大數(shù)據(jù)時(shí)代的到來(lái)，既向傳統(tǒng)的計(jì)算范式提出挑戰(zhàn)，又為范式突破準(zhǔn)備了基礎(chǔ)條件。數(shù)據(jù)驅(qū)動(dòng)和知識(shí)引導(dǎo)相互結(jié)合的智能計(jì)算恐怕是當(dāng)前社會(huì)正經(jīng)歷的人工智能時(shí)代，傳統(tǒng)的計(jì)算范式是怎樣的？大數(shù)據(jù)時(shí)代對(duì)新的計(jì)算范式提供了什么先天條件？有了數(shù)據(jù)驅(qū)動(dòng)，為何還要與知識(shí)引導(dǎo)相互結(jié)合？

今年10月12日，2021中國(guó)人工智能大會(huì)（CCAI 2021）在成都正式啟幕，23位中外院士領(lǐng)銜，近百位學(xué)術(shù)技術(shù)精英共聚西南人工智能新高地，深入呈現(xiàn)人工智能學(xué)術(shù)研究，以及技術(shù)創(chuàng)新與行業(yè)應(yīng)用的最新成果。浙江大學(xué)求是特聘教授，博士生導(dǎo)師吳飛教授發(fā)表了題為《數(shù)據(jù)驅(qū)動(dòng)與知識(shí)引導(dǎo)相互結(jié)合的智能計(jì)算》的演講，娓娓道來(lái)地向與會(huì)者介紹了人類社會(huì)已經(jīng)歷的四種計(jì)算范式，通過(guò)人腦的三種記憶體的工作模式引出社會(huì)目前已經(jīng)進(jìn)入的第五種計(jì)算范式時(shí)代，即數(shù)據(jù)驅(qū)動(dòng)與知識(shí)引導(dǎo)相互而結(jié)合的人工智能時(shí)代。

吳飛：浙江大學(xué)求是特聘教授，博士生導(dǎo)師。主要研究領(lǐng)域?yàn)槿斯ぶ悄?、多媒體分析與檢索和統(tǒng)計(jì)學(xué)習(xí)理論。吳老師是浙江大學(xué)人工智能研究所所長(zhǎng)、美國(guó)加州大學(xué)伯克利分校統(tǒng)計(jì)系訪問(wèn)學(xué)者。國(guó)家杰出青年科學(xué)基金獲得者、入選“高校計(jì)算機(jī)專業(yè)優(yōu)秀教師獎(jiǎng)勵(lì)計(jì)劃”、寶鋼優(yōu)秀教師獎(jiǎng)，曾任教育部人工智能科技創(chuàng)新專家組工作組組長(zhǎng)、現(xiàn)任科技部科技創(chuàng)新2030“新一代人工智能”重大科技項(xiàng)目指南編制專家、《中國(guó)人工智能2.0發(fā)展戰(zhàn)略研究》執(zhí)筆人之一。

吳教授著有《人工智能導(dǎo)論：模型與算法》（高等教育出版社）和浙教版普通高中教科書信息技術(shù)選擇性必修教材《人工智能初步》（浙江教育出版社）等教材。在中國(guó)大學(xué)MOOC（愛課程）開設(shè)國(guó)家級(jí)一流本科課程（線上課程）《人工智能：模型與算法》慕課

個(gè)人主頁(yè)：https://www.x-mol.com/university/faculty/243543

本次演講，吳飛教授首先對(duì)1998年圖靈獎(jiǎng)獲得者 Jim Gray 提出的四種計(jì)算范式做了簡(jiǎn)要介紹，指出我們已經(jīng)進(jìn)入第五范式時(shí)代，隨后以人腦三種記憶體之間的聯(lián)系，引出數(shù)據(jù)驅(qū)動(dòng)與知識(shí)引導(dǎo)相互而結(jié)合的智能計(jì)算，最后舉例詳細(xì)介紹了數(shù)據(jù)驅(qū)動(dòng)與知識(shí)引導(dǎo)相互而結(jié)合的人工智能時(shí)代。

