编者按：2020 年 8 月 7 日，全球人工智能和机器人峰会（CCF-GAIR 2020）正式开幕。CCF-GAIR 2020 峰会由中国计算机学会（CCF）主办，香港中文大学（深圳）、雷锋网联合承办，鹏城实验室、深圳市人工智能与机器人研究院协办。从 2016 年的学产结合，2017 年的产业落地，2018 年的垂直细分，2019 年的人工智能 40 周年，峰会一直致力于打造国内人工智能和机器人领域规模最大、规格最高、跨界最广的学术、工业和投资平台。
在第一天的人工智能前沿专场上，南京大学计算机系主任、人工智能学院院长、CCF会士、ACM、AAAI、IEEE、IAPR Fellow周志华教授以“反绎学习”为题发表了大会报告。
周志华表示，当今的人工智能热潮是由于机器学习，特别是其中的深度学习技术取得巨大进展，在大数据、大算力的支持下发挥出巨大的威力。机器学习算法模型用了更多数据和算力后，获得的性能增长可能远超算法模型设计者的预想。但是，把模型“做大”要付出高昂的成本代价。
因此，他认为，在人工智能研究上，学术界和工业界适宜有不同的分工：把“对性能的追求”交给工业界，学术界回到本源，做“探路”和“思考未来”的事情。
如何将“机器学习“与“逻辑推理”相结合，是人工智能领域的“圣杯问题”，以往的努力有的是“重推理”，有的是“重学习”，另一侧未能充分发挥力量。周志华教授提出了“反绎学习”，希望在一个框架下让机器学习和逻辑推理二者能更均衡更充分地发挥效用。
他说到，“现在都知道人工智能技术发挥作用需要数据、算法和算力这三要素，未来需要把知识这个要素也考虑进来。知识凝聚了人的智慧。过去十几年，我们都是从数据驱动的角度来研究人工智能，现在是时候把数据驱动和知识驱动结合起来。”
以下为周志华教授的现场演讲内容，雷锋网作了不改变原意的编辑及整理
周志华：各位专家、朋友，大家上午好。感谢CCF和杜子德秘书长邀请，作为CCF的老会员，很高兴来参加这个活动。今天我跟大家分享的主题是《Abductive Learning（反绎学习）》。
人工智能技术的发展需要三个要素：数据、算法和算力。前几年，“大数据时代”是一个热词。大家都知道，大数据本身并不必然意味着大价值。数据是资源，要得到资源的价值，就必须进行有效的数据分析。在今天，有效的数据分析主要依靠机器学习算法。
今天的人工智能热潮主要就是由于机器学习，特别是其中的深度学习技术取得巨大进展，而且是在大数据、大算力的支持下发挥出巨大的威力。
谈到深度学习，就要谈到深度神经网络。深度神经网络是非常庞大的系统，要训练出来需要很多数据、很强算力的支撑。人工智能算法模型对于算力的巨大需求，也推动了今天芯片业的发展。例如现在训练深度神经网络用到的GPU，更早是用于动画、渲染。如果没有深度神经网络这么大的需求，GPU也很难有今天这么大的市场，更不用说现在还有TPU等新的设计。
所以我们可以看到，人工智能算法模型的发展，与算力、芯片发展之间，有相互促进的作用。这几方面的要素是互相促进、互相支撑。
把“对性能的追求”交给工业界
另一方面，把强大的算力、超大的数据往上堆，可能把现有机器学习算法模型的能力发挥到极致，所能达到的性能水平甚至可能令算法研究者自己都感到惊讶。这种“大力出奇迹”的“暴力美学”，已经产生出了非常强大的模型。
比方说，最近大家谈到的当前最大人工智能模型——GPT3。它用到的训练数据是45TB，模型参数1750亿参数，模型大小700G。基于这个模型，很多困难的问题像自然语言处理里的许多问题都取得大幅度进展。
我们来看看这篇关于GPT3的论文。和我们这个学科一般的论文不太一样，作者非常多，31位作者。文章后面有分工介绍，有的作者是专门写代码、有的是专门调参数、有的专门做数据采样、有的专门写论文…… 流水线分工作业，简直是工业化大生产的模式。
再看看论文中的算法模型，可以看到，都是已有的技术，里面每一部分都不是新的。但是，基于强大的工程化组织，让它发挥了巨大作用。核心要点就是做大、做大、再做大。
做大就必然付出代价。读这篇文章可以注意到里面有一句话，说作者发现这个工作中有一个Bug，但是由于成本太高，就没有重新训练。据说训练一次的成本大约1300万美元，所以即便发现有Bug，也就忍着算了。
这样的模型能够解决很多问题，带来很大的性能提升。但是如此高昂的成本，也给我们从事人工智能研究的人带来了新的挑战，特别值得让学术界从事人工智能研究的学者思考一个问题：昂贵的成本必须换来效益回报，模型性能提升，在工业界能提升经济效益，有时哪怕性能提升一两个点，带来的回报可能足以弥补投入。但学术界如果花这么大成本，怎么能带来足够的回报？
