东莞|对话李国杰：突破麦肯锡和图灵的框框，人工智能要解决大问题丨GAIR 2021( 五 )

我这里讲的用人工智能解决NP-hard问题，不是指理论意义上的“解决”。
“P=NP”问题可能几十年内都解决不了，但人工智能学者可以在实践中不断逼近这个等式。计算机科学界过去倾向于做理论上的完美证明，或许是后来人误解了图灵的意图。图灵定义了不可判定问题，例如停机问题，指出这一类问题永远不可能用图灵机解决，这就划定了图灵机的能力边界，反过来也就定义了什么是可计算问题。这个成果本身很伟大，但后来很多人却从错误的方向理解图灵机，他们执着于前者，热衷于探讨什么问题“理论上”不可计算或在可接受的时间空间内不可计算，而不是去积极探索如何“实际上”解决难解的问题。
这种认识上的误区来源于没有区分“问题”和“问题实例（Problem instance）”。计算机科学中要求解的“问题”是指包含各种实例的一个问题类，而人工智能应用要解决的“问题”往往是具体的问题实例。实际上，一个指数复杂性问题（类）中最难解的通常只是其中很少的实例，其他的实例都是可以求解的。
机器学习的黄金时代
雷峰网：近几年深度学习很火，机器学习是不是解决NP-Hard问题的有效途径呢？
李国杰：计算过程中有复杂性就如同物理运动中有摩擦力一样，摩擦力不可能完全消除，复杂性也不可能完全消除。但摩擦力可以通过改变材料和运动方式减少，求解方法的实际复杂性也可以通过改变问题的描述方式或知识的表示方式而改变。目前广泛流行的深度神经网络对一个问题的描述与过去的符号推理完全不同，深度神经网络通过机器学习获得的连接权重分布实际上是一种新的问题和知识表示方式，已经表现出前所未有的问题求解能力。
人工智能界流行一种说法：深度学习已经碰到天花板。但我认为深度学习还有发展空间，更广义的机器学习的巨大发展空间难以估量，今后十年可能是机器学习的黄金时代。机器学习特别是深度学习对于人类知识依赖性较低，可以应用到多种类型的NP-hard问题求解中。机器学习的可扩展性较强，通过规模化效应可能不断得到新的发现。人工智能是一门追求获得“令人惊讶”结果的学问，我相信未来十年会有许多“令人惊讶”的新成果不断冒出来。
人有“人智”，机有“机智”，知识的范围将扩大到“明知识”和“潜知识”以外的“暗知识”。机器学习、巨大算力与已有科学知识的结合，将推动科学研究走向基于人工智能技术的大平台模式，科研的深度和效率将超过仅仅是数据驱动的“科研第四方式”。现在已隐约看到新的“科研第五范式”的雏形。
人工智能离不开计算思维，但又不等同于计算思维。图灵定义的计算（算法的执行）是输入到输出的函数映射，其结果一定是重复一致的，这种“计算思维”一定程度上限制了人工智能研究的创造性。“图灵机”不是指一台“机器”，而是指一台机器的一个特定的运行过程或使用方式，包括对初态和终态的划分。机器学习的输出属性往往要根据经历和处境而定，一个不断学习的系统是不重复先前的内部状态的。“计算”的概念不足以涵盖所有智能和认知过程。简单地划分“易解”和“难解”问题的传统计算复杂性理论的框框也需要突破。

文章插图

图灵机模型

人工智能研究需要战略眼光和“咬住不放”的毅力

雷峰网：您曾说国内学者与一流科学家水平还有较大距离，像AlphaFold2项目的成功，您认为是他们在选题时「目光敏锐」。但不是说随随便便就可以找到一个好科研课题，请问您觉得我国学者该如何培养科研中的「敏锐目光」？