面向知识的可解释认知推理

一、从感知智能到认知智能的挑战

• 人工智能的三轮驱动：数据、算力和算法是人工智能发展的三大驱动力，现阶段人工智能进入了一个由这三者同时驱动的时代。
• 感知智能与认知智能的区别：感知智能如同“单轮交互”，输入输出直接，无需推理和知识图谱；认知智能则是“多轮交互”，涉及复杂推理和知识应用。
• 认知智能的挑战：现阶段人工智能在认知智能方面仍处于探索阶段，主要挑战在于如何将知识与数据、算法、算力结合，实现推理过程。
• 基础技能（Foundationskills）的重要性：周明提出，人工智能应建立基础技能体系，如同SaaS平台，让各领域专家构建领域知识库，实现知识的传承和应用。
• 从System1到System2的融合：人工智能应融合直觉系统（System1）和逻辑推理系统（System2），实现更高效的推理和决策。

二、人工智能研究领域最需要哪些突破

• 李涓子教授的观点：当前人工智能大模型在参数层面已取得显著进展，但尚未达到知识或认知层面。
• 突破方向：一是通过训练让大模型具备认知能力，二是构建知识库结合大模型进行复杂问题推理。
• 知识图谱技术架构：中国正在构建分阶段、分领域的知识图谱技术架构，以支持不同领域的人工智能应用。

三、人工智能在场景应用中的突出表现和挑战

• 程璟的观点：人工智能在提升效率和风控方面作用显著，例如双十一客服、假冒伪劣商品筛选等场景。
• 人工智能应用场景：包括优酷世界杯精彩片段集锦、阿里鹿班智能设计平台、庭审语音识别等。
• 人工智能实践挑战：主要包括对准确率的要求、鲁棒性以及样本量问题。
• 未来探索方向：人工智能应用将从以人为本转向以城市或科学发现为视角。

四、关于阿里研究院

• 阿里研究院是国内互联网企业中第一家内设研究智库，致力于数字经济和数字治理研究。

五、基于超大规模预训练模型的小样本和零样本学习

• 苏中的观点：人工智能应具备小样本和零样本学习能力，如同人类可以通过少量信息快速学习新知识。
• 人工智能的三轮驱动：数据、算力和算法是人工智能发展的三大驱动力，预训练技术为人工智能提供了海量数据和学习能力。
• M6模型：阿里开发的中文多模态预训练模型，参数量已达十万亿级别，具备强大的学习和推理能力。
• M6应用场景：包括商品设计、广告文案生成等。
• PLUG模型：中文预训练语言模型，参数量达百亿级别，具备菜谱生成、小说续写等能力。
• AliceMind模型：大规模预训练模型，在VQA任务上超越了人类水平。
• 从弱人工智能到通用人工智能：人工智能发展目标是实现从感知到认知，从弱人工智能到通用人工智能的跨越。

六、面向知识的可解释认知推理

• 复杂问答（ComplexQA）：答案需要通过推理获得，涉及多跳推理、技术比较等逻辑操作。
• 可解释认知推理框架：利用图逻辑表达和推理，将复杂问题转化为程序进行推理，实现可解释性。
• 知识导向编程语言（KoPL）：将复杂问题表示为程序，通过编程语言进行推理，具有可解释性和可控性。
• KQAPro数据集：包含近12万带推理程序的复杂问答数据，支持人工智能模型在复杂问答任务上的训练和评估。
• 研究结论：面向知识的可解释认知推理框架能够有效解决复杂问答问题，KoPL语言和KQAPro数据集为人工智能在知识推理领域的应用提供了新的思路和方法。