火狐直播:IEEE Fellow李世鹏 ：人工智能与机器人前沿研讨之考虑

　　合办的第六届全球人工智能与机器人大会（GAIR 2021）在深圳正式启幕，140余位产学首领、30位Fellow聚首，从AI技能、产品、职业、人文、安排等维度切入，以理性剖析与理性洞悉为轴，一起攀爬人工智能与数字化的浪潮之巅。

　　大会次日，思尔试验室主任、前深圳市人工智能与机器人研讨院履行院长、国际欧亚科学院院士、IEEE Fellow李世鹏在GAIR大会上做了《人工智能与机器人前沿研讨之考虑》的讲演。

　　李世鹏博士，IEEE Fellow，国际欧亚科学院院士。历任深圳市人工智能与机器人研讨院首席科学家和履行院长、科大讯飞集团副总裁及讯飞研讨院联席院长、微软亚洲研讨院开创成员与副院长。李院士在多媒体、IoT及AI等范畴颇具影响力。他具有203项美国专利并宣布了330多篇被引用了的论文（H指数：82）。被Guide2Research列为国际顶尖1000名核算机科学家之一。培养出四位MIT TR35立异奖的获得者。是（科技部）新一代人工智能工业技能立异战略联盟发起人之一及联合秘书长。

　　未来机器学习打破深度学习的数据瓶颈或许可以凭借认知科学的办法得到打破，学习范式可从依托“大数据”转变成依托“大规矩”；人机协作也要进化为人机“谐”作，只需将耦合、交互、增强、互补等方针归入研讨方向，才干完结人机的无缝衔接。

　　今日的讲演标题是《人工智能与机器人前沿研讨之考虑》，分为三个部分，先谈人工智能和机器人研讨全景，然后聚集研讨方向，包含机器学习、运动智能、人机谐作、集体协作；最终进行总结。

　　。之所以将机器人和物联网归为一类，是由于这两者是物理国际和虚拟国际的接口。假如三个元素两两之间发生联络就会构成一个新的学科，例如机器人和AI相结合会发生智能体，AI和人类相结合会发生人机耦合以及增强智能，而机器人和人类相交融会构成增强机体。

　　跟着人工智能与机器人范畴的开展，研讨方针不再约束在单个智能体，而是越来越多地对多个智能体的协作进行研讨，例如人类社会集体怎么更好地相交融？怎么规划出可以精妙协作的机器集体？

　　整体而言，我以为重要的根本研讨方向是：机器学习、运动智能、人机谐作、集体协作。

　　虽然效果颇丰，但成也萧何败也萧何。深度学习依托于大数据，其瓶颈也在于大数据。例如国内的智能语音技能虽然处于职业抢先，但仍依托技能堆集和数据堆集。现在想要让深度学习发挥巨大威力，依然需求许多数据的加持，假如想让深度学习从一个范畴扩展到另一个范畴，也少不了数据支撑。

　　例如优化深度学习算法、常识图谱+深度学习、专家体系+深度学习等等。另一条途径是

　　，其方针是凭借人类触类旁通的才干，希望逾越数据之间的相关性，然后探究数据之间的因果性，然后得到数据之间的逻辑推理。

　　不学而能是指部分认知才干与生俱来，新生儿的脑神经有许多先天的衔接。它给咱们的启示是：现在的大多深度学习算法，大部分都是从零开始练习，而没有充沛或许高效使用先验常识或许已有模型。怎么使用“现有常识”是深度学习的下一个抢手方向。

　　学而知之是指大部分认知才干是后天学习到的，尤其是前期学习。经过学习脑神经建立了更多的衔接。孩子许多才干，包含感知、应对、言语、读写和了解，乃至剖析问题和处理问题的思路和才干在很小时分现已根本定型；今后根本都是常识的堆集。这意味着脑神经元很早的时分就衔接定型成一个元模型，剩余的是仅仅使用这个元模型去处理详细范畴的问题。这个与当时的大规划预练习模型有着惊人的相似之处。