以下是演講全文，AI科技評(píng)論進(jìn)行了不改變?cè)獾恼怼?/p>

1

五種計(jì)算范式

圖靈獎(jiǎng)獲得者 Jim Gray 曾說(shuō)，人類社會(huì)已經(jīng)經(jīng)歷了四種計(jì)算范式。第一種是做實(shí)驗(yàn)，比如，伽利略在斜塔上同時(shí)扔下兩個(gè)大小不一的鐵球，兩個(gè)鐵球同時(shí)落地。通過(guò)這個(gè)實(shí)驗(yàn)，伽利略發(fā)現(xiàn)物體不管質(zhì)量大小，重力加速度相同。

麥克斯韋讓一段電流通過(guò)磁鐵的左右，發(fā)現(xiàn)磁鐵的南北極發(fā)生了變化，推導(dǎo)出磁弱力和電弱力之間的方程。因此，第二個(gè)探索未知領(lǐng)域的范式就是做方程，即建立方程和模型來(lái)指導(dǎo)我們的計(jì)算。

第三種范式是虛擬仿真，就是搭建系統(tǒng)去模擬物理世界，觀測(cè)仿真系統(tǒng)里各種物質(zhì)的變化。Jim Gray 認(rèn)為現(xiàn)在進(jìn)入了第四種范式，叫做數(shù)據(jù)密集型的計(jì)算年代。

今年8月，李國(guó)杰院士寫了一篇文章，提出了一個(gè)疑問(wèn)：為什么我們的人工智能上不著天下不落地？恐怕我們已經(jīng)進(jìn)入了第五范式時(shí)代。李院士的這篇文章，直接用 AlphaFold 的例子來(lái)表示他所認(rèn)為的第五范式：今后的科學(xué)計(jì)算，或者人工智能計(jì)算，一定是領(lǐng)域?qū)＜液蛿?shù)據(jù)的驅(qū)動(dòng)相互結(jié)合，才能形成場(chǎng)景人工智能或者解決場(chǎng)景的任務(wù)。

數(shù)據(jù)驅(qū)動(dòng)和知識(shí)引導(dǎo)相互結(jié)合的人工智能時(shí)代，即給定一堆數(shù)據(jù)，我們需要從數(shù)據(jù)里面吸取知識(shí)，然后基于知識(shí)做決策和服務(wù)。這里的數(shù)據(jù)一定是滿足任務(wù)可學(xué)習(xí)、結(jié)果可信、過(guò)程可推理和架構(gòu)可實(shí)現(xiàn)這些條件。這種架構(gòu)可實(shí)現(xiàn)，是現(xiàn)在的大型互聯(lián)網(wǎng)公司有能力完成的，我們也發(fā)現(xiàn)，下游的任務(wù)確實(shí)在大模型的驅(qū)動(dòng)下能夠得到很好解決。

2

三種記憶體

我們反思一下，人腦的智能計(jì)算或者科學(xué)計(jì)算是怎樣的模式？生物學(xué)家和神經(jīng)學(xué)家告訴我們，人的大腦有三種記憶體，第一個(gè)叫做瞬時(shí)記憶。我們可以眼觀六路、耳聽八方，在一個(gè)空間里可以瞬時(shí)感覺到這個(gè)空間里各種各樣數(shù)據(jù)，這就是瞬時(shí)記憶。但如果我們沒有對(duì)瞬時(shí)記憶的數(shù)據(jù)引起注意，這些信息就不會(huì)傳給工作記憶體。

瞬時(shí)記憶傳給工作記憶體后，工作記憶體直接展開用因果智能計(jì)算的高層次數(shù)據(jù)活動(dòng)，但這些高層次的活動(dòng)并不是就事論事，就數(shù)據(jù)論數(shù)據(jù)，它會(huì)激活我們長(zhǎng)期記憶里的先驗(yàn)和知識(shí)。比如，我們今天來(lái)到成都，中午和朋友聚餐；。我們?cè)诘竭_(dá)成都時(shí)，可能會(huì)回憶起上一次來(lái)成都干什么；和上次相比，成都有什么變化；朋友又發(fā)生了什么變化。我們經(jīng)常講弦外之音、話外之意，為什么別人講話，我們能聽出話外之意？這是因?yàn)楣ぷ饔洃涹w激活了相關(guān)的信息來(lái)理解當(dāng)前的數(shù)據(jù)。

