DIKW金字塔,AI爬到第几层了?

你可能没听说过DIKW金字塔,但你一定曾被按在这座塔的鄙视链上摩擦过。

曾有某个游戏主播形容自己的预判:观众只看到了第二层,想到了第一层,实际上我在第五层。

于是,网友们形容一些让人意想不到的操作,“这波啊,这波是在大气层”。这种说法虽然有些戏谑,但还真有点科学道理。

DIKW金字塔,是一个关于人类理解、推理和解释的层次结构,分别是:数据(原始的事实集合)、信息(可被分析测量的结构化数据)、知识(需要洞察力和理解力进行学习)、智慧(指导行动)。

站在DIKW金字塔尖的人,相当于全部通关的顶级选手,掌握了数据、整理成信息、理解为知识、转化成智慧,才能让行动如有神助。

足智多谋如诸葛亮,锦囊妙计用的那叫一个信手拈来,绝对是“站在大气层的男人”。

DIKW金字塔适用于人,也适用于AI吗?答案是肯定的。

如果AI也有鄙视链,那么基于数据的AI,一定会被基于知识的AI碾压。

这是因为,AI Is A Knowledge Technology,AI就是一种由知识驱动的技术。

因此,从初级人工智能向高级人工智能、通用人工智能发展的过程,也是一个攀爬DIKW金字塔的过程。

近年来,AI领域的诸多学术力量、产业力量,从强调“数据出奇迹”的蛮力计算,向着“知识金字塔”的更高层级进发,推动知识计算引领AI应用的未来潮流。

可以说,我们正处于一个向基于知识的AI过渡的关键阶段。

AI已经影响着你我生活的方方面面,所以有必要来聊一聊,AI沿着DIKW金字塔向上攀爬,将会带来怎样的变化?

一、回归的钟摆:理性主义的复兴

将知识运用在机器智能当中,并不是什么新鲜事。

早在上个世纪,人类就开始了探索知识计算的步伐,并广泛应用到工作和生活当中。

AI诞生的那一刻起,就是理性主义和经验主义两大流派的交相辉映、此消彼长。

它们的共同之处,都认为机器智能首先要拥有知识,知识是智能的核心;分歧在于,对于知识的理解和获取途径不同。

而伴随着这两大流派的发展,知识与AI的结合,也就表现为两种方式。

一种是理性主义的结合,人提供知识,机器负责计算。

理性主义认为人的智能是先天遗传的,要实现机器智能,就要理解人脑的运行机制,将这个东西总结成知识,再由人来告诉机器怎么做。

典型应用就是专家系统。

人类专家总结出知识,计算机根据专家系统知识库进行学习,这种方式可解释性非常高。

从1968年世界上第一个专家系统——化学专家系统DENDRAL研制成功之后,针对某个单一领域、模仿专家进行推理分析的早期专家系统开始流行起来,广泛应用于工农业、医疗、气象、交通、军事等众多产业计算场景之中。

不过,专家机只能在一些特定领域发挥作用,建构成本非常高。并且,受限于专家的认知上限,如果人都没有找到那个知识,或者表述不出来的话,机器就更不可能学会了。

于是从九十年代到现在,另一种AI与知识的结合模式就占据了主流,那就是经验主义。

由人手工打造一个分类器,开发人员不必提前知道答案,机器可以不依赖那些人类专家描述不出来、“只可意会不可言传”的知识,按照自己的运作机制,从数据中来挖掘知识,通过大规模数据训练出模型参数,表现出超过人类的智能。

最具代表性的就是深度学习。依靠强大的数据、算力和神经网络,谷歌大脑可以不需要人类的帮助,在不知道“猫”这个词的前提下,通过训练将数据转化为知识,看过数百万张图片后,自己提炼出猫的基本特性,知道猫是一种毛茸茸的(此处省略一堆形容词)生物,然后成功在一堆照片中识别出猫。

基于庞大的数据,AI虽然并不真正理解和掌握相关知识,也就是“知其然不知其所以然”,不可能真的取代人类专家,但可以将复杂的模式识别问题分解成更简单的模式识别问题,在一些特定任务中表现得比人类更好、效率更高,取得了长足的发展。

深度学习也被视为经验主义的高峰,成为推动第三次AI浪潮的核心。

但是,基于数据的AI,和基于知识的AI,还是有本质区别的。

著名的莫拉维克悖论,早就指出过这个问题,因为机器无法像人一样将隐性知识融入思想和行动之中,形成高阶智慧,所以成了逻辑的巨人、常识的矮子,在一些困难的问题如下围棋上能超越人类,但在很简单的认知问题上,表现反而不如四五岁的人类小孩儿。

