人類的技能的基本就是把知識(shí)能聯(lián)系起來(lái)，能把所有的技能聯(lián)系起來(lái)，然后加以應(yīng)用和加以分享，能學(xué)習(xí)，能比較。

9月15日，在由中國(guó)人工智能學(xué)會(huì)學(xué)術(shù)指導(dǎo)的全國(guó)博士后學(xué)術(shù)交流活動(dòng)上，歐洲科學(xué)院院士，深知無(wú)限人工智能研究院(AITC)院長(zhǎng)、首席科學(xué)家，德國(guó)人工智能研究中心(DFKI) 科學(xué)董事，聯(lián)想研究院AI首席顧問(wèn)漢斯·烏思克爾特發(fā)表了題為“Combining different types of machine learning for information and knowledge extraction”的演講。

下為漢斯·烏思克爾特院士在本次大會(huì)中的演講實(shí)錄，經(jīng)整理后發(fā)布。

漢斯·烏思克爾特：非常感謝李教授，我非常喜歡他的演講，可以說(shuō)講的非常好，他談到了愿景和現(xiàn)實(shí)也有很好的結(jié)合，在我的演講里面我也盡量現(xiàn)實(shí)一點(diǎn)，跟大家分享一下我個(gè)人的經(jīng)驗(yàn)，特別是在機(jī)器學(xué)習(xí)的應(yīng)用方面，以及建立知識(shí)架構(gòu)方面，我希望能夠做到至少有一點(diǎn)遠(yuǎn)見。我們知道有廣義的和窄義的AI，在今天的AI我們稱為窄義上的AI，因?yàn)槲覀冎繟I能開車，能識(shí)別人臉，能翻譯，能下圍棋，通常同樣一個(gè)AI的模型不能做很多的事情，但是人類是不同的，人類可以做各種完全不同的事情。

現(xiàn)在讓我們?cè)倏匆幌職v史，看一下這兩種系統(tǒng)，一個(gè)系統(tǒng)是做窄面的事情，可以反映有很長(zhǎng)的歷史，還有其他的系統(tǒng)，他們擁有知識(shí)，能夠去做不止一件事，可以做很多事情。所以在一開始，我們?cè)跈C(jī)器學(xué)習(xí)開始的時(shí)候，在AI系統(tǒng)一開始是基于標(biāo)準(zhǔn)，基于規(guī)則的，我們可以檢查一個(gè)人是否能夠獲得相應(yīng)的信用卡，要檢查他的信用情況等等，所以基于知識(shí)的AI。我們還有一些機(jī)器人，我們可以給他編程，像人類一樣做事情，這就是初期的AI，機(jī)器人可以去解決一些問(wèn)題，遇到障礙可以停下來(lái)，這是把程序作為一個(gè)流程來(lái)安排的。

那么機(jī)器人也是有知識(shí)的，四處移動(dòng)，一開始這些東西都是編號(hào)成序的，還有另外的一些方面，一方面是谷歌翻譯，可以翻譯成很多句子，即使他不理解其中的意思，也可以做到這點(diǎn)，對(duì)人類來(lái)講無(wú)法做到，我們只能在理解之后進(jìn)行翻譯，但是谷歌的機(jī)器翻譯可以翻譯這些內(nèi)容，模仿人類，就像自動(dòng)駕駛一樣，模仿人類駕駛來(lái)進(jìn)行。另外機(jī)器識(shí)別，機(jī)器識(shí)別不用理解所說(shuō)話的意思，無(wú)論講什么內(nèi)容但是可以去識(shí)別。另外有IBM watson系統(tǒng)，也打敗了美國(guó)智力挑戰(zhàn)的專家，它是信息量豐富的，也是非常神奇的一個(gè)系統(tǒng)。IBM有一些人類挑戰(zhàn)賽的冠軍，IBM可以做到把圣經(jīng)，把維基百科，把這些知識(shí)存儲(chǔ)到里面去，watson可以使用。

