吴飞|浙大求是特聘教授吴飞：数据驱动与知识引导相互结合的智能计算( 三 )

文章插图

科学计算经过了三代发展，已经把数据和知识进行更好的探索。第一代是给定一个结构，然后去预测结构的性质；第二代是给定一些组成成分，去重建结构，然后基于重建的结构预测性质；第三代就是给定一堆数据，从给定的数据里繁衍结构，以及推理这个结构的性质，这是一个很重要的人工智能发展方向。
AlphaFold是 1972 年诺贝尔奖获得者的一个猜想。人体有非常多的氨基酸，氨基酸里编码了蛋白质，这些蛋白质不同的三维空间结构已经定义了我们生命的功能。那么，给定一段氨基酸，能否预测氨基酸所具有的三维空间结构？如果能预测，我们就编码了生命的功能。
今年8月份，《自然》杂志发表了一篇现在被称为 AlphaFold 的文章，《科学》杂志同时也发表了一篇叫做 Rose TTAFold 的文章。AlphaFold 和 Rose TTAFold 都非常强调 attention，即注意力，但这个“注意力”不是我们大脑的一种注意力，注意力是学习的输入和输出之间的一种关系。例如，给定一幅人脸图像，为什么要去预测这是一张人脸？一定是学习到的输入和输出之间存在一种关联，这个关联肯定是通过像素点复杂的空间模式挖掘出来的。如果现在输入一段氨基酸序列，去重演它的三维结构，是不是也是学一种叫做 attention 的关联？
这两篇文章有什么区别？Rose TTAFold 是美国华盛顿大学的一个实验室写的，它的第一作者非常坦白地承认 Rose TTAFold 的性能不如 AlphaFold，因为他们的实验室没有深度学习的工程师，只是一些生物学家拿着 Deep Learning 的工具写出来。但是 AlphaFold 不仅会利用工具，还会修改工具，比如，它可以对 Deep Learning 的一些结构进行修改和重新设计，因此其性能超越了 Rose TTAFold。

文章插图

大家可以反思一下，今后的人工智能一定是来自不同领域的工程师一起协作，这也预测着李国杰院士说的为什么人工智能上不了天、落不了地，因为要解决场景的任务，一定要和场景的工程师，以及 Deep Learning 的专家结合起来。按照李院士的说法，就是要把领域的知识和数据，在 Deep Learning工具之下更好地结合，他把它称为正在呈现的第五范式。
2020年3月份，李院士受命撰写中国工程院有关人工智能的特刊，我是咨询副主编。特刊发表时，编辑部的同事让我们画封面文章，我和一位年轻老师先用铅笔画，只有人脑和机器脑结合起来才会形成这种学会学习能力。人的大脑一定是稀疏的，虽然人脑据说有 400 亿个神经元，但完成任务时只有一小部分的神经元被激活，所以人脑一天只有 25 度电。而 AlphaGo Zero 经过了 2900 万次的训练，能战胜所有的 AlphaGo，它的耗电量几乎等于洛杉矶一年的耗电量。
人的大脑很复杂，但在完成某个任务时一定是稀疏的，而机器脑一定是密集的，比如机器的进化速度服从摩尔定律，每18个月性能就提升一倍。一个稀疏的人脑和一个稠密的机器脑结合，恐怕就是迈向人机耦合获得数据驱动和人的知识相互结合的时代。这期期刊还邀请了一些专家撰写文章，比如潘院士认为人工智能的下一步就是多重知识表达。今年的 CAAI 年会上有一期分论坛就叫做视觉知识的表达，把知识表达好，可能是下一步人工智能迈进的正确方向。
朱松纯老师也受邀写了一篇文章，以此回答他认为的“机器大脑是大数据小任务，人的大脑是小数据大任务”。但是，小数据大任务不是只给一点数据就能学复杂的任务，一定是在大任务的构建之下。只有小数据，如何完成大任务的训练？知识在其中起了很重要的作用，这里的知识不只是旧数据，可编码的知识、可感知的知识、暗知识以及常识性的知识一定也参与了大脑的智能活动。朱老师的这篇文章的标题也很吸引人，叫《“暗”，不止于“深”——迈向认知智能与类人常识的范式转换》。