3

數(shù)據(jù)驅(qū)動(dòng)與知識(shí)引導(dǎo)相互而結(jié)合的人工智能時(shí)代

我們從這個(gè)過(guò)程已經(jīng)深刻感覺到，對(duì)當(dāng)前數(shù)據(jù)的理解，一定激活了其他信息，這種信息是一種潛在的信息，或者叫做common sense，即常識(shí)性信息，也有人把它稱為暗知識(shí)，我們無(wú)法表達(dá)，機(jī)器也無(wú)法捕捉，但人的大腦可以很好地捕捉下來(lái)。既然人腦是這樣的活動(dòng)模式，現(xiàn)在的智能計(jì)算可否往這個(gè)渠道進(jìn)行？

DeepMind 在 2016 年發(fā)表了一篇《神經(jīng)圖靈機(jī)》的文章，我們知道圖靈計(jì)劃就是兩端無(wú)限長(zhǎng)的紙袋，上面有非常多的方格，然后把數(shù)據(jù)放在紙袋上，數(shù)據(jù)驅(qū)動(dòng)以寫好的程序進(jìn)行。這個(gè)過(guò)程沒有利用到數(shù)據(jù)以外的信息。但神經(jīng)圖靈機(jī)架構(gòu)起一個(gè)外在記憶體，對(duì)當(dāng)前數(shù)據(jù)能更好地學(xué)習(xí)、理解和處理，以得到更好的學(xué)習(xí)成果。這篇文章發(fā)表后，Nature 期刊為其形成社論，稱其為深度神經(jīng)推理，而不是平常的推理機(jī)制。

現(xiàn)在我們也發(fā)現(xiàn)，只要有一個(gè) x 算法，神經(jīng)網(wǎng)絡(luò)一定會(huì)把 x 算法變成一個(gè) give 算法，或者一定想把它和認(rèn)知或者神經(jīng)結(jié)合起來(lái)，也就是不停地探索計(jì)算方式和方法，與我們大腦和心理認(rèn)知如何更好地結(jié)合，這不是無(wú)病呻吟，而是沿著人腦的思路進(jìn)行擴(kuò)展?，F(xiàn)在的計(jì)算一定要有數(shù)據(jù)，而且一定是數(shù)據(jù)驅(qū)動(dòng)；亦即人工智能是引擎，大數(shù)據(jù)是燃料，一個(gè)模型空轉(zhuǎn)轉(zhuǎn)不起來(lái)。

第二，知識(shí)很重要。我們不能一味從數(shù)據(jù)里發(fā)現(xiàn)知識(shí)，一定要有知識(shí)指導(dǎo)計(jì)算過(guò)程。此外，行為探索也很重要，人畢竟是在一個(gè)開放的環(huán)境里進(jìn)行認(rèn)知與思考。所以，數(shù)據(jù)、知識(shí)、行為相互結(jié)合，是不是一種更好的計(jì)算模式？掀起新一輪人工智能浪潮使用的計(jì)算方法，AlphaGo 有深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)和蒙特卡羅樹搜索三把利劍，而AlphaFold 則是圖神經(jīng)網(wǎng)絡(luò)、注意力模型和物理建模相互結(jié)合。

