编辑部 整理自 MEET 2021 量子位 报道 | 公众号 QbitAI

人工智能，现在发展到什么阶段了？

从发展脉络上看，从符号智能、感知智能，现在应该到认知智能阶段了。

或者说，我们正走在认知智能的路上。

今年大火的GPT-3，其参数量已然达到了千亿级别，规模已经接近人类神经元的数量了。

这说明，GPT-3的表示能力已经接近人类了，但它仍有一些认知局限——没有常识。

那我们何时、又将如何走向认知智能？

未来计算机的认知能力，能否超过人类？

什么样的模型可以驱动未来的认知AI？

认知智能的概念是否又该重新定义？

……

在MEET 2021 智能未来大会现场，清华大学计算机系教授、系副主任唐杰用简单、通俗的例子为我们一一解答。

当时听完演讲的观众直呼：求唐杰老师的PPT！

（在不改变原意的基础上，量子位对唐杰的演讲进行了编辑整理）

关于MEET 智能未来大会：MEET大会是由量子位主办的智能科技领域顶级商业峰会，致力于探讨前沿科技技术的落地与行业应用。本次大会现场有李开复等20余位行业顶级大咖分享，500余名行业观众参与，超过150万网友在线收看直播。包括新华社、搜狐科技、澎湃新闻、封面新闻等数十家主流媒体在内纷纷报道，线上总曝光量累计超过2000万。

1、认知图谱有了一个全新概念，它包含三个核心要素：常识图谱、逻辑生成以及认知推理。

2、GPT-3参数规模已经接近人类神经元的数量，这说明它的表示能力已经接近人类了。但是它有个阿喀琉斯之踵——没有常识。

3、数据 知识双重驱动，也许是解决未来认知AI的一个关键。

4、用计算模型来解决认知是不够的，未来需要构建一个真正能够超越原来的，超越已有模型的一个认知模型。

5、通用人工智能还有多远？我们希望它有持续学习的能力，能从已有的事实，从反馈中学到新的东西，能处理一些更复杂的任务。

我给今天的分享起了一个新名字：“认知图谱：人工智能的下一个瑰宝”。

为什么叫认知图谱？首先看一下人工智能发展的脉络。

我们来看下机器是如何思考的。

1950年左右，学者创立了人工智能系统，但是1970年左右大家开始拼命去模仿人脑，我们要做一个计算机，让他跟人脑特别相同。

1990年左右，科学家突然发现其实没有必要模仿，更多的应该是去参考人脑，参考脑系统，做一个有更多机器思考、机器思维的计算机。

所以在当前这个时代，我们应该用更多的计算机思维，来做计算机的思考，而非人的思考。

因此在这之后，就出现了概率图模型、概率与因果模型以及深度学习。当然，有人会说，到最后你还在讲机器学习，在讲一个模型，这个离我们真正的认知智能是不是太远了？

过去几年连我自己都不信，我们可以建造一个通用人工智能，让计算机系统甚至能够超越人。

举一个例子，OpenAI。

两年前，OpenAI做了**GPT，所有人都觉得只是一个很简单的语言模型，并不会有什么水花；

去年，GPT升级成GPT-2，15亿的参数规模。很多人都可能玩过它的Demo，叫talk to transformer。你可以输入任何文本，transformer帮你把文本补齐。

但在今年6月份的时候，OpenAI发布了一个GPT-3，参数规模一下子达到了1750亿，数量级接近人类的神经元的数量。

这个时候给我们带来了极大的震撼，至少说明GPT-3的表示能力已经接近人类了。

意味着理论上，如果我们能让计算机参数达到最好，GPT-3可能跟人这种智商表现差不多。

第一个是长颈鹿有几个眼睛？GPT3说有两个眼睛，没有问题。

第二个问题，我的脚有几个眼睛？结果是也有两个眼睛，这就错了。

第三个，蜘蛛有几个眼睛？8个眼睛。

第四个太阳有几个眼睛？一个眼睛。

最后一个问题，一根草有几个眼睛？一个眼睛。

可以看到，GPT3很聪明，可以生成所有的结果，但它有个阿喀琉斯之踵——没有常识。

这时候就需要一个常识的知识图谱。

2012年，谷歌发出了一个Knowledge Graph，就是知识图谱。

于是，我们现在就在思考，若是将上述两种方式结合在一起，是否能够驱动认知AI？

第一，从大数据的角度，做数据驱动。用深度学习举十反一的方法，把所有的数据进行建模，并且学习数据之间的关联关系，学习数据的记忆模型。

第二，我们要用知识驱动，构建一个知识图谱，用知识驱动整个事情。

我们把两者结合起来，这也许是解决未来认知 AI 的一个关键。

当然这些也还不够。我们的未来是需要构建一个真正能够超越原来的、已有模型的一个认知模型。

我们需要一个全新的架构框架，也需要一个全新的目标函数，这时候才有可能超过这样的预训练模型，否则就是在跟随 GPT-3。

而放在眼下要做的，就是让机器有一定的创造能力，光文本还不够，我们希望创造出真正的图片，它是创造，不是查询。

比如，机器可以通过文字，将原有的图片生成新的图片。

当然，光创造还不够，我们离真正通用的人工智能还有多远？

我们希望真正的通用人工智能有持续学习的能力，能够从已有的事实，从反馈中学习到新的东西，能够完成一些更加复杂的任务。

这时候，再回到起初最基本的问题：什么叫认知？

只要有可持续学习的能力就是认知吗？

如果这样的话，GPT-3也有持续学习的能力，知识图谱也有学习的能力，因为它在不停的更新。

如果能完成一些复杂任务就是认知吗？

也不是，我们已经有些系统已经可以完成非常复杂的问题。

那什么是认知呢？

最近，通过我们的一些思考，定义了认知 AI 的九准则。这九个准则是我从人的认知和意识中抽象出来的九个准则。

第一个，叫适应与学习能力。

比如说今天MEET 大会，机器人自动学习，可以知道在这个特定的场景下应该做什么事情。

第二个，叫定义与语境能力。

模型能够在特定语境下感知上下文，对环境有一定的感知能力。

第三个，叫自我系统的准入能力。

机器能够自定义什么是我，什么是非我，这叫人设。如果这个机器能知道自己的人设是什么，那么我们认为它有一定的认知能力。

第四个，优先级与访问控制能力。

在一定的特定场景下它有选择的能力。我们人都可以在双十一选择购物，如果机器在双十一的时候能选择我今天想买点东西，明天后悔了，不应该买。

这时候机器有一定的优先级和访问控制。

这个框架左边是一个查询接口，这是输入，也可以说成是用户端。

中间是一个超大规模的预训练模型，然后是一个记忆模型。

记忆模型通过试错、蒸馏，把一些信息变成一个长期记忆存在长期记忆模型中。

长期记忆模型中会做无意识的探测，也会做很多自我定义和条理的逻辑，并且做一些认知的推理。

在这样的基础上我们构建一个平台。最终目标是打造一个知识和认知推理双轮驱动的一个框架。底层是分布式的存储和管理，中间是推理、决策、预测，再上面是提供各式各样的API。

好，我今天大概就把我们的理念和想法给大家介绍一下，如果大家有兴趣的话，可以查阅我们更多的信息。

谢谢大家！