黄广斌：智能革命和智能经济

我觉得这个产业大会挺好，很多人叫人工智能，其实我们可以再进一步讲，不光是人工智能，实际上是预示着智能革命和智能经济社会，我觉得一个新的经济模式已经开始了。

2011年我在中国长沙作报告的时候说，在座的搞人工智能的几年之后是百万富翁。人工智能是三个阶段，首先是娱乐阶段，后来是研究驱动，现在是数据启动，并且是不可逆转的，70年代、80年代大家对人工智能有一定犹豫，90年代的时候变得比较消沉，从2010年开始人工智能真的开始了。如果只从人工智能的角度来说，我觉得这个范围比较小，其实我们还处于整个智能革命黎明前的黑暗，如果30年以后回看现在，就我们现在回看60年以前深度学习提出来，或者人工智能网络提出来的那种感觉。从大方向看，几万年前是农业革命，几百年前是工业革命，从几十年前开始我觉得是比较热闹的智能革命，而不光是人工智能而已。

这一次的人工智能或者智能革命的启动有深度学习，还有很多其他的，其实都是基于一个主要的方法，就是基于人工神经网络。很多东西发展都是很不平衡的，60年前提出的时候很多人对人工神经网络是嗤之以鼻的。为什么人工神经网络这么好用？它是有理论基础的，80年代末、90年代初对人工神经网络有很多人在研究，主要解决两个问题，一是人工神经网络能不能逼近任何含义，二分类能力定义。所以15年前我们发表了一篇文章，就是说任何可以逼近的东西，人工神经网络可以分开。2012年人工智能还没有像现在这么火。2006年我一直在考虑问题，为什么人的思维更快？2006年我们发表了一篇文章，我们认为神经元很重要，但是神经元本身不必调整，不管是生物神经元也好，还是人工神经元也好，要调整的是神经元之间的连接，这样就可以解释为什么人脑可以思考这么快。周三我才在上海和AI前辈交流得很愉快，待会可以跟大家谈一下。

很多情况下，我们认为人工神经网络和机器学习是混在一起的，或者认为机器学习是人工智能的一种，但是我认为人工智能和机器学习会越来越分化。早期的时候，人起很大的作用，那时候是人工智能为主，机器学习为主，现在随着数据越来越多，我认为机器学习会变得越来越自主化。所以人工智能是人工创造的智能，随着将来的数据越来越多，数据有什么样的规律、什么样的特征，已经完全超出我们的想象，这种情况应该是机器学习会显得越来越主动，越来越复杂。简单的讲，假如给你一种数据，它有几十亿位数据，它们之间的关联是什么根本不是人可以想象的，所以根本不是你靠推理可以推理出来的，所以这种情况显然是机器学习为主。随着数据越来越多，系统越来越复杂，你会发现机器学习会越来越主导，前提是有更好的算法，有很好的技术，但这个趋势是在这。随着时间的推移，我觉得将来机器学习会比人工智能显得更有作用，但是反映出来的东西还是认为人工智能，就像我们知道的1+1=2，你就说微积分也是你做的，这就有点不太一样了。

现在人工智能这么火，我一直在思考，出现新的技术的时候，尤其是人工智能的时候，人们总想和生物联系起来，人工神经网络也是，深度学习也是，但是我认为深度学习不是生物学习，很简单，人的生物神经元有几百亿、几千亿，里面都是一个一个模块的，模块的大小不一样，人不用调参数，也不用处理，是碳水化合物，碳水化合物相当于硬件。深度学习对网络大小很敏感，需要人很痛苦地去调参数。另外还有一个先有鸡还是先有鸡蛋的问题，比如你从来没有看过大象，你在非洲旅游见到了大象，顶多是说不出名字了，但肯定知道这是个东西。但是反过来，如果是深度学习，我们现在用的很多方法，如果没有见过就很难知道，如果见到一个应用会去你的数据库中找什么样的算法对应解决这个问题。换句话说，机器学习当中是先有应用再有脑袋，但是人通常是先有脑袋再有应用。

说了这些原因，二十年前我在念博士的时候一直在思考一个问题，那时候同实验室的人几乎没有一个人不调参数，没有一个人不玩BP，所以我很苦恼，我博士毕业之后就离开了学术界，我觉得很无聊，天天都在调参数，后来我在工业界干了三年，干了三年回来以后发现大家还在调参数，这就有问题了。那个时候回到大学当教授还是比较容易的，于是就跟领导讲了一下回到了南洋理工大学。