科學(xué)計(jì)算經(jīng)過(guò)了三代發(fā)展，已經(jīng)把數(shù)據(jù)和知識(shí)進(jìn)行更好的探索。第一代是給定一個(gè)結(jié)構(gòu)，然后去預(yù)測(cè)結(jié)構(gòu)的性質(zhì)；第二代是給定一些組成成分，去重建結(jié)構(gòu)，然后基于重建的結(jié)構(gòu)預(yù)測(cè)性質(zhì)；第三代就是給定一堆數(shù)據(jù)，從給定的數(shù)據(jù)里繁衍結(jié)構(gòu)，以及推理這個(gè)結(jié)構(gòu)的性質(zhì)，這是一個(gè)很重要的人工智能發(fā)展方向。

AlphaFold是 1972 年諾貝爾獎(jiǎng)獲得者的一個(gè)猜想。人體有非常多的氨基酸，氨基酸里編碼了蛋白質(zhì)，這些蛋白質(zhì)不同的三維空間結(jié)構(gòu)已經(jīng)定義了我們生命的功能。那么，給定一段氨基酸，能否預(yù)測(cè)氨基酸所具有的三維空間結(jié)構(gòu)？如果能預(yù)測(cè)，我們就編碼了生命的功能。

今年8月份，《自然》雜志發(fā)表了一篇現(xiàn)在被稱為 AlphaFold 的文章，《科學(xué)》雜志同時(shí)也發(fā)表了一篇叫做 Rose TTAFold 的文章。AlphaFold 和 Rose TTAFold 都非常強(qiáng)調(diào) attention，即注意力，但這個(gè)“注意力”不是我們大腦的一種注意力，注意力是學(xué)習(xí)的輸入和輸出之間的一種關(guān)系。例如，給定一幅人臉圖像，為什么要去預(yù)測(cè)這是一張人臉？一定是學(xué)習(xí)到的輸入和輸出之間存在一種關(guān)聯(lián)，這個(gè)關(guān)聯(lián)肯定是通過(guò)像素點(diǎn)復(fù)雜的空間模式挖掘出來(lái)的。如果現(xiàn)在輸入一段氨基酸序列，去重演它的三維結(jié)構(gòu)，是不是也是學(xué)一種叫做 attention 的關(guān)聯(lián)？

這兩篇文章有什么區(qū)別？Rose TTAFold 是美國(guó)華盛頓大學(xué)的一個(gè)實(shí)驗(yàn)室寫的，它的第一作者非常坦白地承認(rèn) Rose TTAFold 的性能不如 AlphaFold，因?yàn)樗麄兊膶?shí)驗(yàn)室沒有深度學(xué)習(xí)的工程師，只是一些生物學(xué)家拿著 Deep Learning 的工具寫出來(lái)。但是 AlphaFold 不僅會(huì)利用工具，還會(huì)修改工具，比如，它可以對(duì) Deep Learning 的一些結(jié)構(gòu)進(jìn)行修改和重新設(shè)計(jì)，因此其性能超越了 Rose TTAFold。

大家可以反思一下，今后的人工智能一定是來(lái)自不同領(lǐng)域的工程師一起協(xié)作，這也預(yù)測(cè)著李國(guó)杰院士說(shuō)的為什么人工智能上不了天、落不了地，因?yàn)橐鉀Q場(chǎng)景的任務(wù)，一定要和場(chǎng)景的工程師，以及 Deep Learning 的專家結(jié)合起來(lái)。按照李院士的說(shuō)法，就是要把領(lǐng)域的知識(shí)和數(shù)據(jù)，在 Deep Learning工具之下更好地結(jié)合，他把它稱為正在呈現(xiàn)的第五范式。

2020年3月份，李院士受命撰寫中國(guó)工程院有關(guān)人工智能的特刊，我是咨詢副主編。特刊發(fā)表時(shí)，編輯部的同事讓我們畫封面文章，我和一位年輕老師先用鉛筆畫，只有人腦和機(jī)器腦結(jié)合起來(lái)才會(huì)形成這種學(xué)會(huì)學(xué)習(xí)能力。人的大腦一定是稀疏的，雖然人腦據(jù)說(shuō)有 400 億個(gè)神經(jīng)元，但完成任務(wù)時(shí)只有一小部分的神經(jīng)元被激活，所以人腦一天只有 25 度電。而 AlphaGo Zero 經(jīng)過(guò)了 2900 萬(wàn)次的訓(xùn)練，能戰(zhàn)勝所有的 AlphaGo，它的耗電量幾乎等于洛杉磯一年的耗電量。

