YOCSEF广州专题论坛: 机器学习到机器理解是一步之遥还是遥不可及？

时间：2017年6月18日下午

地点：暨南大学校友楼4楼会议室

参加人：YOCSEF全国13个兄弟分论坛代表、YOCSEF广州AC委员、委员、CCF成员等共计100余人参加

论坛执行主席：

黄书强，教授，暨南大学理工学院，CCF YOCSEF广州2017-2018主席

杨育斌，CTO，蓝盾公司，CCF YOCSEF广州2016-2017主席

黄翰，教授，华南理工大学软件学院，CCF YOCSEF广州2017-2018副主席

黄琼，教授，华南农业大学数学与信息学院，CCF YOCSEF广州2017-2018副主席

(激烈的辩论过程)

论坛缘起：2017 年 7 月 26 日，将标志着一个时代的终结。CVPR 2017 研讨会“超越 ILSVRC”将宣布今年是ImageNet 竞赛正式组织的最后一年，2016 年 ILSVRC 的图像识别错误率已经达到约 2.9%，不仅远远超越人类（5.1%），今后再进行这类竞赛意义也不大了。这无疑标志着一个时代的结束，但也是新征程的开始：未来，计算机视觉的重点在图像理解。本专题论坛邀请国内年轻学者，就机器学习到机器理解还有多远？展开专题学术讨论和学术争鸣，希望为未来人工智能和机器学习的发展提供新的角度。

机器学习到机器理解是一步之遥还是遥不可及？

1） 机器理解是否是新瓶装旧酒？

2） 机器理解是否是会成为下一个研究热点？

3） 如何实现从机器学习到机器理解的跨越？

辩论环节：主持人黄书强，黄翰

黄书强：介绍了论坛背景和发起缘由，机器学习需要迈向机器理解，计算智能需要迈向认知智能。

黄翰：介绍了自己对机器理解的认识，机器不仅要能解决问题，而且机器还需要能解释如何解决问题的能力。

参与人（）：首先要理解人的认知和理解模式，之后机器学习人的认知模式，最终实现人和机器的某种共同方式；

参与人(中山大学李冠彬)：如果认为机器理解是站在全人类理解的角度，则这样的机器理解是遥不可及的。但在一些局部领域，机器已经超越人类，例如AlphGo在围棋领域战胜人类。

参与人(全永根)：对于机器理解我持负面观点，机器学习看似一步之遥，但其实还有很远的路要走。什么是机器理解？延用AlphG的例子，人能知道每一步落子的含义，但是AlphGo是无法解，所以它离真正的理解还是差很远的。所谓的理解是从道理上进行解剖，无法解释含义的就不能叫理解。对于机器理解是不是热点，回答是肯定的，这是人类智能里面非常高级的阶段，但它不会是下一马上能够达到的热点，因为要走的路还很远，原因是要实现跨越还是很难的，首先，现在的计算设备都是无机物，而人脑是有机物，从底层体系结构上就决定了此事的难度。第二，在数据量方面，现有的技术与人相比，产生的数据还是很少的。（人类的理解是机器无法企及的，尽管目前的机器学习效果不错，但在很多情况下并不能解释原因，而人是有理性判断。人脑网络的工作机制与机器网络也是很不同，人从小开始就接触大量的数据进行学习，对数据的处理能力也是目前机器无法达到的。）

参与人（郑盛根）：人的理解是有新意的，从旧的东西可以产生新的想法，而机器学习的理解迄今为止是告诉机器一定的规则，在规则基础上产生的，是人对他要求上的理解，而不是机器本身创新的理解。即机器学习很依赖各种规则，而人类擅长联系和创造，不断产生新的想法，这些事机器无法达到的。

参与人（黄栋）：我认为机器理解是一步之遥，机器是无法按照人的思维去理解，人能触类旁通，具有发散思维。举AlphGo的例子，参与比赛的人从初级选手到高级选手经过了十几年的训练和经验积累，而计算机仅仅需要几个月的时间，远远少于人类。“君子生非异也 善假于物也”。机器理解是人类理解的一个扩充，是一种辅助。综观人类的历史发展，从旧石器到新石器，两百万年，新石器到青铜时代，一万年，青铜到铁石代3000年 ，铁时代到工业时代，1000年，而信息时代只有仅仅五十年，人工智能才30年，信息处理技术的发展仅仅便取得了惊人的进步，相对而言，人类学习训练时间长、成本高，而信息发展时间短便已取得很大成果，可以预见，相对人类发展，机器理解是一步之遥。

参与人（黄书强）：目前深度学习仍是经验主义，无法达到深度理解，是遥不可及。

参与人（Diana）：机器理解目前是无法达到人类智能，但人类可以和机器相互配合，人机协同，形成Cyper-robot，这样各自做擅长的任务，以更快实现人工智能。

参与人（李冠彬）：机器学习和机器理解不同，这并不是算法和数据量的问题。也不认为机器理解是一个研究点。

参与人（）：是否能通过人机交互使机器学习更能接近于人：现在人机交互已广泛应用到机器理解里面，机器在学习过程中能否通过大量的数据进行学习，通过样本的筛选，提升机器理解的能力。机器学习和机器理解的差异并不是样本量的差异，而是算法结构机制的问题，是否通过人类标注就能达到更好的理解，并不一定。

参与人（桂林分论坛代表）：我认为机器理解是遥不可及的，人类在综合方面从生物学和认知方式，都不是机器能达到的，深度学习也是大样本学习，但在人的认知中，则小数据的学习发挥重要作用。

