近日，圖靈獎得主Yann LeCun發(fā)表了長達(dá)62頁的論文，綜述了他近10年對于AI行業(yè)發(fā)展大方向的思考，并對將來10年提出了“自主智能”架構(gòu)（autonomous intelligence）的新方向。他認(rèn)為，讓機(jī)器更加懂得通用智能的關(guān)鍵，就在于“自主”二字。
通用人工智能的困境：舉一不能反三
“通用人工智能”（AGI，也即強(qiáng)人工智能）的出現(xiàn)尚顯遙遠(yuǎn)。究其原因，在于當(dāng)前AI仍高強(qiáng)度依賴于海量的訓(xùn)練數(shù)據(jù)，與千萬乃至上億級數(shù)的被動式監(jiān)督學(xué)習(xí)訓(xùn)練，才可實(shí)現(xiàn)一點(diǎn)點(diǎn)人類認(rèn)知能力的復(fù)用。
當(dāng)前AI可使用強(qiáng)大算力處理人類無法顧及的千億級數(shù)據(jù)，但在主動的領(lǐng)悟能力方面，可能連2~3歲小朋友都不如。
就像一位老師教學(xué)，監(jiān)督式訓(xùn)練與學(xué)習(xí)短時間內(nèi)無法窮舉所有可能性，而當(dāng)相應(yīng)規(guī)則變得復(fù)雜，相應(yīng)數(shù)據(jù)缺乏，產(chǎn)生的訓(xùn)練數(shù)據(jù)種類無法窮舉，AI就無法進(jìn)行主動有效的學(xué)習(xí)。
例如，普通青年平均20小時即可學(xué)會開車，能從各類簡單規(guī)則中舉一反三學(xué)會駕駛，不必窮舉所有情況。
但在擁有極度復(fù)雜的道路狀況與事故的可能性之下，一個優(yōu)秀的自動駕駛技術(shù)卻需要上百萬甚至數(shù)十億條標(biāo)注數(shù)據(jù)，在虛擬環(huán)境中上百萬次強(qiáng)化學(xué)習(xí)才能生成，而其可靠性還不一定比擬人類。
如何讓機(jī)器具備一定的自主性，從被動接受數(shù)據(jù)與訓(xùn)練轉(zhuǎn)變成為主動學(xué)習(xí)，提高學(xué)習(xí)效率，這便正是圖靈獎得主Yann LeCun考慮的方向。
"自主智能"與自主學(xué)習(xí)：AI未來的方向
Yann LeCun提出了“自主智能”的新架構(gòu)，其中包含了六個可微模塊，每個模塊都可容易地計算一些目標(biāo)函數(shù)，以及相對應(yīng)的梯度估計，并將梯度信息傳播到上游模塊。
其中包含了："配置模塊"、"感知模塊"、"世界模型模塊"、"成本模塊"、"行動模塊"與"短期內(nèi)存模塊"。
配置器（Configurator）是他所構(gòu)想的新結(jié)構(gòu)中的頂層模塊，負(fù)責(zé)從其他模塊中獲取輸入，并根據(jù)任務(wù)要求來調(diào)節(jié)其他模塊的參數(shù)，從而預(yù)先配置感知（perception）、世界模型（world model）、成本（cost）和參與者（actor）的相應(yīng)值。也使得配置器模塊變得更像一個大腦中樞，具備更自主輸出結(jié)果的能力。
配置器模塊的理念與機(jī)器學(xué)習(xí)中的元學(xué)習(xí)（Meta-learning）相一致。Meta-learning旨在讓機(jī)器learning to learn，也即讓機(jī)器通學(xué)會學(xué)習(xí)的方法。
有別于傳統(tǒng)機(jī)器學(xué)習(xí)先進(jìn)行人為調(diào)參等工作，然后直接訓(xùn)練特定任務(wù)下的深度模型；Meta-learning則是會讓機(jī)器預(yù)先學(xué)習(xí)所有需要人為設(shè)置和定義的參數(shù)變量，其中就包括了讓機(jī)器預(yù)先去學(xué)習(xí)如何預(yù)處理數(shù)據(jù)、選擇網(wǎng)絡(luò)結(jié)構(gòu)、設(shè)置超參、定義損失函數(shù)等等工作，從這些學(xué)習(xí)歷史中獲得的經(jīng)驗(yàn)讓機(jī)器擁有了元知識，從而在未來僅需極少量樣本，即可快速適應(yīng)和掌握新的任務(wù)。