而解决思路之一,就是理性主义所推崇的,让机器能够如同真正的人类一样理解知识并进行思考。

就像丘吉在《钟摆摆得太远》(A Pendulum Swung Too Far)所预测的那样,AI已经偏离经验主义太远,将来回归理性主义的速度就会越快,理性主义复兴的步伐正在到来。

二、产业的呼唤:数智化浪潮与知识之光

或许你会认为,经验主义和理性主义,只是学术界的流派之争,跟普通人和工业界没什么关系。

实际上,在产业智能化的浪潮中,有越来越多的行业和组织,开始呼唤基于知识的AI,这是因为——模型设计阶段,需要基于知识的理解。

我们知道,AI已经开始走出实验室和象牙塔,走向千行百业,开始与物理世界和生物世界结合,而这些领域的数据并不是全部由1和0所构成。

比如AI预测蛋白质结构,每个蛋白质都不是一个简单的图像数据,它的背后是有具体意义的。

不同的分子关系如何、怎样相互作用、靠什么原理组合在一起等,有一整套生物学逻辑和知识体系支撑的,如果缺乏对药学知识的了解,用纯数据驱动的方法来设计模型,很可能做出来的模型无法发挥效用。

因此,想要AI模型真正能够在产业端发挥价值,要结合实际工作的机理模型、专家知识等,转化为AI可理解、可处理、可分析的数学语言。

1)模型训练阶段,需要基于知识的数据

在产业AI中,数据中往往存在大量的信息,也就是没有或无法被表征的知识,往往体现为专家经验或师徒传承。

想要训练出效果更好的产业模型,不仅需要大量、完备的数据,还要能够精准描述出数据之间的知识关系,这样才能够从数据中挖掘出更多有用的知识。

就拿我们日常都会碰到的推荐算法来说,传统的推荐算法是用户喜欢什么就推荐什么,很容易陷入信息茧房。

而国内某科研团队,将食品营养科学的知识图谱与推荐算法相结合,根据用户反馈数据,比如点击量、兴趣偏好、身体数据等等,结合健康知识来进行组合搭配与推荐。基于知识的数据,能够帮助打造高质量、更懂人性的算法。

就拿前面提到的推荐系统来说,相比不断迎合用户的算法,提供了一种既满足口味喜好、又符合健康管理要求的选择。

再设想一下,如果AI能够将外卖配送员的行为数据与人的常识性知识结合到一起,或许无限挤压配送时间导致的内卷困境,也有望被解决了。

2)模型落地阶段,需要基于知识的信任

AI模型落地应用,在很大程度上取决于其可靠性:一是可信度,结果是否被人所信任,深度学习受限于可解释性问题,在医疗等专精领域不如人类专家被信任;二是可靠性,能否在被干扰的情况下也能表现出较好的性能,也就是解决鲁棒性问题。

中科院院士、清华大学人工智能研究院院长张钹教授曾提出,在产业落地应用的人工智能,需要符合五个条件:丰富数据或知识、完全信息、确定性信息、静态环境、特定领域或单一任务。

这五个条件只要有一个不满足,AI产业化落地都非常困难。而改变困境的思路之一,就是知识计算,让AI系统能够读懂知识、学会常识推理,从而让模型变得可信任、高可靠。

此前,谷歌为了提高搜索引擎结果的可信度和说服力,就将NLP与知识图谱相结合来进行学习。

如果搜索者发现一些文章提到“XX曾在中国工作过”的信息,这些信息与知识库融合在一起,显示出XX曾为对华贸易委员会工作,而该组织在北京设有办事处,那么“XX曾在中国工作过”的可信度就会大大提高。

同样,如果自动驾驶系统从大规模文本信息中提取并学习到一些出行常识,比如“大卡车挡住了前方的视线,应该小心一点,说不定突然过来一个人就可能撞到”,对常识性知识的理解无疑会大大增加人们对自动驾驶安全性的信心。

