（Atmatrix社羣人工智慧專家 劉軍）
金色財經-區塊鏈8月16日訊 記者：邸卉 2017第四屆區塊鏈國際峰會於8月15日在上海盛大召開，超過1000名全球金融科技行業決策者參與了活動。
8月16日，第四屆區塊鏈國際峰會進入第二天議程，將分為“Atmatrix人工智慧專場”和“區塊鏈應用與創新”兩個專場。本次活動由上海豐鈦沙龍主辦、中國區塊鏈應用研究中心等協辦，以區塊鏈應用創新等為主題開展共計2天的活動。
Atmatrix社羣人工智慧專家 劉軍，在峰會現場發表了“區塊鏈與AI的化學反應”的主題演講。
演講實錄如下：
劉軍：大家上午好，我是劉軍，能夠跟大家分享一下人工智慧和區塊鏈的化學反應。這是演講的概要，第一我會把人工智慧這61年的歷史簡單的做個介紹，著重講一下我們當前人工智慧最熱的深度學習的案例。接下來會講講人工智慧當前的痛點問題。最後是區塊鏈與人工智慧的結合我們的想法。
一、AI：61年風雨
從亨頓（音）提出人工學習，包括去年阿爾法狗打敗李世石之後，炒得非常熱，其實人工智慧已經有61年的歷史了，它經過了兩個低估，現在屬於第三個高潮期，所以說人工智慧發展的歷史是非常久遠的。人工智慧是一個很大的概念，機器學習和深度學習只是人工智慧一個子領域，人工智慧的範圍很廣。
怎樣才算智慧，如何評判一個機器是有智慧。在這點上我們偉大的計算機的先驅圖靈，我們計算機領域最高的獎項就是圖靈獎。圖靈不僅僅提出了現在所有計算機的模型都是圖靈機，圖靈機所具有的計算能力叫做圖靈模型。現在也智慧合約的EVM是具有圖靈機同等的計算能力。圖靈提出“圖靈測試”，他認為當你和一個具有智慧的機器，當你跟他在互動的時候，他認為如果有30%的人根本不知道跟你對面的機器是機器還是人，他就認為對面的那個機器是具有智慧的。大家想一想這個還是挺難的，比如現在說人工智慧在智慧客服這塊是應用比較火的，但是如果你打個電話給一個智慧客服，對面說“您好，這裡是10086……”你會很容易就區分出來對面是一個機器的聲音，如果說語音合成、語音識別這一塊，對我們人來說很容易就判別對方是一個機器，而不是一個人。所以這一塊30%的人區分不了對方是一個機器，這個測試還是挺難透過的。2014年有一個尤金聊天機器人，當時是有33%的評委猜不出來對方是機器人還是一個小孩，他是模仿一個11歲的小男孩，33%的評委根本猜不出來對方是個機器還是人，透過了圖靈測試。從某種意義上來說，它具有非常好的智慧。
講到人工智慧的起源不得不講到1956年達克毛斯（音）的會議，在這個會議上第一次提出了“人工智慧”的詞，其中中間的這位明斯基提出了神經網路，提出了我們現在大熱的神經網路，在五六十年代就提出了這個概念，也是美國工程院、科學院雙院的院士，包括麥卡錫。在AI領域現在方向非常多，主要方向有三塊，第一塊是以符號主義，它是一些邏輯基於推理、知識，包括現在的知識圖譜，還有我們的學的三段類的邏輯推理，都屬於人工智慧的符號主義派別。第二個派別以前我們做了個機器學習派，典型的SVM，迴歸模型等等。第三個派別神經網路，也稱為連線主義，是2006年之後，現在這個派別佔有非常主流的地位。但是我要說的是人工智慧並不完全等於深度學習，深度學習也不能解決人工智慧所有的問題，它不是萬能的。這三個派別都有一些比較旗幟性的人物，包括賽弗裡奇，他獲得了圖靈獎，也獲得了諾貝爾經濟學獎，還獲得了美國的心理學獎，非常多才的跨界的傳奇性人物。包括網際網路發明人Tim Berners-Lee。
AI人工智慧要做些什麼事情呢，兩方面，第一感知，感知對人就非常簡單，怎麼去識別一張圖片，怎麼聽一段語音，怎麼把語音進行識別，這些都屬於感知，我們的五官感知的東西，其實對機器是非常困難的事情。第二個認知，認知就包含基於你所學到的知識，或者基於你所瞭解的情況，能夠做出推理、決策，包括智慧語言處理，包括推理、決策，還有一些plan等方面的。人工智慧應用領域非常廣，從橫縱兩個軸，包括從智慧裝置方向，包括感知和認知相結合，產生了很多的應用領域。所以我們這個專案Atmatrix它未來會跟各個行業去進行孵化，前景就是因為AI本身的應用方向是非常廣的。