人的大腦很復(fù)雜，但在完成某個(gè)任務(wù)時(shí)一定是稀疏的，而機(jī)器腦一定是密集的 ，比如機(jī)器的進(jìn)化速度服從摩爾定律，每18個(gè)月性能就提升一倍。一個(gè)稀疏的人腦和一個(gè)稠密的機(jī)器腦結(jié)合，恐怕就是邁向人機(jī)耦合獲得數(shù)據(jù)驅(qū)動(dòng)和人的知識(shí)相互結(jié)合的時(shí)代。這期期刊還邀請(qǐng)了一些專家撰寫文章，比如潘院士認(rèn)為人工智能的下一步就是多重知識(shí)表達(dá)。今年的 CAAI 年會(huì)上有一期分論壇就叫做視覺知識(shí)的表達(dá)，把知識(shí)表達(dá)好，可能是下一步人工智能邁進(jìn)的正確方向。

朱松純老師也受邀寫了一篇文章，以此回答他認(rèn)為的“機(jī)器大腦是大數(shù)據(jù)小任務(wù)，人的大腦是小數(shù)據(jù)大任務(wù)”。但是，小數(shù)據(jù)大任務(wù)不是只給一點(diǎn)數(shù)據(jù)就能學(xué)復(fù)雜的任務(wù)，一定是在大任務(wù)的構(gòu)建之下。只有小數(shù)據(jù)，如何完成大任務(wù)的訓(xùn)練？知識(shí)在其中起了很重要的作用，這里的知識(shí)不只是舊數(shù)據(jù)，可編碼的知識(shí)、可感知的知識(shí)、暗知識(shí)以及常識(shí)性的知識(shí)一定也參與了大腦的智能活動(dòng)。朱老師的這篇文章的標(biāo)題也很吸引人，叫《“暗”，不止于“深”——邁向認(rèn)知智能與類人常識(shí)的范式轉(zhuǎn)換》。

我們最近在做一些數(shù)據(jù)驅(qū)動(dòng)與知識(shí)引導(dǎo)的工作，首先這里的知識(shí)肯定是領(lǐng)域知識(shí)。如果是維基百科或百度百科的知識(shí)，把高中生都懂的知識(shí)放到神經(jīng)系統(tǒng)的模式里，也許能改進(jìn)神經(jīng)系統(tǒng)的學(xué)習(xí)性能，但和領(lǐng)域知識(shí)相比，作用力而言要小一點(diǎn)。我舉兩個(gè)例子，第一個(gè)例子是司法的智能化學(xué)習(xí)，這里有兩個(gè)案例都給出了一些司法數(shù)據(jù)。第一個(gè)案例，法院認(rèn)定了一些事實(shí)，原告要求法院判定他的一些事實(shí)是成立的；第二個(gè)案例，法院認(rèn)定了一些事實(shí)，原告要求法院在這些認(rèn)定事實(shí)的基礎(chǔ)上，判決原告的一些訴求是成立的。但在一些真實(shí)的案子里，原告有些訴求被駁回，有些則被法院認(rèn)同。

那么，什么情況下原告的訴求會(huì)被法院認(rèn)同，什么時(shí)候會(huì)被駁回？能不能把司法知識(shí)和這樣的數(shù)據(jù)結(jié)合起來(lái)，形成數(shù)據(jù)驅(qū)動(dòng)和知識(shí)引導(dǎo)相互結(jié)合的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法？我們提出了數(shù)據(jù)驅(qū)動(dòng)和知識(shí)引導(dǎo)相互結(jié)合的方法，數(shù)據(jù)由神經(jīng)網(wǎng)絡(luò) co-attention network 去學(xué)，由數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)出數(shù)據(jù)模式，再加以 legal knowledge，即一階編碼的司法知識(shí)，兩者結(jié)合起來(lái)以加強(qiáng)原告訴求的判斷。把一些司法領(lǐng)域的知識(shí)通過(guò)一階位置編碼利用起來(lái)，與數(shù)據(jù)驅(qū)動(dòng)進(jìn)行結(jié)合，在一些數(shù)據(jù)集上進(jìn)行了測(cè)試。

