首页 > 国策经纬 > 文化 > 

陈云霁:计算机学科的三个根本科学问题

2016-12-09 08:55:43 学习中国 陈云霁

  中国科学院计算技术研究所研究员 陈云霁

  最近,人工智能是非常热门的一个名词,实际上对于做计算机科学的人来说,这是计算机学科里面三个最根本的科学问题之一。计算机里面三个基本的科学问题是什么呢?

  第一个是巴贝奇问题,就是所谓自动计算的问题。这个是19世纪英国科学家巴贝奇提出的,怎么把计算变成自动化。实际上,这个问题到今天已经有了一个很好的理论框架,而且已经有了很好的解决。像我们现在看到各种各样的服务器、笔记本和手机,实际上已经很好地解决了这些自动计算的问题。第二个计算机科学的根本性问题是布什问题,如何让信息进行广义的互联。如果有很多个能够进行计算的计算机,我们怎么把它连在一起,让它们协同工作,让它们互相间能传递信息,这个就是布什问题。这个问题实际上已经也有了非常好的解决方案,而且已经给我们生活带来了巨大的改变。第三个问题也是计算机学科里面可能最难的问题--图灵问题,就是把智能怎么去机械化的问题,怎么在机器上能够实现一个智能。

  巴贝奇问题和布什问题对于计算机科学,对于整个人类社会的进展,都带来了巨大的影响跟变革,都起到了巨大的作用。像巴贝奇问题提出之后,1946年美国研制了第一台电子计算机ENIAC,1964年推出的划时代大型主机IBM360, 1976年因特尔提出8086,包括到现在各种各样的ARM处理器、手机上面,都已经能够去做非常强的计算了。这就是巴贝奇问题的研究给我们生活带来的巨大便利。

  另外一个就是布什问题,信息如何广义互联,这个问题实际上最主要的解决是由1969年美国的DARPA,(实际上那个时候还不叫DARPA,叫ARPANET)美国国防部的一个创新研究局,它研制了ARPANET之后,就把布什问题给它有了一个很好的解决框架。在这个领域,ARPANET基本上解决了这么一些问题,计算机之间互联应该用什么样的协议、标准。再到后面有WWW万维网的提出,包括一些像PageRank算法的提出,社交网络的提出等等,最后在网络上大量进展,最后就促生出了像互联网+这样一个巨大的产业。所以说,布什问题也给我们生活带来了巨大的便利,带来了巨大的改进。

  相比前面两个问题,图灵问题的解决还有比较大的一个差距。但是我们看到计算机科学家实际上非常关注这些问题,像计算机领域最重要的奖励就是图灵奖,也可以称为计算机领域的诺贝尔奖。获奖者里面有接近一半都跟智能是相关的,包括人工智能的先驱,马文·明斯基、约翰·麦卡锡、艾伦·纽厄尔、保罗·格雷厄姆,这些人都曾经获得过图灵奖。而且我们看到近几年像Leslie Valiant、Judea Pearl这些图灵奖的获得者,实际上也都是做人工智能出身的。人工智能在这几十年发展历程中,实际上它是一个起起伏伏的过程,在我们之前最后的一次人工智能浪潮,日本的五代机的失败,使得整个人工智能的发展都受到了一个非常大的限制。这充分地说明人工智能的研究具有非常大的风险性,也有非常大的挑战性。当时日本五代机失败有很多现实的原因,比如说最根本的原因,我觉得应该说是当时对智能这个理解,尤其智能算法认知在当时计算机科学界都没有到一个非常高的程度。1986年才有了最初的BP算法,就是人工神经网络训练这种比较雏形的算法,包括当时一些像深度神经网络这样的技术都并没有能够为大家广泛地接受或者认知。当然除了对于神经网络、智能算法这些认知不足之外,其他包括像智能计算能力当时也是不足的,因为当时计算机比现在计算机大概要慢可能有几乎五到六个数量级,所以那个时候的计算能力也限制了智能能力的发展。

  另外还有个很重要的原因,就是在上个世纪80年代日本五代机的失败。当时很多科学家和工程师对智能非常感兴趣,但是普通老百姓对于智能的应用并不了解,他们认为智能的发展并不会形成产业,或者不会在应用上面有很大的推进。由于种种原因,上个世纪80年代日本五代机就失败了,这个失败实际上对智能发展带来一个巨大影响。一直到2006年左右,整个智能的发展才能够重新进入一个相对比较高潮的阶段。

  说到这里我们就必须要说,从2006年开始,人工智能又开始进入一个新的发展的高潮,这里面有一个非常重要的原因。智能计算里面新的契机--摩尔定律和并行计算的发展,使得计算能力在过去的30年里提升了一百万倍,使得整个智能计算技术有一个非常大的发展。我们可以从动物的进化里面得到一个类比,从猿的大脑到人的大脑脑容量增长实际上也就是三倍,但是智能水平却有一个爆炸性的增长。这个增长可能不是说几倍、几十倍,甚至你很难用数字去形容从猿到人的智能的增长。所以这就充分地说明,这个智能系统的复杂度有多高,体现出来智能的能力就有多高。我们看到过去这些年,智能计算机的能力可能会提升百万倍,智能加速就有可能加速发展,现在可能就到了一个智能发展的新的拐点,这就是为什么从2006年到现在开始起,智能又开始进入一个新的高潮。

  目前,智能计算面临的一些共性的科学问题有三个方面。第一,人类认知要有什么样的机理。人到底是怎么去认知、理解、实现这些智能。第二,延伸跟逼近人类智能的这种计算方法。其实搞清楚了人类智能的机理之后,我们必须要通过计算的方法,去接近人的智能,或者去扩展人的智能;接近人的智能就是说以前人可以做的事情,比如一些感知、认知,我让机器做。延伸人类智能,是指有些以前人都不具备的智能,有没有可能让机器具备。比如大数据智能,很大程度上这是人所不具备的智能,机器可以从互联网上挖掘出大量的数据,比如预测美国大选,美国大选谁能够获胜,那么你可以从很多的数据里面挖掘出这些信息来,就像大家有一个很简单的标准。大家到Twitter或者说到Facebook上面去看,给特朗普点赞的这些人的数量它比给希拉里点赞的人多得多,你就可以看得出来,特朗普完全是有更大地可能去获胜的。这就是一种大数据的智能,是过去的人所不具备的一些智能,所以这也是一种很重要的计算方法。第三,怎么去设计一个智能的计算的装置,简要说就是要造出一个脑袋来,脑袋有大量的神经元以及突触,就像人一样。这样的一个计算装置,再配合我们计算方法,最后用它去实现人类机理,最后的结果就是有可能去逼近人类的智能,去实现图灵问题。

  那么我们有三个主要的科学问题,最后的目标是要去解决图灵问题,这里面最核心的抓手是什么呢?必须以应用为驱动,因为只有紧紧地抓住了应用,才有可能使得我们做的这些东西延拓下代,不断地去改进人类的生活。那么反过来说,不断地能够延拓下代,改进人类生活,你就有可能得到更多的支持,有更多的人认同这个研究。只有如此,才能形成这样一个正向的循环,不断地提升智能研究的水平和投入。


分享到:
  • 欢迎,   已有0条评论
最新评论

学习网首页
思想理论
资    政
学习中国
党史党建
企业天地
科学技术
海外风采
综合专题
理论百科
干部论坛