來源：華為2012實驗室
作者：李航 張寶峰 霍大偉 李英濤
1.引言
星期六上午，叮呤一聲門鈴響了，小明急忙跑過去，打開家門，見到門口站著一個機器人。機器人身高一米五左右，跟小明差不多，樣子有點像星球大戰中的C-3PO。機器人向小明鞠了一個恭，“你好，我叫羅伯特，是你們家預訂的管家機器人”。小明高興得跳了起來。“太好啦，我們已經等你很久了。我叫小明”。羅伯特點點頭，“小明，你好”。接著，小明領著羅伯特在家里轉了一圈，客廳、書房臥室、廚房、衛生間都走了一遍，最后來到小明的房間。按照指引，羅伯特在小明房間里走了一圈，然后站在了落地窗前。書桌旁擺有一個魚缸，里面養著一些熱帶魚。小明指示說：“別忘了每天給它們換水”。落地床前放著一個天文望遠鏡，小明用手指著說：“你走動的時候注意別碰到它，是爸爸在美國給我買的呢。天氣好的晚上，別忘了提醒我去觀察星座”。羅伯特點點頭，“明白了，你的房間真不錯”，又用平緩的語氣說：“不過，空調溫度太低。時間長會對身體不好，建議你把溫度提高”。然后慢慢轉過身，像是怕碰到天文望遠鏡，說：“窗戶也沒有關好，這樣會有安全隱患”，順手把窗戶關上，小明回答：“明白了”。“我再去其他地方看看”，羅伯特一邊說著一邊慢步地出了房間。小明坐下，開始做功課。不一會兒，羅伯特走了回來。小明問羅伯特：“我現在有一個數學問題，不知道該怎么解。你能幫我看一下嗎？”羅伯特放慢了腳步，走到桌前，用親切的聲音回答：“小明，我是管家機器人。我的職責只是把你的家管理好，不負責幫助你的學習。如果是輔導功課，需要請家教機器人，公司也有相關的擴展模塊可以購買”。小明微笑著答道：“你真專業，我問爸爸是不是可以買”。
以上是我們設想的未來管家機器人的使用場景，它的最大特點是基于“受教式人工智能” （Educated Artificial Intelligence，簡稱EAI）技術，有以下幾個特點。
應用限定的智能系統：根據此原理構建的智能系統服務于不同的應用，圓滿完成各自應用的任務是每個系統的終極目標，系統的智能性全部體現在完成任務的能力上，而不是一般意義上的人工智能（Artificial Intelligence），比如，管家機器人和家教機器人分管不同工作，擁有各自應用所需的智能。因此也可以稱之為受教式應用智能（Educated Application Intelligence）。
接受用戶教育：智能系統可以接受用戶教育，快速學習，適應環境。用戶承擔一定的教育責任，但系統也有自主性，正如老師和學生的關系，在某些方面學生也可能超越老師。教育（educate）不同于教誨（teach），不需要給出每一條規則，用戶只有在必要時提供少量的指示，比如用戶只需領著管家機器人行走一遍，就能讓它識別整個家庭的格局，并知道未來工作環境中的注意事項。
擁有一定的完成任務所需的自學習、推理能力：在動態變化的環境中，基于用戶教育，學習所需知識，矯正錯誤，從而具備場景所需的學習、推理能力，比如，給用戶進行推薦與提醒。
人類的“智能”工具：受教式人工智能系統的目的是成為人類的工具，在特定的應用中提升用戶體驗，而不是部分再現人的能力。受教式人工智能也不同于傳統的機械系統重復同樣的工作，而是能在動態的環境中做出判斷，比如，管家機器人通過溫度傳感器、位置傳感器來感知室溫、窗戶的狀態，并結合用戶習慣和生活要求，決定是否調節室溫，關閉窗戶。而且由于有應用限定，可以大幅降低復雜任務中“智能誤操作”的分險。
目前，業界盛論機器具備意識，機器通過圖靈測試、和機器理解貓臉概念等話題，這些并不一定有建設性，不能幫助有效解決實際問題。受教式人工智能（EAI）更強調應用智能，目的是讓智能技術為產業服務。
人腦是一個只有1.5公斤左右重的人體器官，但它或許是宇宙中最復雜的系統。宇宙和人腦，對人類來說都充滿著無窮的奧秘，是科學需要不斷探究的對象。現在對人腦的工作原理與機制有了一定的了解，但是腦科學的研究進展距離我們能在計算機系統上再現人類智能的目標還相差甚遠，很有可能，我們永遠無法實現與人類同等的智能。