國內的一些AI公司包括典型的大牛，在圖象識別，計算機視覺和語音，包括小i機器人也是Atmatrix第一期非常重要的合作伙伴。那邊有一些我們在AI領域華人的翹楚，包括有名的AI的創業公司，現在深度學習有幾大主流的框架。AI絕對不是大家所想像的控制在幾個大公司的手裡，在國內來說應該是百花齊放，年輕人在這塊領域是非常非常具有顛覆性的角色。國外的稍微過一下。
深度學習這個圈子非常小，是亨頓在2006年發表了深度學習的文章之後就火起來了，但是五大鼻祖他們之間的關係是非常密切的，旁邊那個Jordan是當年想去讀亨頓的博士後，被拒絕了，現在也成為深度學習另一大鼻祖。
深度學習包括人工智慧發展在一些前沿的方面來說，第一塊就是在有監督學習，有監督學習方面這些年進步非常快，在傳統的統計學習包括SVM，隨機宣告，機器學習已經做得非常好，深度學習可以把我們的語音識別、圖象識別準確率大幅提高，現在重要的三個領域比較前沿的，第一個是在AI創造力方面，深度強化學習。強化學習主要是進行自我的學習，讓機器能夠進行自我的學習。上週爆出來臉書兩個機器人自己跟自己在聊天，也不知道他們在聊，就引起一片恐慌，說機器人發明了自己的語言，能夠在自己的語言體系裡面進行對話，當然最後臉書是出來澄清說這是謠言，只是說一個bug。機器如果真的能夠自己和自己的自我學習，其實這一塊目前來說還是非常困難。
在遷移學習這塊是比較前沿的技術，遷移學習香港科技大學楊強（音）教授提出來的理論，上海交大戴文淵（音）在遷移學習這一塊應該說華人是比較走在前沿。
非監督學習，舉個例子，比如說今日頭條去年奧運會的時候很多新聞並不是編輯和記者所產生的，而是機器自動生成新聞，就是非監督學習的典型應用了。包括現在網上很夢幻的圖片，也是非進度學習的比較前沿的領域。
接下來舉幾個例子，第一個是AIphaGo，它比較有創新的是兩個地方，第一個地方是它的增強學習是做得非常有意思，它是先把全世界那些圍棋高手的棋譜能夠訓練出一個AlphaGo1.0出來，然後再用其他領域訓練出一個AlphaGo2.0出來，然後用AlphaGo1.0和2.0兩個機器人進行互相的下棋，兩個機器人下的棋局又拉來訓練2.0，2.0透過機器人的棋譜訓練之後，智慧又提高，變成AlphaGo3.0，3.0又和2.0接著下，就是這麼一個迴圈，就不斷的增強學習，機器和機器之間對項，能夠達到不斷增強的效果。把下圍棋變成兩個網路，一個是走棋一個是評估，評估網路使得AlphaGo的下棋速度非常快，當然AlphaGo跟一個棋手在下棋的過程中，棋手還在下的過程中，AlphaGo就可能在計算了，他有可能下在哪幾個弱子，我要評估一下我應該下哪幾個地方，我的勝算是比較大的，所以當對手把棋一落下之後，AlphaGo可以快速的計算出來，它應該下哪一步棋。
微軟推出了小冰情感聊天的機器人，非常有意思的是它不像我們的iPhone的SIRI這些普通的聊天助手，SIRI這些聊天助手是基於你的任務，我要打一個電話你跟SIRI說一下，然後它把句子翻譯一下，理解一下，能夠幫你撥出電話去，能完成你交代的事情。小冰不是，小冰是跟你做一個情感的交流，他有一個電影的載入卡，你在跟他聊電影的感受的時候他就不斷的瞭解你這個人，知道你是一個電影的愛好者，並且知道你喜歡哪一類電影，第二天跟你聊天的時候，他可能就是在電影這個方向上給你現實的推薦一些比如說《戰狼2》上影了，主人你快去看一下吧，類似的，能夠不斷了解你這個人，跟你做情感的交流，他的互動性方式非常多，包括圖片、語音識別和吻別，你說同一句話，他能夠根據你說話的頻次，你開始說好玩，他會說去哪裡玩。