當(dāng)然還有其他的系統(tǒng)，可以從人類的回答里進(jìn)行分析，可以去模仿人類，就像小的鸚鵡一樣可以重復(fù)人類所說(shuō)的知識(shí)。還有一些能學(xué)習(xí)的類似于機(jī)器人，像德國(guó)的DFKI的系統(tǒng)，我們也討論很多，它也有很多的來(lái)自于大數(shù)據(jù)的知識(shí)。這些系統(tǒng)也使用一些機(jī)器學(xué)習(xí)，逐漸擴(kuò)大知識(shí)，也同樣在內(nèi)部使用深度學(xué)習(xí)，深度學(xué)習(xí)也是非常強(qiáng)大的，需要讓它做很多事情，即使需要很大的知識(shí)量。人類的智能，在不同人類的技能也是相互聯(lián)系的，比如說(shuō)當(dāng)我游泳的時(shí)候，這和我的識(shí)別別人人臉的功能是完全不相連的，人類的技能可以互相分開的，但是需要完全不同的知識(shí)，我能夠把不同的知識(shí)和技能應(yīng)用在不同的活動(dòng)上面，比如我騎自行車向左轉(zhuǎn)，我可以用一只手掌握車把，或者走一個(gè)曲線的路子。翻譯的時(shí)候我可以翻譯，我可以識(shí)別人臉，比如說(shuō)在座的各位里面，我找出膚色白和膚色稍黑的人，這也是需要一定的技能。

這是不同的技能，我們可以把所有的技能都綜合起來(lái)，所以人類的技能的基本就是把知識(shí)能聯(lián)系起來(lái)，能把所有的技能聯(lián)系起來(lái)，然后加以應(yīng)用和加以分享，能學(xué)習(xí)，能比較。下面讓我很快過(guò)一下這些內(nèi)容，我們都知道這些內(nèi)容，我們知道在指導(dǎo)下的學(xué)習(xí)，我們有各種各樣的數(shù)據(jù)，還有一些沒(méi)有監(jiān)督的或者沒(méi)有指導(dǎo)下的自主學(xué)習(xí)，還有非常重要的就是這種半指導(dǎo)性下的學(xué)習(xí)有很多方法，比如說(shuō)我們把一些數(shù)據(jù)予以標(biāo)記，可以去進(jìn)行分析，然后有些數(shù)據(jù)不用有太多的標(biāo)記，這樣我們就可以去減輕人類的工作強(qiáng)度。還有一種叫做較少指導(dǎo)下的學(xué)習(xí)，我們很少有例子，這些例子能被標(biāo)識(shí)。我們用非常好的數(shù)據(jù)，這樣機(jī)器能找到更多的類似的數(shù)據(jù)根據(jù)標(biāo)簽，這樣可以進(jìn)行更多的學(xué)習(xí)，更好的建造學(xué)習(xí)架構(gòu)。

機(jī)器可以自動(dòng)加標(biāo)記，因?yàn)橐呀?jīng)有這些數(shù)據(jù)了。還有機(jī)器性的學(xué)習(xí)，我們都知道機(jī)器的學(xué)習(xí)，這些系統(tǒng)能夠意識(shí)到有些數(shù)據(jù)是缺失的，他們可以去尋求這些數(shù)據(jù)，或者說(shuō)文字我不認(rèn)識(shí)，請(qǐng)給我翻譯一下，因?yàn)槿鄙倮樱憧梢越o我更多的例子，更多的數(shù)據(jù)，作為機(jī)器性的學(xué)習(xí)。第二個(gè)就是強(qiáng)化學(xué)習(xí)，剛才李教授提到了，也就是獲得強(qiáng)化學(xué)習(xí)的閉環(huán)。那么還有就是機(jī)器學(xué)習(xí)，也就是機(jī)器教授，可能我們稱之為課程學(xué)習(xí)，大家都有一種觀念就是把數(shù)據(jù)進(jìn)行分離開來(lái)，把它們成為更簡(jiǎn)單的數(shù)據(jù)和更困難的數(shù)據(jù)，可能對(duì)于孩子會(huì)給他們更簡(jiǎn)單的數(shù)據(jù)，隨著他們的成長(zhǎng)，要給他們更困難的數(shù)據(jù)，所以這是一種很簡(jiǎn)單的方式。這樣的方式當(dāng)中，我們就可以進(jìn)行難度的增加，所以這叫做課程的學(xué)習(xí)。