我們應該如何實現人工智能？理解人的大腦的工作原理和機制，在電子計算機上將其實現？這個策略即使可能，也有極其漫長的路要走。此路線依附腦科學的突破，需要切實地理解人腦智能產生的機理，單獨靠電子、信息技術的發展不足以支撐。
2-1．人腦結構vs 計算機體系架構，體系結構差異巨大
人腦有很高的復雜度。人腦有10的11次方個神經元，10的15次方個突觸。也就是說。平均每個神經元有1萬個突觸相連。據估計，整個互聯網有10的12次方個網頁，每個網頁的平均鏈接少于1百個。也就是說把人腦和互聯網都當作網絡來看，兩者有大致相同的結點數，但人腦的連接數更多，復雜度更高。
人腦比計算機有更加復雜的結構。我們知道，人腦由四個主要部分構成：腦干（brain stem）、間腦（diencephalon）、大腦（cerebrum）及小腦（cerebellum）。腦干由延髓（medulla oblongata）、腦橋（pons）及中腦（midbrain 或 mesencephalon）組成，下面連著脊髓，上面是間腦。間腦主要由視丘（thalamus）及下視丘（hypothalamus）組成，大腦位于其上。大腦分左右兩個半球，中間以胼胝體（corpus callosum）連接。左半球控制右半身，右半球控制左半身。兩個大腦半球的表面覆蓋著大腦皮質（cerebral cortex），大腦半球又分成不同的腦葉：前額葉（frontal lobe）、頂葉（parietal lobe）、顳葉（temporal lobe）及枕葉（occipital lobe）。小腦位于大腦之下，腦干之后。而電子計算機采用馮諾依曼架構，由運算器、控制器、存儲器、輸入設備和輸出設備五大部分組成。計算過程中，把程序和數據存入主存儲器（內存）中，從主存儲器中取出指令逐次執行，整個結構要簡單得多。
2-2． 意識仍是所知甚少的世界
人區別于機器等非生物的一個重要特點是擁有意識（consciousness），而現實機器中不存在意識，也許永遠不會。“人的意識”到底是什么？有很多研究，但沒有一致性的結論，我們對意識了解還非常有限，仍然是科學的最大謎團之一。
下面總結一些被比較普遍認同的觀點。意識是指人在清醒（非睡眠、昏迷、及死亡）時的感知與認知，本質是生命現象。“我思故我在”，首先它是現實存在的，是每個人以自我為中心的“精神活動”， 對每個人來說都是持續、一致、和穩定的，所以是主觀的，經常被稱為自我意識。但又是客觀的，意識對應著大腦神經系統高層次的處理，由低層次的神經元上的生物反應支撐。意識是一個統一體，將個人的所有感知與認知聯系在一起；與潛在意識密切相連交互，獲得身體各個器官的信號，同時又對它們發出指令；認識自己在空間、時間、社會群體中與其他個體的關系。意識又擁有主動性，比如，意識可以做出決定，通過大腦以及神經系統，將指令傳到全身，控制整個身體的運動。意識的過程可能發生在大腦的不同部位，是不同作用產生的結果，整個機制還不清楚，最近的研究發現大腦中的屏狀核可能起到意識的“開關”作用。意識由生物進化得來，從簡單的有機生化過程發展到極其復雜的大腦生化過程，生命與非生物的本質區別在于，生命體能夠通過自身的感知、認知系統認識到自身的存在，并且做出對外界的反應與行動。沒有證據表明，我們能把這么極其復雜的生物現象在非生物的計算機上實現，開發出“意識機器”。
2-3． 語言處理也面臨永無止境的挑戰
語言代表著人類智能的最高水準，也是人區別于動物的主要特征。有了語言，人可以傳遞信息，表達思想，講授知識，傳播文化。詞匯和語法是語言的兩個重大要素。一般成年人可以掌握五千到一萬個詞匯。在大腦長期記憶中記憶一個單詞的時候，人不僅記住它的發音、書寫形式，而且記住與其相關的單詞、概念、用法、經歷等，對應著對詞義的理解。語法由規則組成，可以幫助人由單詞出發構建語句，表達復雜的語義。語法規則指導人結構性地構建句子，理論上可以表達任意復雜的內容。但是這些規則一般都是不嚴格的，總有例外存在。語言的理解，不僅需要詞匯和語法的知識，而且需要整個世界的知識，以及推理能力，比如，說“好熱啊”，在特定場景中表述的意思可能是希望打開空調。喬姆斯基認為人的語言能力是先天就有的，觀察兒童學習語言的過程就會發現，兒童不需要許多指導，只要處在適當的語言環境中，就可以學習到非常復雜的語言使用，這種現象的唯一解釋就是人的語言能力是由DNA決定的。
