原標題:DIKW金字塔,AI爬到第幾層了?
你可能沒聽說過DIKW金字塔,但你一定曾被按在這座塔的鄙視鏈上摩擦過。
曾有某個游戲主播形容自己的預判:觀眾只看到了第二層,想到了第一層,實際上我在第五層。于是,網(wǎng)友們形容一些讓人意想不到的操作,“這波啊,這波是在大氣層”。
這種說法雖然有些戲謔,但還真有點科學道理。
DIKW金字塔,是一個關于人類理解、推理和解釋的層次結(jié)構(gòu),分別是:數(shù)據(jù)(原始的事實集合)、信息(可被分析測量的結(jié)構(gòu)化數(shù)據(jù))、知識(需要洞察力和理解力進行學習)、智慧(指導行動)。
站在DIKW金字塔尖的人,相當于全部通關的頂級選手,掌握了數(shù)據(jù)、整理成信息、理解為知識、轉(zhuǎn)化成智慧,才能讓行動如有神助。足智多謀如諸葛亮,錦囊妙計用的那叫一個信手拈來,絕對是“站在大氣層的男人”。
DIKW金字塔適用于人,也適用于AI嗎?答案是肯定的。
如果AI也有鄙視鏈,那么基于數(shù)據(jù)的AI,一定會被基于知識的AI碾壓。
這是因為,AI Is A Knowledge Technology,AI就是一種由知識驅(qū)動的技術(shù)。因此,從初級人工智能向高級人工智能、通用人工智能發(fā)展的過程,也是一個攀爬DIKW金字塔的過程。
近年來,AI領域的諸多學術(shù)力量、產(chǎn)業(yè)力量,從強調(diào)“數(shù)據(jù)出奇跡”的蠻力計算,向著“知識金字塔”的更高層級進發(fā),推動知識計算引領AI應用的未來潮流。
可以說,我們正處于一個向基于知識的AI過渡的關鍵階段。AI已經(jīng)影響著你我生活的方方面面,所以有必要來聊一聊,AI沿著DIKW金字塔向上攀爬,將會帶來怎樣的變化?
回歸的鐘擺:理性主義的復興
將知識運用在機器智能當中,并不是什么新鮮事。早在上個世紀,人類就開始了探索知識計算的步伐,并廣泛應用到工作和生活當中。
AI誕生的那一刻起,就是理性主義和經(jīng)驗主義兩大流派的交相輝映、此消彼長。它們的共同之處,都認為機器智能首先要擁有知識,知識是智能的核心;分歧在于,對于知識的理解和獲取途徑不同。
而伴隨著這兩大流派的發(fā)展,知識與AI的結(jié)合,也就表現(xiàn)為兩種方式。
一種是理性主義的結(jié)合,人提供知識,機器負責計算。
理性主義認為人的智能是先天遺傳的,要實現(xiàn)機器智能,就要理解人腦的運行機制,將這個東西總結(jié)成知識,再由人來告訴機器怎么做。
典型應用就是專家系統(tǒng)。
人類專家總結(jié)出知識,計算機根據(jù)專家系統(tǒng)知識庫進行學習,這種方式可解釋性非常高。從1968年世界上第一個專家系統(tǒng)——化學專家系統(tǒng)DENDRAL研制成功之后,針對某個單一領域、模仿專家進行推理分析的早期專家系統(tǒng)開始流行起來,廣泛應用于工農(nóng)業(yè)、醫(yī)療、氣象、交通、軍事等眾多產(chǎn)業(yè)計算場景之中。
不過,專家機只能在一些特定領域發(fā)揮作用,建構(gòu)成本非常高。并且,受限于專家的認知上限,如果人都沒有找到那個知識,或者表述不出來的話,機器就更不可能學會了。
于是從九十年代到現(xiàn)在,另一種AI與知識的結(jié)合模式就占據(jù)了主流,那就是經(jīng)驗主義。
由人手工打造一個分類器,開發(fā)人員不必提前知道答案,機器可以不依賴那些人類專家描述不出來、“只可意會不可言傳”的知識,按照自己的運作機制,從數(shù)據(jù)中來挖掘知識,通過大規(guī)模數(shù)據(jù)訓練出模型參數(shù),表現(xiàn)出超過人類的智能。