3)模型应用阶段,需要基于知识的计算

当前产业智能化的一大瓶颈是高成本的算力。庞大的深度神经网络系统需要大量计算资源来处理复杂任务。

一份来自马萨诸塞大学的研究显示,常见的几种大型AI模型,训练过程会排放超过626000磅二氧化碳,几乎是普通汽车寿命周期排放量的五倍。

拉踩一下,人类在思考(也是一种知识计算)时就十分节省能耗,心理学家卡尼曼在《思考,快与慢》中就提出,人脑既可以通过系统2进行较慢的理性思考,也可以经由系统1,基于已经内化的知识,实现无意识的、近似于肌肉记忆的快速运算,大脑能量消耗极少。

未来,打造基于知识的AI模型,如同激活脑区一样,将成为绿色计算的重要方法,保证产业智能的可持续发展。

不难发现,行业知识与AI计算的结合,既是理论上技术发展的必然阶段,也是事实上产业AI化所不可或缺的一步。

作为一种致用技术,AI只有真正接纳并融合行业知识,让计算与知识转变成新时代的生产力,才能凝结出技术的长期价值,推动第三次人工智能浪潮继续向前奔涌。

三、艰难的攀爬:从数据层到知识层总共分几步?

抛开应用条件谈技术前景的都是“画饼”,基于知识的AI同样少不了前提条件。需要具备至少几个特征:

1. 知识表征的准确性

要让AI理解并利用知识来解决复杂的现实问题,首先需要将这些内容转化为数学语言,变成AI可解的数据化路径。

不过,一个AI系统中需要被表示的知识类型有很多,想要全面且准确地表示出来并不容易。

其中,既有容易被表征的陈述性知识,如何做某事的程序性知识;也有不易被描述出来的知识,像是基于某个领域的专家经验所总结的启发性知识,就未必全是正确的;以及表示概念关系的结构知识,比如分子和分子的相互作用,目前人类了解得还不够全面。

知识表征的准确性,将直接影响到机器是否能像人类一样智能。

2. 知识推理的多样性

推理能力是人类与其他物种最大的不同,尤其是创造性思维

而知识计算的核心能力正是推理能力,根据现有的表征结构产生相对应的新知识,为产业侧提供创造性见解。

完全可以想象这样一个场景:建立一个庞大的知识库,储存着人类完成各种任务所需要的知识,AI不再需要对每一个特定场景、特定数据集进行专门训练,可以像一个真正的聪慧人类一样,触类旁通、举一反三,轻松地完成推理分析,应对现实世界中各种各样的复杂任务。

3. 知识获取的自动化

建立常识库并不是件容易的事,也被叫做“AI 的曼哈顿工程”。

尤其是信息爆炸带来的海量数据,需要机器接管将信息转化为知识的工作,要提高知识获取的效率,自动化成为必须啃下的一块硬骨头。

使用自动化方法来获取新知识,能够加快AI知识系统迭代,实现模型的自动更新,缩短构建行业知识图谱的时间。

4. 知识应用的高效率

不同行业的知识沉淀、应用、管理方式千差万别,让企业自己去搭建一套个性化工具并不现实。

因此,知识计算想要落地行业,还需要一系列标准化工具,提供知识搜索、高性能查询、可视化分析等功能,提高对知识的挖掘效率。

作为一个新崛起的技术方向,需要有前瞻眼光的平台化科技企业与组织来做好基础设施建设,并将能力接口向各行各业企开放。

数据和信息描述世界,知识和智慧理解世界。

从这个角度说,AI在DIKW金字塔上的层次越高,能力就越强,距离强人工智能也就越近。

这条攀爬之路并不好走,却是AI产业化和产业AI化的必经之路。

最后的最后,当AI登上金字塔尖的那一刻,获得真正的智慧,届时我们已经不能确定,AI会不会是地球上最聪明的物体了。或者说,人类还在智慧的最高层吗?

正如艾略特在诗中所写的:“我们在哪里丢失了知识中的智慧?又在哪里丢失了信息中的知识?”(Where is the wisdom we have lost in knowledge?/ Where is the knowledge we have lost in information?)

曾几何时,智慧是人类所特有的东西,是人作为万物之灵长的代表。很多人正在数字时代,越来越少地掌握知识、主动思考,越来越多地沉浸于支离破碎的数据和信息汪洋之中。

或许,当我们见证AI向金字塔尖攀爬的时候,更重要的是,对人类向金字塔底部的滑落保持一点警醒。

#合作媒体#

脑极体,微信公众号:脑极体。写让你脑洞大开且能看懂的人工智能、流媒体、海外科技

本文

版权声明

本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符,请点击 举报 进行投诉反馈!

相关文章

立即
投稿

微信公众账号

微信扫一扫加关注

返回
顶部