“是开发人工智能(AI)原创技术,还是以应用·开发研究为中心。”
在政府决定于年内发布有关AI研发(R&D)与人才培养等国家战略之际,以韩国科学技术情报通信部等为中心,正在就AI R&D战略的愿景与目标反复权衡。科学技术信息通信部通过信息通信规划评价院(IITP)于19日在首尔三成洞机场航站楼非公开召开的“为发掘人工智能新项目的第二次NEXT AI专家会议”亦是如此。当天,来自政府·学界·业界等共23名专家,在政府未来9年逾1万亿韩元AI R&D投资预可行性研究推进之前,重点讨论了是否有必要推进新的大型项目以开发AI原创技术等议题。
一位参会者表示,“在投入逾1万亿韩元预算、向政府出资研究机构与学界·业界支持AI R&D时,对项目的愿景与目标意见出现分歧”,“以学界与出资研究机构为中心,出现了应同步开发AI原创技术的意见”。鉴于美国与中国等掌握大量AI原创技术,一方对原创研究持怀疑态度,另一方则认为AI技术前路尚远,应果断投资原创技术R&D,双方意见分歧。
双方都有道理,但AI技术要发展到科幻(SF)电影那样的程度,即便再过数十年也难以保证,因此我们无疑也有机会。目前大多数AI是按开发者的学习意图开发,只能较好地执行有限的业务,在处理其他数据方面存在局限。例如,谷歌“Duplex”可致电餐厅或美发店进行预约,2016年“AlphaGo”之后发展出的“AlphaZero”无需学习棋谱即可自我对局,在围棋上无敌,但仅局限于特定用途。擅长判读影像的医疗AI也是如此。AI风险企业Laon People代表李锡重解释称,“AI神话这样累积起来,让人产生AI超越人类的时代即将到来的错觉”,“现实是,用学会很好识别猫的AI去识别狗都很困难”。
AI一旦学习对象改变,经验即被初始化
解决通用问题的通用AI研究不足
超越基于既有软件的机器学习技术
并行型半导体等硬件值得一搏
人类利用既有知识与经验进行类推·解释·想象,而AI在学习时则先随机初始化神经网络,再利用学习数据决定神经网络的变量值。学习对象改变时便被初始化,此前的内容随之消失。当然,AI正朝着在学习类似课题时使用迁移学习(transfer learning)的方向进化。开发AlphaGo的谷歌DeepMind发表的“渐进式神经网络”在学习中保持预先训练的模型池,在学习新领域时提取有用特征。
但这是让在数据丰富领域学习过的AI,不再进行随机初始化,而是基于已学习的知识网络,用新领域的数据进行微调。现实是,若领域差异较大则难以适用,多领域学习不可能实现。李代表展望称,“迄今开发的AI是能解决特定问题的窄(narrow)AI,能解决通用问题的通用(general)AI研究不足,今后可能出现新方式的AI”,“如今谷歌的TensorFlow这类可按各领域开发AI的框架等开放源代码的情况很多,但以后会怎样谁也不知道”。
AI原创技术中,除基于软件(SW)的机器学习(machine learning)领域,还可举出智能硬件方面。在手机或终端上运行语音识别、推荐服务等AI功能时,对服务高度化的要求日益提高。韩国科学技术研究院(KIST)下一代半导体研究所所长张俊渊表示,“像人脑处理信息那样,开发专用于AI的低功耗·并行型半导体芯片,以替代按二进制处理的既有半导体,这可以成为原创技术”。即需要像美国英特尔的Loihi、IBM的TrueNorth芯片那样提高效率。2016年3月AlphaGo以4胜1败战胜李世石九段时,尽管使用了模拟大脑神经元这一复杂神经回路网、将多个层级深度连接的“深度学习”技术,但接收数据后按算法处理竟动用1200台以上高性能计算机,这种方式已行不通。