最具代表性的就是深度學習。
依靠強大的數(shù)據(jù)、算力和神經(jīng)網(wǎng)絡,谷歌大腦可以不需要人類的幫助,在不知道“貓”這個詞的前提下,通過訓練將數(shù)據(jù)轉(zhuǎn)化為知識,看過數(shù)百萬張圖片后,自己提煉出貓的基本特性,知道貓是一種毛茸茸的(此處省略一堆形容詞)生物,然后成功在一堆照片中識別出貓。
基于龐大的數(shù)據(jù),AI雖然并不真正理解和掌握相關知識,也就是“知其然不知其所以然”,不可能真的取代人類專家,但可以將復雜的模式識別問題分解成更簡單的模式識別問題,在一些特定任務中表現(xiàn)得比人類更好、效率更高,取得了長足的發(fā)展。深度學習也被視為經(jīng)驗主義的高峰,成為推動第三次AI浪潮的核心。
但是,基于數(shù)據(jù)的AI,和基于知識的AI,還是有本質(zhì)區(qū)別的。著名的莫拉維克悖論,早就指出過這個問題,因為機器無法像人一樣將隱性知識融入思想和行動之中,形成高階智慧,所以成了邏輯的巨人、常識的矮子,在一些困難的問題如下圍棋上能超越人類,但在很簡單的認知問題上,表現(xiàn)反而不如四五歲的人類小孩兒。
而解決思路之一,就是理性主義所推崇的,讓機器能夠如同真正的人類一樣理解知識并進行思考。
就像丘吉在《鐘擺擺得太遠》(A Pendulum Swung Too Far)所預測的那樣,AI已經(jīng)偏離經(jīng)驗主義太遠,將來回歸理性主義的速度就會越快,理性主義復興的步伐正在到來。
產(chǎn)業(yè)的呼喚:數(shù)智化浪潮與知識之光
或許你會認為,經(jīng)驗主義和理性主義,只是學術(shù)界的流派之爭,跟普通人和工業(yè)界沒什么關系。
實際上,在產(chǎn)業(yè)智能化的浪潮中,有越來越多的行業(yè)和組織,開始呼喚基于知識的AI,這是因為——
模型設計階段,需要基于知識的理解。
我們知道,AI已經(jīng)開始走出實驗室和象牙塔,走向千行百業(yè),開始與物理世界和生物世界結(jié)合,而這些領域的數(shù)據(jù)并不是全部由1和0所構(gòu)成。
比如AI預測蛋白質(zhì)結(jié)構(gòu),每個蛋白質(zhì)都不是一個簡單的圖像數(shù)據(jù),它的背后是有具體意義的。不同的分子關系如何、怎樣相互作用、靠什么原理組合在一起等,有一整套生物學邏輯和知識體系支撐的,如果缺乏對藥學知識的了解,用純數(shù)據(jù)驅(qū)動的方法來設計模型,很可能做出來的模型無法發(fā)揮效用。
因此,想要AI模型真正能夠在產(chǎn)業(yè)端發(fā)揮價值,要結(jié)合實際工作的機理模型、專家知識等,轉(zhuǎn)化為AI可理解、可處理、可分析的數(shù)學語言。
模型訓練階段,需要基于知識的數(shù)據(jù)。
在產(chǎn)業(yè)AI中,數(shù)據(jù)中往往存在大量的信息,也就是沒有或無法被表征的知識,往往體現(xiàn)為專家經(jīng)驗或師徒傳承。想要訓練出效果更好的產(chǎn)業(yè)模型,不僅需要大量、完備的數(shù)據(jù),還要能夠精準描述出數(shù)據(jù)之間的知識關系,這樣才能夠從數(shù)據(jù)中挖掘出更多有用的知識。