實(shí)際上在我們的程序語(yǔ)言處理當(dāng)中，我們不知道其他的方面或者是領(lǐng)域，如果說(shuō)你是通過(guò)一個(gè)簡(jiǎn)單的物體開始，那我們就有不同的學(xué)習(xí)分層，或者是不同的目標(biāo)區(qū)分，也是從最簡(jiǎn)單的開始，然后大家會(huì)展示他們的一些積極的學(xué)習(xí)成果，這可能就是機(jī)器的教授。教授是一層，然后機(jī)器是另一層，我們就把它加入整合起來(lái)，就是機(jī)器教授。那我們來(lái)講授一下這種應(yīng)用，機(jī)器人和自動(dòng)駕駛的區(qū)別是什么？其實(shí)我們現(xiàn)在所說(shuō)的AI是非常狹義的概念，比如說(shuō)智能汽車以及其他各個(gè)領(lǐng)域的應(yīng)用，但其實(shí)對(duì)于AI技術(shù)非常關(guān)鍵的一點(diǎn)就是幫助人們做決定。我們知道現(xiàn)在的數(shù)據(jù)非常龐雜，我們的大腦也是有限的，我們并不能處理這么龐雜的數(shù)據(jù)，其中的一個(gè)例子就是公司智能，那我們可以看到在公司智能中間部分，就是我們要運(yùn)用新的AI技術(shù)，來(lái)為我們提供平臺(tái)，幫助公司做決定。

那我們可以看到CIA，也就是中情局，可能和情報(bào)局是不一樣的，那在英國(guó)我們?cè)谟⒄Z(yǔ)當(dāng)中，我們情報(bào)和智能是一個(gè)詞，但是在中國(guó)智能實(shí)際上和情報(bào)是不一樣的，我們?cè)谶@里強(qiáng)調(diào)的是智能。在德國(guó)也是，我們是有兩個(gè)不同的單詞，那現(xiàn)在企業(yè)，非常重要的一個(gè)觀點(diǎn)，其實(shí)讓企業(yè)獲得成功的方面是在公司之外的，大家在工廠當(dāng)中，就是我們收入的來(lái)源，就是客戶支付錢，如果我們沒(méi)有技術(shù)來(lái)支撐的話，或者是說(shuō)我們的客戶，我們的供應(yīng)商沒(méi)有給我們提供足夠的原料，或者是我們的投資者并沒(méi)有為我們持續(xù)的投資，而出售了我們的股份，或者是我們的分銷商并沒(méi)有繼續(xù)分銷我們的產(chǎn)品，這就會(huì)給公司造成損失。

現(xiàn)在作為一個(gè)中國(guó)的公司，我們可能有兩萬(wàn)或一萬(wàn)的人，而且我們將商品出口到世界各地，其實(shí)很多的供應(yīng)商不在中國(guó)，而且一些客戶也可能是在非洲和法國(guó)，我們的競(jìng)爭(zhēng)者可能在瑞士，所以我們?cè)趺礃觼?lái)認(rèn)知，對(duì)這些不同的成分進(jìn)行認(rèn)知呢？我們?cè)趺礃涌创@些全球化的不同的組成實(shí)體呢？那其實(shí)我們有一個(gè)夏明的工廠就找到我們來(lái)到柏林，他們來(lái)到我們的智能研究中心，可以幫助我們來(lái)監(jiān)控或者是觀察我們的客戶嗎？我不知道我們的產(chǎn)品的什么特征他們會(huì)喜歡，我們的客戶喜歡什么樣的產(chǎn)品，比如西班牙，他們說(shuō)不同的語(yǔ)言，所以我不知道他們需求是什么。如果我們把這寫都整合起來(lái)，就是一個(gè)智能企業(yè)。那其實(shí)，中情局也是同樣的道理，并不是說(shuō)作出最終決定，他們是得到這些所有的信息來(lái)幫助他們作出選擇。

我們并不是說(shuō)使用人工智能來(lái)取代人，當(dāng)然了在很多領(lǐng)域，AI能取代人的功能，但是我們現(xiàn)在能給人們賦權(quán)，能讓人更好的作出決定，更好的輔助他們的工作。那在行業(yè)當(dāng)中，我們可以通過(guò)人工智能幫助人作出更加明智的決定，比如在一些領(lǐng)域，他們是不能取代專家的產(chǎn)品經(jīng)理或者是市場(chǎng)調(diào)研員，因?yàn)樵谶@些領(lǐng)域，AI所起的作用是幫助他們更好的篩選和分析數(shù)據(jù)，作出更具邏輯的結(jié)論和決定。所以這是我們現(xiàn)在的人工智能形式。其實(shí)有來(lái)自全世界的數(shù)據(jù)，然后我們的大腦作出決定，這個(gè)決定最終會(huì)影響公司。我們的大腦從世界獲取數(shù)據(jù)，同時(shí)也從公司獲取數(shù)據(jù)，還有一些其他的知識(shí)以及人們自有的認(rèn)知的知識(shí)，這樣我們就可以作出更加明智的決定。

