也是人机交互与认知工程实验室参与发表的第一篇《Science》文 |
|
|
来自： kaller_cui > 《人工智能》
