CN / EN
banner圖
掌握核心技術 駕馭光的運用

行業新聞

人工智能與大數據帶來了無限的想象空間

日期:2019-08-09 來源:币游国际
       從經濟學到機器學習:大數據與大算力驅動的想象空間像托馬斯·薩金特,就是那個教機器學習、認識世界的人。77歲的薩金特對AI、大數據、機器學習的一次專業演講,是最近在杭州,在2019羅漢堂數字經濟年會上,同堂演講的還有2013年諾貝爾經濟學獲得者拉爾斯·彼得·漢森等人。
人工智能與大數據帶來了無限的想象空間_heydanbo.com
       作為2011年諾貝爾經濟學獎獲得者、理性預期學派的領袖人物,薩金特不僅在經濟學領域頗有建樹,其跨學科研究的旨趣,認為語言、理論和數據之間有很親密的關係,也讓其在人工智能領域走得更遠——交叉學科研究推動的科技(包括AI)進步,是薩金特格外看重和親身投入的。
       從經濟學到機器學習,不變的是對數據奧秘的發現力。本質上,現在的經濟學就是用數據、模型認識世界、解釋世界,進而提供各類決策建議的。而薩金特在題為《信息、幾何、計算》的演講開篇即指出,“我們現在有大量的數據組,以及我們有快速的計算能力”,同為經濟學家的漢森也強調這一領域需要的是非常豐富的數據來源、很好的運算法則,由此其實不難看出,他們對數據分析的傾心、以及數據在當前時代的空前富集、算力的增長,是這些“最強大腦”們樂於活躍在機器學習這類前沿領域的重要因素。
       薩金特和漢森的開門見山背後,隱含了一個事實——近幾年的人工智能熱潮,很大的驅動力來自GPU的廣泛應用,以及計算因此變得更快、更有效,而且成本低廉。伴隨者廣泛的應用,各種形式的海量數據的湧現,相應的存儲能力,也使得數據應用的前景變得空前明朗。
       顯然,大數據與大算力所帶來的想象空間是無界的,正如任何一次重大的技術革命,其影響之廣泛總是超乎想象。對於像薩金特這種“最強大腦”們來說,如今盡享數據與算力之便的機器學習,就是突破想象空間的原點。
       從更多的數據、更強的算力,到更好地在機器學習領域處理數據,在薩金特這裏,基於信息理論的各種模型,一直在其中發揮關鍵作用,從而體現出機器學習的優勢。利用模型來認識世界,不是新事物,但正如薩金特所指出的,如果模型包含了“不可數的參數空間”,機器是沒有辦法學習的。不過,在大數據、大算力的加持之下,如今信息理論在這方麵可以發揮的作用更大了,即基於信息理論的核心概念“信息熵”,用“最大熵”原則去指導機器學習的發展方向,而這樣的計算在機器學習領域對應著非常漂亮的公式,正是機器學習的優勢所在。
       現實世界並不是理想的、理性的,這個問題對合理模型的構建提出了挑戰。然而薩金特指出,模型可能不是盡善盡美的,有一些問題的,但是依靠大數據、通過(界限值的)對比(或參照),我們還可以進行相應的選擇。
       在薩金特的演講中,漂亮的函數和模型永遠不會缺席,作為處理數據的方法和工具,薩金特對他們的喜愛和信心溢於言表。人工智能時代的機會,可能就藏在薩金特對它們的讚美之中。在經濟學領域,薩金特作為理性預期學派的領袖人物而知名,這個影響廣泛的學派,有一個與人工智能一樣“樂觀”的基礎——基於這個學派的假說來構建模型時,經濟學家認為人是可以預測未來的。
       不僅如此,薩金特從經濟學向人工智能領域的跨界,實際上也帶去了其在經濟學領域的開創性發現、為人工智能提供了新的思維方式。
       不同學科與人工智能領域的互動其實是雙向的。薩金特之前受訪時曾透露,舊金山聯儲主席威廉姆斯,已經將一些複雜的人工智能模型引入到政策製定中。這一成果,源於薩金特將其經濟理論與人工智能的結合,在薩金特看來,人工智能代理模型越接近理性預期模型,人工智能代理就越智能化。人工智能細化和促進了理性預期模型。
       對人工智能領域來說,正如在薩金特的研究中所體現出來的,在當前階段從各個領域廣泛汲取營養可能是必要的。“有好多應用科學像工程學、物理學、經濟學,我們會建立一些模型模擬世界運營……我們的目的是希望解釋我們所觀察到的世界上的現象,而我們關鍵的工具是使用模型,然後放到電腦裏模擬。”薩金特從來不缺少對跨學科的研究和論斷,而事實上,現代科學或科技最重要的成果,幾乎無不是建立在大量的交叉研究基礎之上,而人工智能作為軟、硬結合且尚待重大突破的一門科學,顯然也應如此。
       如曆屆諾貝爾獎中所體現的那樣,薩金特在2011年獲得諾貝爾經濟學獎,一方麵在於開創性的研究,另一方麵,其實也在於樂觀地回應了外界對於現實經濟問題的關切。當前外界對於人工智能同樣不乏關切,而像薩金特這樣的領袖型學者,擁有前瞻、多維的視角和方法,並且從不缺少對這一領域的信心,無疑是回應世界關切的最好人選。
       相比22年前深藍擊敗了人類象棋冠軍所引起的轟動,今天的“理性預期”告訴我們,人工智能之路可能依然還有很長,但卻已經很寬。


返回列表
搜索