這個(gè)是傳統(tǒng)科學(xué)，這個(gè)部分就是我們的智能，左邊部分可以取代的，右邊部分是不可以取代的，右邊部分的作用就是幫助CEO作出更好的決定。我們所要做的就是能夠使無(wú)論是這些無(wú)架構(gòu)的或半架構(gòu)的整個(gè)系統(tǒng)聯(lián)系起來(lái)，在其中當(dāng)中，我們有這些知識(shí)曲線，知識(shí)圖表，無(wú)論是谷歌，還是其他的媒介，我們希望有這些數(shù)據(jù)知識(shí)圖表，可能也是我們的大眾所使用的。那從傳統(tǒng)意義而言，公司會(huì)使用不同的產(chǎn)品以及不同的標(biāo)準(zhǔn)，他們有自己的知識(shí)庫(kù)，他們有自己的自主的知識(shí)產(chǎn)權(quán)，自主的技術(shù)。那其實(shí)我們想要進(jìn)行數(shù)據(jù)的交換和交流，我們想有競(jìng)爭(zhēng)力，我們不想從公眾當(dāng)中復(fù)制和獲取數(shù)據(jù)，因?yàn)楣姰?dāng)中有一些數(shù)據(jù)是根據(jù)技術(shù)和材料的，但是你不想獲取這些已經(jīng)現(xiàn)有的數(shù)據(jù)，我們想具有競(jìng)爭(zhēng)力。

所以我們希望有這樣的一個(gè)知識(shí)社區(qū)，通過(guò)這樣的事實(shí)社區(qū)提取出自己所需要的知識(shí)，所以在我們德國(guó)就有一家，我們可以為公司構(gòu)建自己的知識(shí)架構(gòu)。這樣的知識(shí)架構(gòu)，它并不同于我們的百科全書這樣的公眾知識(shí)，那其中我們可以看到這個(gè)數(shù)據(jù)源，它是從左到右，但是并能從右到左，也就是我們能從百科當(dāng)中提取知識(shí)，但并不是說(shuō)我們提取出來(lái)的知識(shí)或者數(shù)據(jù)再放到提取源當(dāng)中，是單向的，而不是雙向的。這樣大的知識(shí)數(shù)據(jù)庫(kù)當(dāng)中，我們現(xiàn)在已經(jīng)有30億的數(shù)據(jù)和DBPedia合作。

第二點(diǎn)我想說(shuō)知道了解我們的競(jìng)爭(zhēng)者或者是你的客戶，他們并沒(méi)有把產(chǎn)品的數(shù)據(jù)發(fā)給你，或者說(shuō)沒(méi)有用一種結(jié)構(gòu)式的方式告訴你們，他們所喜歡的產(chǎn)品，但是他們可能會(huì)為你的產(chǎn)品進(jìn)行評(píng)論，或者是發(fā)布了一些新聞，那可能你的競(jìng)爭(zhēng)者在面臨財(cái)務(wù)危機(jī)，還有其他的情況，我們需要從龐雜的信息以及文本當(dāng)中提取有效的信息。我們提取出來(lái)這些信息，或者是話題，答案，姓名，事實(shí)，實(shí)踐，觀點(diǎn)，以及客戶的情緒等，那我們就通過(guò)大數(shù)據(jù)的處理方式，還有在柏林我的同事所研究出來(lái)的一種程序進(jìn)行這些信息的處理，它可以幫助我們數(shù)據(jù)形成數(shù)據(jù)流，形成點(diǎn)的形式。

那我給大家展示一下現(xiàn)在有什么樣的問(wèn)題，如果我想收購(gòu)一家公司，或者我想了解他的破產(chǎn)情況，產(chǎn)品，那其實(shí)人類有很多的方式表達(dá)同樣的觀點(diǎn)，同樣的句子，比如說(shuō)一家公司收購(gòu)另一家公司，我們有很多方式表達(dá)這句話，這個(gè)很復(fù)雜。我們想要知道的就是它其中的模式，這是正確的關(guān)聯(lián)關(guān)系，綠色的就是，黑色的不感興趣，紅色就是我們想找出來(lái)的，綠色就是模式，這樣我們就能了解我們的競(jìng)爭(zhēng)者。

現(xiàn)在我們所做的就是監(jiān)管式，我們已經(jīng)取得了很多的例子，我們獲得了一些公司的圖表，它已經(jīng)存在了在知識(shí)庫(kù)當(dāng)中存在，然后我們找到這些描述公司的句子，他們的價(jià)格，還有其他的信息。比如說(shuō)2008年的并購(gòu)，我們會(huì)得到相應(yīng)的信息，可能通過(guò)微軟，我們進(jìn)行語(yǔ)義分析，因?yàn)槲覀円揽腕w和主體是什么，其實(shí)這樣的程序，只知道兩個(gè)公司，并不知道誰(shuí)是采購(gòu)的，誰(shuí)是被收購(gòu)的，所以我們可以看到綠色的部分就是模式。