二、人工智慧的痛點，神經網路的概念提出來這麼久，一直被打入冰冷期，到2006年爆發是因為大資料的爆發。到現在為止資料還是影響人工智慧最大的制約，這裡我舉兩個例子說明一下。第一個例子是去年5月份的時候，特斯拉5月份自動駕駛發生了一場車禍，車禍的情況是這樣的，當天早上特斯拉的駕駛員是特斯拉的一個粉絲，他非常相信特斯拉的輔助駕駛的功能，那天早上他開起了自動駕駛功能，他自己也沒有去太關心前方開車。這個車禍發生的情況是，左下角這部卡車在紅線，卡車轉彎過來，然後特斯拉是這個黃線，它是正向的往前開。特斯拉對著的是卡車的車廂的光板，當時因為正好是早上，也有一點陽光，特斯拉車上的雷達檢測，他發現前面有一個障礙物，前面的障礙物上面是一個光板，很光滑的東西，因為這個卡車非常高，下面有一點點空洞，當時自動駕駛就可能認為前面有可能是一個橋樑，下面有個洞。當時自動駕駛就做出決策，應該是可以直接過去的。司機因為也是早上，他又是科技的粉絲，沒有關注這件事情。車子直接從卡車底部就鑽過去了，悲劇就發生了，卡車當場就從道路中間直接衝向了路邊。司機當場死亡。從這個例子可以看出，特斯拉在訓練它的自動駕駛的時候，可能訓練了很多很多的語料，包括橋樑、隧道等等的場景，都訓練過了。包括車子，他認為車子的前面或後面應該都是兩個車燈，或者前面應該有引擎蓋等等的場景，都訓練好了，但是當智慧界出現一個卡車與它所訓練的東西很類似的時候，這時候它發生一個小小的誤差，帶來的結果是什麼？是一個生命的終止。所以說在訓練的過程中這是資料採集，你說如果卡車的這個圖片的資料在特斯拉訓練的過程中如果採集到這張圖片，很有可能就能識別到前面是什麼，是部卡車的側面。但是這個訓練語言沒有，所以當場就識別不出來。
這邊是一個類似的，是谷歌去年2月14日一個小的車禍，這個車禍是谷歌第一次公開承認是因為自己的自動駕駛訓練AI的模型沒有做過導致的車禍，谷歌以前也發生過車禍，他是正常按交規在行駛的，但是很有可能是別人闖紅燈或什麼的導致的車禍。這個車禍發生的場景是谷歌的無人駕駛車在路上行駛，發現前面有個沙包，這個自動駕駛就在判斷，前面有個沙包，沙包也沒見過，不知道前面的障礙物到底能不能過去，他就覺得應該超車繞過沙包。發現後面有一部公交車，他感覺公交車離自己的距離還夠遠，非常致命的錯誤是當時繞過沙包的速度只有5公里，速度非常慢，想做超車的行為。後面有部公交車，公交車可能也不知道前面是不是自動駕駛，速度比較快，15公里/小時，當時就發生了車禍。從這個例子可以看出來，在自動駕駛因為前面一個減輕負擔的沙包，他沒見過的一個場景，智慧決策方面可能會做出誤判。大家可以想想當前包括前面講的我們華人的年輕的AI的科技公司，他們在AI模型這一塊實力非常強，包括在國內外頂尖雜誌上發過一些論文，但是最影響他們發展的制約是什麼？資料。因為作為一家科技公司，可能沒有這方面的資料，所以這是非常影響他們發展的事情。
知識的缺乏，特別是這幾年深度學習好像一統天下，這裡有個對比，上面是1997年的時候IBM推出來的深藍，他是打贏了國際象棋得冠軍，當時他做的時候，他是怎麼做的？是把十幾位國際象棋的大師招在一起，和陳西元（音）工作，然後去研究怎麼在國際象棋去下，一些策略。更多的是基於一種知識，推理去打贏了另外一位國際象棋冠軍。他的勝利相當於是三個臭皮匠定國一個諸葛亮，是多個人合起來智慧的。AlphaGo就不一樣了，AlphaGo打贏圍棋冠軍完全是科技，所有的人員裡面，圍棋最高水平也只有業餘圍棋五段，所以其實那幫設計AlphaGo的人，自己圍棋不是很會下，但是他能夠設計出來一個AlphaGo這麼一個人工智慧能夠打敗一個圍棋冠軍，是怎麼做的呢？