AI人工智能认知智能，AI 的下一个十年 | AI Procon 2020( 二 ) |行业互联网|

另外，从去年年底到今年初，自监督学习技术也有了最新的进展。即无需标记样本，即可学习图形表示。事实上，这一研究在几年前就已展开，譬如，让计算机通过大量的数据，就可以自动识别出猫。彼时环境下，很多人并不理解这件事的具体含义与技术，或许更多人认为这是一个很简单的问题，从机器学习角度来看，如果有一点点的标记样本，计算机就能识别这是一只猫。

本文插图
那么，如果没有标记样本，计算机该如何识别出猫？
这就是自监督学习的魅力所在。它会通过数据本身的分析，比如给定一个图片 XQ ，在大量的数据中自动找到 XQ 相关的图片，可以将这些图片作为正例，把其他随机找到另外一些图片作为负例，基于此，我们可以自动学习出哪些是一个正例，哪些是一个负例。在此过程中，或许有人提问，如果这里图片标注错误会怎么办？
事实上，在机器学习与人工智能的时代，大数据是基础，这就需要大量的数据为支撑。回归现下的自监督学习，在很多效果上，其甚至超过了有监督学习。
举例说明，我们研发了一个面向图数据的自监督学习。从下图中，如何让图数据划分正例和负例。首先，可以将蓝色的点视为正例。在图数据中，正例除了与自身属性有关，也与周围邻居节点相关。因此在海量数据中，任选一节点，随机生成一张子图 XQ ，对于随机的子图，可能没有正例。
这可以再基于蓝色的点，随机生成另外的子图XK0 ，然后当做 XQ 的正例。同时从另外大量海量的图中，随机找一个点，如下图，再随机生成子图，即XK1 ， XK2 ，其中将 XK1 和 XK2 看做 XQ 的副例，把XK0看作 XQ 的正例，于是通过这样的方法，就能够自动构建了一个正例数据集和一个负例数据集，由此在超大规模的图数据上进行训练，最终发现效果可以超过有监督学习，因此，无监督学习也将必然是机器学习下一个重要的方向
基于此，我们研发了一个面向图数据的自监督学习。从下图中，如何让图数据划分正例与负例。举例说明，首先，将蓝色的点视为正例。在图数据中，正例除了与自身属性有关，也与周围邻居节点相关。因此从任一节点，随机生成一张子图。

本文插图
那当然了，我今天要探讨的不是机器学习的一个无监督，而更加要探讨的是人工智能的下一代，人工智能今天这个符号AI ，也经历了感知AI ，那下一个AI是什么呢？
人工智能的未来
2016 年，张钹院士提出第三代人工智能雏形。 DARPA 在 2018 年也发布了AI Next的一个计划，核心的思路是推进统计与知识推理融合，包括机器学习和脑认知的融合。
其实，想要实现认知智能，目前最缺乏两个方面：
高质量超大规模知识图谱，这是AI的基础设施。
对知识的理解能力，即面向认知的深度学习算法。相较于当下更像黑盒子的深度学习算法，我们更需要可解释、鲁棒、具有理解能力的机器学习方法，亦或者叫做推理算法。

本文插图
未来，人工智能必是超越深度学习的存在。如图所示，左边的 Symbolic 即符号 AI 。右边为深度学习，时下深度学习和机器学习处于交融的状态，业界很多人评价道，深度学习是机器学习的一小块，很多人有认为它超越了机器学习。事实上，想要超越深度学习，我们需要结合符号 AI ，也就是最终的 Symbolic Neural Net 。