中国工程院院士陈左宁详述人工智能模型和算法的七大发展趋势

9月29日消息（乐思）在近日举行的“第十六届CCF全过高性能计算学术年会”上，中国工程院副院长、中国科协副主席、中国工程院院士陈左宁发表了题为《人工智能进展对算力需求分析》的演讲。在演讲中，她阐述了人工智能模型和算法的七大发展趋势。

陈左宁表示，经典的HPC的算力环境可支持现有人工智能的模型算法，但性能功耗比和性价比都较低，并非最适合的，需要创新体系结构和软件架构。

据介绍，人工智能的发展经历了三个历程。从符合主义到连接主义再到行为主义。符号主义主要是用公理和逻辑体系搭建一套人工智能系统。连接主义源于仿生学，主张模仿人类的神经元，用神经网络的连接机制连接人工智能。行为主义控制论意为假设智能取决于感知和行动。

陈左宁称，三大流派日趋融合，协同发展，人工智能的核心特征之一是“关系”。

据介绍，“关系”计算的表现形式有三种。一是连接关系，神经网络中神经网元间的连接。反向传播算法中的梯度传播；进化算法中的变异。二是逻辑关系。RNN中的循环连接以及知识图谱中的关联关系。三是因果关系，贝叶斯、决策树以及强化学习中的控制连接。

在演讲中，陈左宁详细介绍了人工智能模型和算法发展的七大趋势。

趋势一、向无监督的方向发展。主要表现为：适应“小数据”，减少标注需求，减少计算开销。要向无监督方向发展要经历几个阶段。人工智能主动学习阶段，算法主动提出标注请求，将一些经过筛选的数据提交给专家标注。迁移学习阶段，增强训练好的模型，解决目标领域中仅有的少量有标签样本数据的问题。强化学习阶段，用agents构成系统来描述行为并给予评价和反馈学习。

趋势二、可解释（XAI）越来越重要。深度学习如何进一步设计算法和参数，提高泛化能力，需要模型算法可解释。对抗样本导致模型失效，训练数据不可理的被局部放大。模型愈加复杂，失去了可调式性和透明度。

“此时，对于技术的需求就是将可解释技术融入软件环境中去。有两个方法。第一为现有软件框架增加可解释技术接口。提供事后解释的基本技术，比如可视化能力，局部数据分析，特征关联等。现有的软件原生支持多种可解释算法。提供算法或指标评估模型的可解释能力。第二是“人—AI”系统结合。以人为中心，由决策理论驱动的XAI的概念框架。” 陈左宁表示。

趋势三、人工智能的自学习、自演化。这个过程有三个阶段。一是自动化机器学习，主要是利用数据驱动方式来做决策。而是限制约束条件的AutoML。三是不舍初始条件，搜索空间极大丰富的自演化AutoML。这一趋势对于技术的需求有计算框架支撑、大算力支撑以及辅助设备支撑。

趋势四、多种算法、模型的有机结合。单一的算法或模型难以解决实际问题。比如问题分解和多种模型有机组合。人工智能模型的发展希望融入多种技术来解决已有问题。比如，通过贝叶斯技术增强因果关系分析；通过数据生成技术减少标注数据需求；通过AutoML技术提高搜索和挖掘能力。与此同时，人工智能的应用流程也越来越复杂，如，不同流程设计的设备以及环境多样；需要不同的算法和模型组合。多种算法、模型的有机组合的需求是计算存储等可拓展能力。基础软件能力提升，支持复杂模型，不同类型软件的协同和交互。

趋势五、人工智能应用需求需要关注全生命周期。全周期不同人物具有不同时间，空间和计算需求。全生命周期都要考虑可解释、公平等需求。

趋势六、分布式、分散式的需求越来越突出。首先，大型、复杂模型，海量数据需要并行，分布式计算。其次，联邦学习等分散场景需要分布式ML原生算法。使多个参与者可以在不共享数据的情况下构建通用的，健壮的机器学习模型，从而解决关键问题。不同节点上的数据集异构（分布不相同），大小可跨越几个数量级。节点可能不可靠，节点之间的互联可能不稳定。类别优集中式、分散式以及迭代式。这一趋势对安全性、架构、提升效率和效用、健壮性有需求。

趋势七，深度推理。从计算到感知再到认知和意识，人工智能模型和算法的发展趋势七是认知理论的进一步突破。这一趋势的需求有效应对多种形式的不确定性。其中概率计算根据不同精度计算需求设计硬件。根据数据和计算的稀疏分布设计。另外，这一趋势的需求还有类脑、仿脑体系结构以及模拟计算。

陈左宁总结说，总体来说，AI趋势对算力的需求主要是对软件栈的需求。从AI发展趋势的特点来看，关系、概率、近似计算更突出；不要求高精度、高容错；节点上计算简单；人在环路中需求明显。因此，对软件栈的需求更加多样，比如复杂、动态、分布式和分散；支撑新场景以及架构创新。目前AI算法仍在基本计算模式中。

陈左宁坦言：“未来的复杂问题可能会超越此模式，目前的模型和算法主要是低精度张量计算。”

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。