他其實把一個下圍棋這樣一件花腦子的事情變成了一個簡單的像是魔術識別，當AlphaGo和冠軍在下棋的時候就把當前這個棋局就相當於一個圖片，把這個圖片看看，當前黑棋分佈是怎樣的，白棋分佈是怎樣的，和歷史上成千上萬上億次的棋局去比對，和哪一個棋局的戰況是最類似的，這時候匹配上了，相當於一個魔術識別匹配上了這麼一個圖，他接著說我接下來往這個下，從歷史的情況來看往這裡下的勝算是最大的。AlphaGo本身可能根本就不懂圍棋的棋理，但是能夠打贏，靠的是算無一測，他見過的東西實在是太多了，所以他知道怎麼下。第二有強大的計算力，能夠很快的算出來，導致我們認為AlphaGo下圍棋很厲害，並不是他下圍棋很厲害，只是他見得多了，假設說現在圍棋棋局是19×19，假設改成20×20的，我在20、20的地方下一個局，對AlphaGo可能馬上就傻了，因為他從來沒看過這種棋局。就得完全重新發很多語料重新訓練，這是當前深度學習所面臨的問題，很多情況下人工智慧領域並不是很簡單的就是一個識別的問題，很多時候需要這種知識，特別是金融領域方面需要這種決策。這方面在公共知識這一塊，也是非常大的問題。
共享的缺乏，在AI領域，特別是深度學習推出來之後，它的通用性非常好，大大降低了人工智慧這個領域的准入門檻。現在各個行業的AI公司可能都是把一些非常成熟的AI模型，自己去找一些行業的資料，去訓練一下，就對外宣稱說，我掌握了AI的核心能力。提供自己的這麼一個應用場景，大家各自訓練自己的模型，也不大去從資料層、模型層，也不大去進行共享、交流。在開放性這一塊，因為一些智慧財產權或者是對自己一些利益的保護，包括次數的限制，各方面在共享這一塊，AI這個領域大家還缺乏一種非常有效的手段。
三、區塊鏈與人工智慧的結合
如果引進區塊鏈的話，人工智慧和區塊鏈會發生些變化呢？關於區塊鏈前面幾位專家也講了很多，這裡不再重複了。區塊鏈有一個問題現在SMART被翻譯成智慧，實際上不是人工智慧的智慧，從人工智慧的角度來說智慧合約是沒有智慧，只是這麼翻譯。
在AI和區塊鏈的化學反應有兩個方面，第一從區塊鏈領域來說，當我們把AI技術引到區塊鏈來，會為區塊鏈世界帶來這麼一個真正的AI的能力。比如說區塊鏈裡面鏈上的數字資產，假設說有一個人用語音立段遺囑，放到區塊鏈上去，證明我這個遺囑以後應該怎麼樣。現在如果沒有AI的能力，要把鏈上的資料都放到鏈下來進行語音識別等等，當我把AI放到鏈上去之後，假設我提供AI的Dbot的代理，你直接調我們的AI的DBOT平臺，就自動的把鏈上的數字資產進行識別，或者是進行校驗，包括智慧合約，法律的文字現在都在使用區塊鏈的技術，能夠往區塊鏈裡面進行儲存。法律文字簡單的OCR的識別等等技術，這些都是在AI領域比較成熟了，但是現在在區塊鏈領域都沒有。我們為區塊鏈可以帶來這些AI的能力。
AI領域剛才講了很多的痛點問題，引入區塊鏈之後你可以看到有個很重要的地方，它是一個經濟系統，並且是一個去中心化的，可信令的能力。當我引進這個區塊鏈之後，其實在資料共享層，你的智慧財產權保護，在資料共享這一塊引入區塊鏈的登記都是非常好的經濟系統。還有一個方向就是AI和區塊鏈做了之後，我們還有個很大的目標，就是把AI共享做好之後，真正能夠達到普惠AI的目的。當我們Atmatrix實踐起來之後，未來不管你是一家應用型的公司，當你想使用人工智慧這個技術的時候，不可能從頭到尾自己開發，你可能只是使用某一塊，就可以使用我們Atmatrix裡面當然我們後續可能是利用APP進行流通，你就在我們的鏈上能夠找到很多這種類似智慧AI的提供者。對你來說只要與我們Atmatrix進行互動，就能完成AI的使用，非常方便，我們也提出了普惠AI理念。
Demo這一塊，因為今天這個場地的原因，前幾次在杭州路演、深圳路演的時候，都有影片回訪，在那兩場裡面都有做過現場的演示，今天這裡場地的原因，今天演示不了。這個Demo我們後續也會馬上放到官網上去，到時候官網上也可以觀看這個Demo，所以今天在這裡越過去了。
今天我的演講就是這些，謝謝大家。
