從智能家居、智能汽車到機器人保姆、能下圍棋的AlphaGo，國內的人工智能越來越熱。面對這波熱潮，伊利諾伊大學芝加哥分校的杰出教授劉兵表示，去“虛火”、“終身學習”才能讓人工智能走得更遠。

劉兵

伊利諾伊大學芝加哥分校的杰出教授，ACM，AAAI和IEEE會士，在愛丁堡大學獲博士學位。研究興趣包括情感分析，終身學習，數據挖掘，機器學習和自然語言處理。

在頂級會議和期刊發表了大量的論文。其中兩篇論文獲得了KDD 10年 Test-of-Time獎。是4本書的作者，其中2本關于情感分析，1本關于終身學習，1本關于數據挖掘。

曾任2013-2017年ACM SIGKDD的主席，也是很多頂級數據挖掘會議的程序主席，包括KDD，ICDM，CIKM，WSDM，SDM和PAKDD。他同時也是頂級期刊的副編輯，包括TKDE, TWEB, DMKD和TKDD。他還是很多自然語言處理，人工智能，網絡和數據挖掘會議的領域主席或者高級程序委員會成員。

國內人工智能領域應去“虛火”

人工智能是新一輪科技革命和產業變革的核心驅動力之一，人類的生活正被逐步改變。劉兵教授認為，目前的機器學習仍有攻堅戰要打，不應盲目樂觀從而揠苗助長。

人工智能有計算智能、感知智能與認知智能3個層次。目前AI取得了一些顯著進展，但是主要還是在感知智能層面，比如人臉識別、語音識別、智能駕駛，還有AlphaGo，深度神經網絡模型在其中發揮了關鍵作用。但是，更重要的認知智能又主要集中體現在語言智能即自然語言處理上，也就是說，只有通過自然語言理解，才能實現智能與人類的無縫對接，實現真正意義上的人工智能，自然語言理解可謂是“人工智能這座高峰上的一顆明珠”，而目前還有很多研究工作要做。

“自然語言是不精確的，字面背后還有太多意思，這也是為什么自然語言處理如此困難的原因。”劉兵說，自然語言處理若想突破，需要做出范式上的改變。

人工智能也要“終身學習”

劉兵教授指出了人工智能目前發展的短板問題：“機器還沒有達到智能化，機器學習目前需要的數據量非常大。反觀一個人，即使沒有上過學，他還是有智能，但機器就不同。人類不提供可學習的數據，它們就不可能學習。”

在自然語言理解中，傳統的機器學習方法是在封閉的環境中進行單一的隔離任務的學習，它通常需要大量的標注好的訓練數據才能進行有效的學習。然而，這種學習方法只適合有限的，有完整定義的任務。在大量的實際場景中，這種隔離的學習范式并不奏效。比如不可能預訓練聊天機器人，自動駕駛汽車或者其它任何人工智能體，使得它們能無縫的工作在真實世界的開放環境中。這是因為很難或者不可能永遠讓人類提供那些包含所有智能體能遇到的場景的知識或者標注數據。智能體因此必須在與環境的持續互動中保留學會的知識，并且使用這些知識使得將來的學習變得更好。

當遇到陌生的環境，智能體必須能夠利用已有的知識來處理陌生環境并進一步學習。這種泛化的學習能力是人類智能特有的。沒有這種能力，一個智能體恐怕很難稱的上真正的智能。近些年，出現了一些新興的以終身學習，連續學習，元學習或者永無止境學習命名的研究趨勢，正在試圖給予智能體這種能力。

2018年7月28-29日中國人工智能大會將于深圳召開，屆時劉兵教授將帶來《終身學習，連續學習和元學習》的主題演講，將為我們分享人工智能泛化學習能力的最新研究進展，探討智能體發展的必然趨勢。

CCAI2018，與您一起見證時代的發展、智慧的變遷！