我一直在想一个问题，人为什么思维这么快？我不是说运算那么快，他的神经元很慢，他的算力很低，但是学习很快。所以我就想倒看，如果机器学习速度能快几千倍、几万倍会如何？会有什么样的结果？所以过去十几年我一直在想这个问题，我们有各种各样的神经元、神经网络机构，甚至有小波网络，有些人说小波网络不是神经元，其实错了，对我来说小波网络也是一种神经网络。或者我们的脑袋，这些脑袋都是非线性神经元组成的，所以纵观一些，所有的神经网络都是非线性神经元组成的。

从2001年到2006年我花了5年时间，那时候很痛苦，做研究推导公式，5年时间所有人都认为我疯了，其实我证明了一件事情，2001年—2006年发表之后又花了五年，所以这文章到现在为止我号称天下没有20个人读得懂的。什么意思？就是我们的神经元，不管是生物神经元还是人工神经元，不管是单层的还是多层的，只要神经元是非线性联系的，神经元本身就不需要调整，要调整的是神经元和神经元之间的连接。大家做脑电波会发现神经元连接之间在发生花火，但是神经元本身不需要，所有的神经元本身不需要调整，它是从上一代传给下一代，或者是从系统A传递给B，或者随机产生。只要是随机产生之后，这种网络就具有万能逼近能力，就是给它任何信号它都可以模拟，所以这是一个新的学习方法。这个方法我2006年正式发表。

去年IBM研究发表一个文章，就是说第一个人工神经元是随机的，那批团队在两年前到我们会议上来过，所以他们说过去十年这一块没有发展，过去24个月有突飞猛进的进展。我们的观点就是说神经元本身不需要调整，要尽可能少的人工干预，高准确度，实时学习。

中科院深圳新分院他们用ELM的方法让机器识别，这种学习用机器实现需要7个小时，而用ELM工作只需要3.5分钟，精度超过了人的识别能力。多层ELM，可以多层叠加，比如手写体的识别。最近我们看到一篇文章，是意大利用在动车动态延迟预测。深度学习很重要，你也可以是局部，用ELM解释，用这个角度来说可以支持卷积神经网络，比如一百个目标的识别，用卷积神经网络做误差率大概是10%左右，用ELM做误差率是0.02%。整体的讲，小数据的时候ELM效果比较好，大数据的时候用深度学习比较好。

整体来讲，如果是60年前，冯·诺伊曼有一个困惑，计算机为什么这么完美？但是它不像人的脑袋不那么完美，在做那么完美的事情，人总体是有限的，局部是无限的。现在应用到很多地方，比如远程遥感、智能电网、欧洲路由器的安全检测。如果机器学习不再以来于冯·诺伊曼如何？从整体上来说，我认为将来不会依赖于计算机，将来可能有智能材料，我现在讲的更多的比如石墨烯，另外一个是智能传感器，而ELM在里面可以起一些作用，它更重要的作用是在终端学习。

现在学习从云端推到本地化，将来第二波开始应该是本地化学习更加重要，这样的话云端智能和本地智能形成联动，它的联动要依赖各种各样的技术，这样人工智能技术就真正的开始。这两波结合起来，可能作用会越来越大。

总体来讲，十多年前我们有物联网，物联网就是传感器+传感器+云端处理，传感器+上智能芯片就是智能物，智能物之间是要可以交互的，假如机器取代了人，假如机器真的取代了人我们人要干什么？机器和机器之间交流，人和人之间交流，人估计就要退居二线了，将来可能是几百亿的机器，这在某种程度上是挺可怕的，总体上讲人工智能的革命是很大的，从科学变成数据革命，智能从云端走向终端，我们人是变得越来越聪明还是越来越笨，总体上来说我们变得越来越笨，为什么？我们的记忆力也不行了，我们的视力也不行了，将来有了无人车我们也不用开车了，几千年前我们还能骑马射箭。简单的讲，很多的影响带来很多应用，所以前途很美好，但是人的拐点到了，很难再超过这个年代，因为我们现在太依赖于手机了，现在学生很少听你上课，他天天上课把照片一拍回家看，其实他是不看的。

人类创造了智能，但反过来也受到了我们创造智能的挑战，我们认为现在智能是可控的，将来可能是不可控的。智能有正面的，亦有负面的，从这个角度来说，我们尽量的做一些正面的人工智能，我其实是挺担心的，现在大家觉得我们没问题，20年之后人类照样活着，一百年、一千年，估计大街上跑的全是计算机、无人车、机器人，你在哪里？所以总体来说人的智慧可能是地球上短暂的一段时间。