第二次就可以篩選綠色的部分獲得新的信息，同時(shí)我們已經(jīng)放了兩千個(gè)案例，基本上直說(shuō)有五十到兩千個(gè)案例在其中，我們就可以看到整個(gè)圖。現(xiàn)在我們來(lái)跳到下一部分，這是我們現(xiàn)在所采用的一個(gè)方式，我們?cè)谔幚碚Z(yǔ)言的時(shí)候，我們需要有不同的步驟，這是中國(guó)的排序，他們沒(méi)有空白，那我需要把它進(jìn)行分區(qū)，我們需要找到每一個(gè)部分的語(yǔ)義是什么樣的，我需要找到現(xiàn)在的表達(dá)方式是什么，因?yàn)橥环N語(yǔ)義可能會(huì)有數(shù)百萬(wàn)的表達(dá)方式，但我要看一下現(xiàn)在的流行表達(dá)方式是什么，還有現(xiàn)在的組織的坐落點(diǎn)以及人所處的位置，這些都是我們的機(jī)器可以進(jìn)行學(xué)習(xí)的，比如說(shuō)在這兒，我們要利用神經(jīng)語(yǔ)言網(wǎng)絡(luò)學(xué)習(xí)，大家可能知道LSTM是一種長(zhǎng)期短期的記憶系統(tǒng)，它是德國(guó)所開發(fā)的。

同時(shí)，我們還有使用這些監(jiān)管架構(gòu)來(lái)進(jìn)行學(xué)習(xí)，以及包括數(shù)據(jù)過(guò)濾，為什么我們要進(jìn)行這方面的實(shí)施呢？因?yàn)槲覀儸F(xiàn)在對(duì)于大腦的構(gòu)造和模式，還并不知道我們只是進(jìn)行模仿，而且我們使用這種知識(shí)的方式，充滿知識(shí)的機(jī)器學(xué)習(xí)方式，那這種系統(tǒng)不止是從數(shù)據(jù)當(dāng)中學(xué)習(xí)，同時(shí)也可以從外顯的知識(shí)當(dāng)中學(xué)習(xí)，他們可以把語(yǔ)義和術(shù)語(yǔ)聯(lián)系起來(lái)。我們通過(guò)外圍的數(shù)據(jù)進(jìn)行篩選，有相應(yīng)的案例，那所以整個(gè)學(xué)習(xí)流程并不是從空白的方式開始的，而是基于其他人所給予我們的知識(shí)，空白的知識(shí)，我并不相信，所以我們需要在這個(gè)知識(shí)庫(kù)當(dāng)中放入更多的知識(shí)，進(jìn)行再度學(xué)習(xí)。

這是一種分階段式的學(xué)習(xí)，那我們?cè)俑蠹曳窒硪幌挛覀兊挠^點(diǎn)就是通過(guò)把隱性知識(shí)和外顯知識(shí)結(jié)合起來(lái)，充分利用人的認(rèn)知，這是革新性的資產(chǎn)，如果只有具有邏輯性的知識(shí)，我們同樣也需要這些包括知覺(jué)或者是技能知識(shí)的總結(jié)，在人工智能方面，我們需要把隱性知識(shí)和顯性知識(shí)結(jié)合起來(lái)，就像汽車一樣，用混合動(dòng)力的，意味著人工智能和人腦結(jié)合方面，也就是把所有的學(xué)習(xí)整合起來(lái)。最重要的一點(diǎn)我們要理解數(shù)據(jù)，收集數(shù)據(jù)，可以把收集的信息進(jìn)行簡(jiǎn)化。這樣的結(jié)合可能運(yùn)用到現(xiàn)在行業(yè)的各個(gè)領(lǐng)域。現(xiàn)在在醫(yī)藥領(lǐng)域，行業(yè)工業(yè)領(lǐng)域或者是汽車制藥領(lǐng)域都可以使用這樣的比如通過(guò)X光檢測(cè)產(chǎn)品的質(zhì)量，但是并沒(méi)有幫我們進(jìn)行正確的決定，所以如果做出更合理的決定，我們需要把顯性知識(shí)和隱性知識(shí)結(jié)合起來(lái)，謝謝大家。