就拿我們?nèi)粘6紩龅降耐扑]算法來說,傳統(tǒng)的推薦算法是用戶喜歡什么就推薦什么,很容易陷入信息繭房。而國內(nèi)某科研團隊,將食品營養(yǎng)科學的知識圖譜與推薦算法相結(jié)合,根據(jù)用戶反饋數(shù)據(jù),比如點擊量、興趣偏好、身體數(shù)據(jù)等等,結(jié)合健康知識來進行組合搭配與推薦。
基于知識的數(shù)據(jù),能夠幫助打造高質(zhì)量、更懂人性的算法。就拿前面提到的推薦系統(tǒng)來說,相比不斷迎合用戶的算法,提供了一種既滿足口味喜好、又符合健康管理要求的選擇。再設想一下,如果AI能夠?qū)⑼赓u配送員的行為數(shù)據(jù)與人的常識性知識結(jié)合到一起,或許無限擠壓配送時間導致的內(nèi)卷困境,也有望被解決了。
模型落地階段,需要基于知識的信任。
AI模型落地應用,在很大程度上取決于其可靠性:一是可信度,結(jié)果是否被人所信任,深度學習受限于可解釋性問題,在醫(yī)療等專精領域不如人類專家被信任;二是可靠性,能否在被干擾的情況下也能表現(xiàn)出較好的性能,也就是解決魯棒性問題。
中科院院士、清華大學人工智能研究院院長張鈸教授曾提出,在產(chǎn)業(yè)落地應用的人工智能,需要符合五個條件:豐富數(shù)據(jù)或知識、完全信息、確定性信息、靜態(tài)環(huán)境、特定領域或單一任務。這五個條件只要有一個不滿足,AI產(chǎn)業(yè)化落地都非常困難。
而改變困境的思路之一,就是知識計算,讓AI系統(tǒng)能夠讀懂知識、學會常識推理,從而讓模型變得可信任、高可靠。
此前,谷歌為了提高搜索引擎結(jié)果的可信度和說服力,就將NLP與知識圖譜相結(jié)合來進行學習。如果搜索者發(fā)現(xiàn)一些文章提到“XX曾在中國工作過”的信息,這些信息與知識庫融合在一起,顯示出XX曾為對華貿(mào)易委員會工作,而該組織在北京設有辦事處,那么“XX曾在中國工作過”的可信度就會大大提高。
同樣,如果自動駕駛系統(tǒng)從大規(guī)模文本信息中提取并學習到一些出行常識,比如“大卡車擋住了前方的視線,應該小心一點,說不定突然過來一個人就可能撞到”,對常識性知識的理解無疑會大大增加人們對自動駕駛安全性的信心。
模型應用階段,需要基于知識的計算。
當前產(chǎn)業(yè)智能化的一大瓶頸是高成本的算力。龐大的深度神經(jīng)網(wǎng)絡系統(tǒng)需要大量計算資源來處理復雜任務。一份來自馬薩諸塞大學的研究顯示,常見的幾種大型 AI 模型,訓練過程會排放超過 626000 磅二氧化碳,幾乎是普通汽車壽命周期排放量的五倍。
拉踩一下,人類在思考(也是一種知識計算)時就十分節(jié)省能耗,心理學家卡尼曼在《思考,快與慢》中就提出,人腦既可以通過系統(tǒng)2進行較慢的理性思考,也可以經(jīng)由系統(tǒng)1,基于已經(jīng)內(nèi)化的知識,實現(xiàn)無意識的、近似于肌肉記憶的快速運算,大腦能量消耗極少。
未來,打造基于知識的AI模型,如同激活腦區(qū)一樣,將成為綠色計算的重要方法,保證產(chǎn)業(yè)智能的可持續(xù)發(fā)展。
不難發(fā)現(xiàn),行業(yè)知識與AI計算的結(jié)合,既是理論上技術(shù)發(fā)展的必然階段,也是事實上產(chǎn)業(yè)AI化所不可或缺的一步。
作為一種致用技術(shù),AI只有真正接納并融合行業(yè)知識,讓計算與知識轉(zhuǎn)變成新時代的生產(chǎn)力,才能凝結(jié)出技術(shù)的長期價值,推動第三次人工智能浪潮繼續(xù)向前奔涌。
艱難的攀爬:從數(shù)據(jù)層到知識層總共分幾步?