第二個(gè)例子叫做 video caption，主要是想解決一段短的 video clip 怎么得到更好的文本描述，主要和阿里達(dá)摩院合作。因?yàn)榘⒗镆層脩酎c(diǎn)擊商品，必須要把商品所對(duì)應(yīng)的視頻用文本描述出來(lái)。如何自動(dòng)生成這種文本描述？我們引入了一個(gè)商品屬性的知識(shí)圖譜，通過(guò)圖神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到不同的紙袋之間的空間分布，再通過(guò)卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到一個(gè)像素點(diǎn)的空間分布模式，然后把這些知識(shí)結(jié)合起來(lái)，是不是能夠生成一種更具廣告效應(yīng)的文本描述？

把數(shù)據(jù)和視覺知識(shí)結(jié)合后，能不能把一些外在的記憶體也引進(jìn)來(lái)？正如剛剛講的話外之意和弦外之音，不能只針對(duì) video 理解 video，video 里一定有一些高級(jí)語(yǔ)義或?qū)傩杂|發(fā)了外在記憶體里的知識(shí)，加以利用這種知識(shí)更好地做視覺信息的分析與處理。再進(jìn)一步，引入因果知識(shí)的關(guān)系，去除偽相關(guān)的關(guān)聯(lián)，

例如，一個(gè)吉他手穿著T恤彈吉他，也許彈吉他的人都喜歡穿T恤，本來(lái)彈吉他和穿什么衣服沒有因果關(guān)系，但由于數(shù)據(jù)選擇的偏差，選擇的這些場(chǎng)景，吉他手都穿了T恤，結(jié)果系統(tǒng)錯(cuò)誤地認(rèn)為，T恤和吉他有關(guān)聯(lián)。這有點(diǎn)像因果學(xué)習(xí)中，我們常說(shuō)的公雞打鳴和太陽(yáng)升起的例子，公雞打鳴和太陽(yáng)升起好像有因果關(guān)系，因?yàn)楣u一打鳴太陽(yáng)就升起。但如果有一天，把全世界的公雞都?xì)⑺?，太?yáng)照樣升起，它們之間是一種偽關(guān)聯(lián)，這種關(guān)系影響了我們學(xué)習(xí)的效果。如何消除T恤和吉他手的這種關(guān)聯(lián)，用統(tǒng)計(jì)分析的關(guān)聯(lián)學(xué)習(xí)，會(huì)說(shuō)樂(lè)器和襯衫之間的關(guān)聯(lián)達(dá)到6%，但是引入因果的話，可以把這種偽關(guān)聯(lián)去掉。

數(shù)據(jù)驅(qū)動(dòng)和知識(shí)引導(dǎo)實(shí)際上是很難的，特別是如何編碼領(lǐng)域知識(shí)。對(duì)徐院士之前報(bào)告里的一句話非常深刻：數(shù)據(jù)不夠模型上，模型不夠知識(shí)上。好像有點(diǎn)道理，數(shù)據(jù)不夠怎么辦？用更強(qiáng)大的模型去擬合，比如支持向量機(jī)。模型的能力不夠怎么辦？知識(shí)上，把數(shù)據(jù)、模型和知識(shí)和算力結(jié)合起來(lái)；算力也很重要，因?yàn)槲覀兊哪Ｐ同F(xiàn)在變得比較復(fù)雜。