参与人（俞扬）：首先机器理解是含义需要界定，机器处理语义的层次和人处理语义的层次是在同一个层次上的，并且是以同样的效率进行；另外，这不是新瓶装旧酒而是旧瓶装新酒，人工智能发展的整个过程，是使机器理解的程度不断提升到人工智能的程度，人工智能的三个阶段，第一个阶段是推理，第二个阶段是知识，专家系统；第三个是机器学习；机器理解也不可能是下一个研究热点，因为是研究方向而不是研究点；未来通过机器学习+逻辑推理等形式，也许是可能的研究思路。

参与人（许勇）：机器理解需要对大数据进行高层次的认知，大数据、深度学习的理解离人还是很远，并且还有两个很重要的任务没有解决，第一个是对既定的目标本身没有很好的理解，即使有很好的参数，比如图像处理上，机器对图像本身其实是不理解的；第二是，人类具有高度的抽象能力，目前是机器学习无法实现的，缺乏智能，因此是遥不可及的。

参与人（大四学生）：我是全国围棋职业比赛的裁判，通过对Alphgo人机对弈的理解，我认为机器再下棋时的思路都是人类前所未有的，Alphgo对围棋的理解比人要高出很多，原因有两个：第一Alphgo是有创新的，告诉它规则后并没有告诉它每一步落子的对错，是它自学习、深刻理解围棋的规则之后，产生创新的招法，是人类没见过、使用过的，而且效果非常好，我们认为经验和常识是理解围棋，其实不是的，是错误的理解，Alphgo是客观地去分析，通过规则去计算，如何落子才是最好的，并不关心是否符合人类的经验；第二个是，人类的情绪对于下围棋来说，可能是负面的，而且机器对局势的判断、不受环境、情绪等影响，展示了机器学习的恐怖之处，我认为是一步之遥。

参与人（杭州分论坛曹斌）：我认为机器理解是遥不可及的，机器无法达到人类的思维能力。而且人是小数据学习，机器缺需要大量的标注数据。而且现在我赞同目前对人工智能的一个说法“有多少人工就有多少智能”。我认为机器再下棋时的思路都是人类前所未有的

参与人（黄栋）：人也是需要大数据学习的，人开始是大数据学些模式，后来才成长为小数据学习模式。

参与人（兰州分论坛张志昌）：人类从生物机制上来说，理解能力现在还未可知，因此机器理解要达到人类的智能水平是遥不可及。怎么定义机器理解？如果机器能够识别人脸、图片，可以认为机器就是理解了。

参与人（杨育斌）：从人文的角度，社会发展的角度，让机器理解人类是可以的，只是时间的问题，人类具有生产能力，但机器无法具有。

参与人（郝天永）：从读研究生时听到的回答是遥不可及，在项目研究中确实遇到了很多困难，人具有高度的抽象、联想能力，而这机器是很难实现的，但随着脑科学的快速发展，人类在认识自身的学习能力方面具有较大进展，通过背景知识的不断学习和逻辑推理能力，人类有望实现机器理解。

参与人（李冠彬）：人的两个机制对于机器来说是比较困难的：一、是语言到抽象的跨模态学习，二是迁移学习机制。我们都相信机器学习可以解决人类定义好的问题，但它是否能将解决问题的能力跨越到别的问题中去，这还是机器理解要解决的问题，这也是比较困难。

参与人（谭台哲）：关键是要机器学习能理解人类的学习方式。

参与人（马千里）：一步之遥当然不可能，但也不是遥不可及，人工智能要改为人工愚蠢，现在的机器是在样本上面做的没有以前那么无知，无论大样本还是小样本学习，表现比较好的还是大数据学习，小样本学习比如nature的一篇从笔画当中学习字，这其实也是模仿人类学习的能力；机器理解不能说是新瓶装旧酒；机器理解一直是热点，今天的机器理解如果要达到人的层次，在某个特定的任务上已经击败人类，如果在其他的任务上要实现的话，可能的途径是人机合体，cyber-human的方式，具体是人到机器还是机器到人，因情况而异。

参与人（王昌栋）：两个角度：一是从任务学习的角度，现在我们只是让机器解决某个特定的任务，但是人类并非如此，人的思维是发散的，但是机器做不到这点，即人不需要具体的任务来学习就能学习到很好，获得自己的学习能力；二是机器无法从一件单一的事联想到其他的事情中，如果能把人的意识在及其中实现的话，那机器就能达到人的理解了。

参与人（刘偲）：机器理解一直是研究方向；只要定了确定的任务，机器都可以去学习。为了能让机器更好的理解图像，往往会加上文本的识别、语音的识别，从各个维度，多维地去更好的理解图像。

论坛小结：“理解”这一次本身就有不同定义和理解，如何评价理解也是相当困难的。目前我们还是停留在机器学习阶段，也就是计算智能阶段，离感知智能和认知智能有相当长的路要走。真正的机器理解是人工智能终极目标，一步之遥确实不可能，但是机器理解真正的奇点何时来临，需要长时间的所以科研工作者的努力，包括计算机科学家、人工智能科学家、心理学家、脑科学家等一起努力。但一旦实现真正的机器理解，人类将何去何从，人类如何和机器进行协同共处，将是一个很严肃的问题，值得我们所有人思考。

说明：主持人黄书强、黄翰的很多中间提问和穿插的问题观点没有录入，本次论坛机器理解题目的发起和论坛主要思想来自黄翰，黄书强负责重新组织和精炼。另外本次论坛辩论环节由CCF YOCSEF广州AC委员、广东外语外贸大学副教授郝天永速记，广州AC委员洪洲亦有贡献，最后由黄书强统稿。

致谢：感谢所有参与讨论的YOCSEF同仁和青年学者以及其它人员，这是我们一次很好的尝试和探索，谢谢各位支持。本速记对各位嘉宾的观点的记录不一定完全详细和准确，各位嘉宾如果对自己发表的观点有补充更正的，请联系我们，我们以便纠正补充完善。