拋開應用條件談技術(shù)前景的都是“畫餅”,基于知識的AI同樣少不了前提條件。需要具備至少幾個特征:
1. 知識表征的準確性。
要讓AI理解并利用知識來解決復雜的現(xiàn)實問題,首先需要將這些內(nèi)容轉(zhuǎn)化為數(shù)學語言,變成AI可解的數(shù)據(jù)化路徑。
不過,一個AI系統(tǒng)中需要被表示的知識類型有很多,想要全面且準確地表示出來并不容易。
其中,既有容易被表征的陳述性知識,如何做某事的程序性知識;也有不易被描述出來的知識,像是基于某個領域的專家經(jīng)驗所總結(jié)的啟發(fā)性知識,就未必全是正確的;以及表示概念關系的結(jié)構(gòu)知識,比如分子和分子的相互作用,目前人類了解得還不夠全面。
知識表征的準確性,將直接影響到機器是否能像人類一樣智能。
2.知識推理的多樣性。
推理能力是人類與其他物種最大的不同,尤其是創(chuàng)造性思維。而知識計算的核心能力正是推理能力,根據(jù)現(xiàn)有的表征結(jié)構(gòu)產(chǎn)生相對應的新知識,為產(chǎn)業(yè)側(cè)提供創(chuàng)造性見解。
完全可以想象這樣一個場景:建立一個龐大的知識庫,儲存著人類完成各種任務所需要的知識, AI不再需要對每一個特定場景、特定數(shù)據(jù)集進行專門訓練,可以像一個真正的聰慧人類一樣,觸類旁通、舉一反三,輕松地完成推理分析,應對現(xiàn)實世界中各種各樣的復雜任務。
3. 知識獲取的自動化。
建立常識庫并不是件容易的事,也被叫做“AI 的曼哈頓工程”。 尤其是信息爆炸帶來的海量數(shù)據(jù),需要機器接管將信息轉(zhuǎn)化為知識的工作,要提高知識獲取的效率,自動化成為必須啃下的一塊硬骨頭。
使用自動化方法來獲取新知識,能夠加快AI知識系統(tǒng)迭代,實現(xiàn)模型的自動更新,縮短構(gòu)建行業(yè)知識圖譜的時間。
4. 知識應用的高效率。
不同行業(yè)的知識沉淀、應用、管理方式千差萬別,讓企業(yè)自己去搭建一套個性化工具并不現(xiàn)實。因此,知識計算想要落地行業(yè),還需要一系列標準化工具,提供知識搜索、高性能查詢、可視化分析等功能,提高對知識的挖掘效率。
作為一個新崛起的技術(shù)方向,需要有前瞻眼光的平臺化科技企業(yè)與組織來做好基礎設施建設,并將能力接口向各行各業(yè)企開放。
數(shù)據(jù)和信息描述世界,知識和智慧理解世界。從這個角度說,AI在DIKW金字塔上的層次越高,能力就越強,距離強人工智能也就越近。這條攀爬之路并不好走,卻是AI產(chǎn)業(yè)化和產(chǎn)業(yè)AI化的必經(jīng)之路。
最后的最后,當AI登上金字塔尖的那一刻,獲得真正的智慧,屆時我們已經(jīng)不能確定,AI會不會是地球上最聰明的物體了?;蛘哒f,人類還在智慧的最高層嗎?
正如艾略特在詩中所寫的:“我們在哪里丟失了知識中的智慧?又在哪里丟失了信息中的知識?”(Where is the wisdom we have lost in knowledge? / Where is the knowledge we have lost in information?)
曾幾何時,智慧是人類所特有的東西,是人作為萬物之靈長的代表。很多人正在數(shù)字時代,越來越少地掌握知識、主動思考,越來越多地沉浸于支離破碎的數(shù)據(jù)和信息汪洋之中。
或許,當我們見證AI向金字塔尖攀爬的時候,更重要的是,對人類向金字塔底部的滑落保持一點警醒。
- 蜜度索驥:以跨模態(tài)檢索技術(shù)助力“企宣”向上生長
- 美媒聚焦比亞迪“副業(yè)”:電子代工助力蘋果,下個大計劃瞄準AI機器人
- 微信零錢通新政策:銀行卡轉(zhuǎn)入資金提現(xiàn)免手續(xù)費引熱議
- 消息稱塔塔集團將收購和碩印度iPhone代工廠60%股份 并接管日常運營
- 蘋果揭秘自研芯片成功之道:領先技術(shù)與深度整合是關鍵
- 英偉達新一代Blackwell GPU面臨過熱挑戰(zhàn),交付延期引發(fā)市場關注
- 馬斯克能否成為 AI 部部長?硅谷與白宮的聯(lián)系日益緊密
- 余承東:Mate70將在26號發(fā)布,意外泄露引發(fā)關注
- 無人機“黑科技”亮相航展:全球首臺低空重力測量系統(tǒng)引關注
- 賽力斯發(fā)布聲明:未與任何伙伴聯(lián)合開展人形機器人合作
- 賽力斯觸及漲停,汽車整車股盤初強勢拉升
免責聲明:本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿,凡在本網(wǎng)站出現(xiàn)的信息,均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性,但不保證有關資料的準確性及可靠性,讀者在使用前請進一步核實,并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏,概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時,應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明,并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后,將會依法盡快聯(lián)系相關文章源頭核實,溝通刪除相關內(nèi)容或斷開相關鏈接。