所以，我們提的問(wèn)題首先一定要領(lǐng)域相關(guān)，比如化學(xué)問(wèn)題、物理問(wèn)題等；然后是物理建模，例如，麥克風(fēng)放在桌子上，我們不能說(shuō)麥克風(fēng)懸浮在空中，這樣的物理結(jié)構(gòu)是在人類社會(huì)是不存在的，一定要從物理結(jié)構(gòu)里更好地約束建模的方法。最后，人一定要參與進(jìn)去，這個(gè)問(wèn)題確實(shí)很復(fù)雜，實(shí)際上是我們現(xiàn)在面臨的巨大挑戰(zhàn)。但人工智能在驅(qū)動(dòng)科學(xué)計(jì)算，科學(xué)計(jì)算反過(guò)來(lái)也會(huì)驅(qū)動(dòng)人工智能的進(jìn)展。我們現(xiàn)在用數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)，把物理的規(guī)則和模型結(jié)合起來(lái)，是不是能更好地解決領(lǐng)域相關(guān)的問(wèn)題？而領(lǐng)域相關(guān)問(wèn)題的解決，就促進(jìn)了人工智能的發(fā)展。

現(xiàn)在有一個(gè)方向的研究，認(rèn)為精確刻畫交通湍流和疾病傳播等復(fù)雜系統(tǒng)的動(dòng)力學(xué)偏微分方程異常困難。如何刻畫新冠肺炎的傳播？怎么刻畫馬航失事的飛機(jī)在大西洋和太平洋的殘骸？它受到非常多的因素影響，大西洋彼岸一只蝴蝶翅膀的扇動(dòng)，就會(huì)帶來(lái)臺(tái)風(fēng)和暴雨，怎么帶來(lái)的臺(tái)風(fēng)和風(fēng)暴雨，這很難用方程表示。怎么辦？我們可以學(xué)神經(jīng)網(wǎng)絡(luò)，但神經(jīng)網(wǎng)絡(luò)的方程我們不知道，且這些神經(jīng)網(wǎng)絡(luò)也不是簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)，而是建立輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的關(guān)聯(lián)?，F(xiàn)在沒有這個(gè)方式怎么辦？

神經(jīng)算子是科學(xué)計(jì)算里非常熱門的一個(gè)方向，要把知識(shí)和數(shù)據(jù)更好地結(jié)合起來(lái)，就要更好地研究一些科學(xué)算子，更好地進(jìn)行設(shè)計(jì)，把物理建模的約束融入到模型之中的模型。然后還要有一些快速的優(yōu)化方法，從軟件的角度進(jìn)行考慮，因?yàn)檎鎸?shí)世界實(shí)在太復(fù)雜了，我們無(wú)法用方程建立，只能用逼近、函數(shù)、優(yōu)化、擬合等科學(xué)的方法加以解決。

我們和潘院士之前做過(guò)一個(gè)調(diào)研，通用人工智能現(xiàn)在的態(tài)勢(shì)到底是怎樣的？很多媒體說(shuō)美國(guó)已經(jīng)把通用人工智能當(dāng)成國(guó)家任務(wù)在積極部署，我們把特朗普、奧巴馬和拜登政府的國(guó)家人工智能規(guī)劃通讀一遍后，發(fā)現(xiàn)美國(guó)沒有把通用人工智能當(dāng)成國(guó)家的重要任務(wù)，最多只在奧巴馬政府時(shí)期，用了一個(gè)叫做 General Purpose 的 AI。General Purpose 意為“通用目的”，和我們講的 AGI 不同。在美國(guó)的這些人工智能計(jì)劃里，更多是人工智能應(yīng)該 more general，也就是更靈活、更通用。

借今天的演講我想傳遞一個(gè)想法：數(shù)據(jù)驅(qū)動(dòng)和知識(shí)引導(dǎo)，這里的知識(shí)一定是來(lái)自領(lǐng)域的知識(shí)，AlphaFold、Rose TTAFold 肯定沒有用到百度百科或維基百科的知識(shí)，一定是化學(xué)家能看懂的知識(shí)，只有把這些知識(shí)和領(lǐng)域的專家做更好的結(jié)合，我們的人工智能才會(huì) more general，才會(huì)向領(lǐng)域?qū)＜业哪芰拷?/p>