Meta-learning的理念讓機(jī)器學(xué)習(xí)過程變得更加自主，從而很好替代人類工程師許多工作。
LeCun也提出，AI想要突破現(xiàn)在的瓶頸，必須讓機(jī)器自主學(xué)習(xí)，從而能夠填補(bǔ)缺失的信息，預(yù)測將要發(fā)生的事情，并預(yù)測行動的影響。
用自主學(xué)習(xí)應(yīng)對超大規(guī)模精細(xì)化的未來
同時，由于超大規(guī)模的大范圍應(yīng)用場景涌現(xiàn)，以及精細(xì)化的個性算法需求激增，使得AI模型的生產(chǎn)呈現(xiàn)大量且多元的趨勢，在不同行業(yè)、不同場景、不同環(huán)境、運(yùn)行在不同設(shè)備上，算法都需要進(jìn)行大規(guī)模的個性化開發(fā)。AI的數(shù)量規(guī)模，有望在未來出現(xiàn)爆炸性增長。
以視覺算法為例，從前的算法僅部署于有限的交通或物業(yè)監(jiān)控攝像頭，僅承擔(dān)識別人臉、車輛等通用功能。但近年來，更加定制化、精細(xì)化的算法需求，已經(jīng)開始擺上各種智慧場景的臺面。今后隨著硬件出貨量的增加與普及，AI會滲透入各行業(yè)細(xì)枝末節(jié)的場景中，比如：
廣東的木材加工廠會用到AI，用來識別木料碎屑的堆積情況，及時提醒工人清理避免火災(zāi)隱患；內(nèi)蒙古的奶牛牧場會用到AI，來識別奶牛草料堆積情況并定時給奶牛皮膚澆水；上海的車間工廠需要用到AI，幫助管理員判斷員工是否過度疲勞；甚至你住的小區(qū)也會用到AI，當(dāng)老人摔倒、垃圾滿溢時，AI都可以做到第一時間響應(yīng)。
所有這些超大規(guī)模的部署場景需求，使得AI無法再像水、電、煤一樣進(jìn)行標(biāo)準(zhǔn)化的供應(yīng)，AI算法將會依賴于每個行業(yè)、每個場景、每個需求、每次設(shè)計和迭代一樣，成為海量碎片化與精細(xì)化的定制產(chǎn)品。
在超大規(guī)模精細(xì)化的趨勢下，Yann LeCun也認(rèn)為使用通用大模型、靠純粹數(shù)據(jù)堆疊、讓機(jī)器被動學(xué)習(xí)、反復(fù)人工調(diào)參的老路，已經(jīng)無法走通，他也指出讓機(jī)器學(xué)習(xí)更加自主，將是未來AI發(fā)展最重要的方向。
共達(dá)地的AutoML自動化訓(xùn)練
讓AI學(xué)會“自主學(xué)習(xí)”這個方向上，共達(dá)地正在致力于用AutoML技術(shù)，將LeCun與meta-learning的理念付諸實(shí)踐。
在人力密集且重復(fù)度極高的AI研發(fā)流程下，共達(dá)地依托業(yè)內(nèi)領(lǐng)軍的AutoML技術(shù)，用AI訓(xùn)練AI，擺脫業(yè)內(nèi)常調(diào)侃為“只有人工，毫無智能”的繁冗研發(fā)AI流程，用前所未有的加速動能，為AI產(chǎn)業(yè)帶來質(zhì)變。
通過半監(jiān)督式學(xué)習(xí)的數(shù)據(jù)工程；自動調(diào)節(jié)模型結(jié)構(gòu)、超參、Loss函數(shù)與Head等方式；以及自動根據(jù)芯片算子調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)等技術(shù)，共達(dá)地可將原本的訓(xùn)練時間由3至6個月縮短至了兩周內(nèi)，一鍵即可下發(fā)至云/邊多端設(shè)備之中。并且無需任何算法團(tuán)隊(duì)0代碼經(jīng)驗(yàn)也可操作，僅需上傳數(shù)據(jù)點(diǎn)擊訓(xùn)練即可生成媲美人類工程師精度的AI算法。
部署之后，在運(yùn)維團(tuán)隊(duì)中無需專業(yè)算法工程師的參與，可持續(xù)自動獲取現(xiàn)場數(shù)據(jù)，對算法進(jìn)行迭代優(yōu)化，讓精度接近場景理想值。
目前共達(dá)地AI廣泛于智慧城市、智慧工業(yè)、智慧園區(qū)、智慧樓宇等各場景之中。
