数据驱动和知识引导实际上是很难的，特别是如何编码领域知识。对徐院士之前报告里的一句话非常深刻：数据不够模型上，模型不够知识上。好像有点道理，数据不够怎么办？用更强大的模型去拟合，比如支持向量机。模型的能力不够怎么办？知识上，把数据、模型和知识和算力结合起来；算力也很重要，因为我们的模型现在变得比较复杂。
所以，我们提的问题首先一定要领域相关，比如化学问题、物理问题等；然后是物理建模，例如，麦克风放在桌子上，我们不能说麦克风悬浮在空中，这样的物理结构是在人类社会是不存在的，一定要从物理结构里更好地约束建模的方法。最后，人一定要参与进去，这个问题确实很复杂，实际上是我们现在面临的巨大挑战。但人工智能在驱动科学计算，科学计算反过来也会驱动人工智能的进展。我们现在用数据和神经网络，把物理的规则和模型结合起来，是不是能更好地解决领域相关的问题？而领域相关问题的解决，就促进了人工智能的发展。

文章插图

现在有一个方向的研究，认为精确刻画交通湍流和疾病传播等复杂系统的动力学偏微分方程异常困难。如何刻画新冠肺炎的传播？怎么刻画马航失事的飞机在大西洋和太平洋的残骸？它受到非常多的因素影响，大西洋彼岸一只蝴蝶翅膀的扇动，就会带来台风和暴雨，怎么带来的台风和风暴雨，这很难用方程表示。怎么办？我们可以学神经网络，但神经网络的方程我们不知道，且这些神经网络也不是简单的神经网络，而是建立输入数据和输出数据之间的关联。现在没有这个方式怎么办？
神经算子是科学计算里非常热门的一个方向，要把知识和数据更好地结合起来，就要更好地研究一些科学算子，更好地进行设计，把物理建模的约束融入到模型之中的模型。然后还要有一些快速的优化方法，从软件的角度进行考虑，因为真实世界实在太复杂了，我们无法用方程建立，只能用逼近、函数、优化、拟合等科学的方法加以解决。
我们和潘院士之前做过一个调研，通用人工智能现在的态势到底是怎样的？很多媒体说美国已经把通用人工智能当成国家任务在积极部署，我们把特朗普、奥巴马和拜登政府的国家人工智能规划通读一遍后，发现美国没有把通用人工智能当成国家的重要任务，最多只在奥巴马政府时期，用了一个叫做 General Purpose 的 AI。General Purpose 意为“通用目的”，和我们讲的 AGI 不同。在美国的这些人工智能计划里，更多是人工智能应该 more general，也就是更灵活、更通用。
借今天的演讲我想传递一个想法：数据驱动和知识引导，这里的知识一定是来自领域的知识，AlphaFold、Rose TTAFold 肯定没有用到百度百科或维基百科的知识，一定是化学家能看懂的知识，只有把这些知识和领域的专家做更好的结合，我们的人工智能才会 more general，才会向领域专家的能力靠近。

稿源：(雷峰网)

【傻大方】网址：/c/1201b0N22021.html

标题：吴飞|浙大求是特聘教授吴飞：数据驱动与知识引导相互结合的智能计算( 四 )