　　学而知之的另一层次是：人类学习进程依托多源的、多传感的、多模态的、多角度的数据，例如视觉、听觉、嗅觉、触觉和语境等联合信息，而今日的深度学习依托大都是一段语音、一张相片，因而，未来AI模型的输入数据或许不仅是单一的数据，而是多个信号源的交融。

　　再者，人类学习进程是一个从样本示例到原理概括的进程，而不是仅停留在样本示例层面；

　　那么，未来是否可以结构类人的机器学习结构，不管输入什么样的数据，只需逻辑相通，都会收敛到共同的模型？

　　打破深度学习的数据瓶颈，可以测验构建规矩的众包体系，让人类教机器学习进程，其目的不是输入数据，而是让机器学习规矩。由于咱们企图从日常的活动中学习规矩，这种规矩普通人都可以标示示教，这就打破了曾经专家体系地需求“专家”的约束。

　　众所周知，在机器人范畴，波士顿动力公司的产品最“像人”，如上动图，机器人跳舞一点点看不出僵硬的感觉。但受核算资源、能量、运动操控的约束，它只能运转几十分钟。其实，波士顿动力机器人的运转方法是根据电机驱动，存在许多缺陷，例如刚性运动、自重比较大、反应速度和灵活性的对立以及耗能大。

　　在到达人机谐作的进程中，要点研讨人机天然交互、感知及增强。详细或许包含：生物特征检测和辨认、人机接口、脑机接口、语音辨认、动作辨认、表情辨认、言语了解、目的了解、身形感知、无隙增强，以及在扩展实际与长途实际的延伸等等。

　　人机增强智能方面，今日的机器学习结构大都是根据大数据的深度学习结构，肯定会遇到机器智能处理不了的情形。这关于某些高风险范畴，例如主动驾驭、金融等来说是丧命的。

　　中心问题1：机器智能怎么感知自己处理不了一些状况，而主动要求人来接收？

　　中心问题3：什么样的人机交互规划能充沛发挥人和机器各自的利益，一起又无需非必要地费事对方？

　　三个中心问题假如无法处理，会导致一些窘境。例如，以主动驾驭为例，现在安全员并不是开了“主动”功用就一了百了，依然需求不时监测路况与道路，一刻都不能走神。这其实增加了安全员的担负，由于在没有主动驾驭的时分，人类对自己的驾驭环境会有必定的猜测，而机器驾驭的状况人类无法猜测。

　　人机增强机体也归于人机谐作的一个范畴，可以协助人类增强物理机体才干，完结一些人类本身膂力完不成的工作。但机器或许过于杂乱，需求人类训练后才干操作。人机增强机体的未来方针是完结人与机器调和同处，操控起来好像人类的自己的器官相同天然。其间，触及的中心研讨课题包含：

　　机器感知人的目的、人的姿势、了解人的天然言语指令、肢体言语等等，然后让机器以最适合人类承受、适可而止的滑润方法协助人处理问题。

　　现在单智能体现已可以完结许多使命，但怎么发挥每个智能体集合起来的威力？这触及集体协作的研讨方向。在仓储场景下，存在许多抓取分类的机器人，假如可以有用调度，那么必将大大提高工作效率。

　　当时干流的调度方法是中心化的操控方法，但面临不计其数的规划的智能体，则需求非中心化的操控，答应智能体之间存在自主行为，在相互协作的一起，还能“做自己的事”。即独自的有智能可独立举动的智能体，经过协作而到达的更高效的集体/体系智能和行为。

　　这一方面，蚂蚁是咱们的学习方针。别的，在主动驾驭方面，越来越多自主驾驭机器人呈现，它们之间怎么做到协同感知和协同操控也是当今抢手话题。

　　上述四个方面归于基础性的研讨，任何一个范畴呈现了打破，那将对其范畴以及下流使用而言都是革命性的打破，也将带来工业数智化原创技能的立异，会让咱们在竞赛中占据优势位置!