自然語言處理是人工智能的一個分支，目的是讓計算機能夠像人一樣地聽、說、讀、寫，使用語言。自然語言理解從兩種意義上是極其困難的。首先，語言理解理論上需要用到人的所有知識、以及所有的推理能力。所以，語言理解被認為是“人工智能完全”問題，也就是說，語言理解的實現就意味著人工智能的實現。另一個困難是，計算機上實現任何東西都需要用數學模型來刻畫，但是我們還不知道如何用數學模型去刻畫人的語言使用，也不知道這是否可能。語言從理論上可以無窮組合式產生，所以用窮舉的方法，不可能實現自然語言處理。語言遵循一定的規則，但又有很多例外，所以用規則也不能解決問題。統計學習，特別是深度學習，為我們提供了很好的工具，理論上，如果有無窮多的訓練數據，也許可以模仿人的語言處理，不斷逼近人的語言能力，但現實中我們往往無法得到那么多的數據；還有，語言現象一般遵循冪律（power law）分布，永遠都會存在低頻的，也就是長尾的事件，無法得到充足的數據，所以完全依賴統計學習也是不可行的。如何讓計算機理解語言，是我們需要不斷探究的課題。
人工智能目前基本分兩種流派，即所謂的強人工智能和弱人工智能。強人工智能觀點認為可以制造出與人同等智能的機器，而且，這種機器擁有感覺、知覺、以及自我意識，甚至具備自我發展和進化的能力。弱人工智能觀點認為不可能制造出這樣的智能系統。現實中制造的機器可能在某些方面看上去與人有同等的智能，但并不真正擁有智能，也沒有自我意識。產業界本質并不關心智能強弱問題，而是關注智能應用，即通過相關技術使能的智能應用體驗和效果，我們希望EAI可以成為實現這一目標的正確途徑。
Educated AI既可以理解為Educated Artificial Intelligence 也可以理解為Educated Application Intelligence，擁有應用限定、用戶教育、自學習推理能力，能判斷的智能系統等特點。EAI的目的不是再現人的智能，而是幫助人更高效、更好地完成各個具體任務或任務集，在其中部分達到人的智能或超過人的智能。
基于EAI理念的智能系統應該滿足以下幾個原則：1.從屬于人類，2. 限定于任務（場景），3. 接受教育，4. 自我成長，5. 個性化的系統。基于EAI理念的智能系統當然不會擁有意識，也不需要擁有同人一樣的普適的智能與智慧，這樣的系統理解的語言也是基于任務、場景的，其理解也只是通過能夠完成具體任務體現的。
有許多的應用系統可以通過EAI的理念構建，變得更加實用，更好地幫助用戶解決問題，給用戶帶來巨大價值。智能管家機器人可以幫助用戶管理好家庭，從事家居管理、日程管理、室內清潔、物品搬運、安全保障等工作，它還能在室內行走，識別室內的物體，與主人進行簡單的對話和溝通。機器人基本功能在出廠時都已基本具備，但其使用由于接受各個用戶不同的教育，從而形成不同的個性化系統。比如，主人引領機器人在室內行走，可以幫助機器人很快地了解家居的情況，主人介紹家庭成員，機器人可以很快知道家庭的構成，每個人的習慣、興趣愛好等，而不需要從零學起。旅行翻譯系統是另外一個例子，這個系統是在智能手機上的一個應用，用戶在國外旅行時，可以通過它的翻譯與外國人進行自由的對話與交流。翻譯系統在出廠時已具備基本的語音識別、機器翻譯、語音合成的功能，但是它還缺少個性化定制。通用的語音識別、機器翻譯可能都不完美，會出現錯誤，當用戶發現識別或翻譯錯誤時，可以反饋給系統，系統將直接記住正確結果，下次不會犯同樣的錯誤，這樣翻譯系統性能會不斷提升，真正成為用戶貼心的翻譯。
EAI技術的基本特點是“機器學習加人工教育”，通過人工教育的方式最大的程度降低甚至克服機器學習的困難，從應用的角度出發，加速系統的智能化提升進程。
機器學習一般指統計學習，是關于基于數據構建概率統計模型并運用模型對數據進行預測與分析的技術，機器學習包括監督學習、非監督學習、深度學習、強化學習、概率推理等。這里說的人工教育是指由用戶通過實際指導給出知識、實例，當作機器學習輸入，用于構建系統，幫助系統進行預測、判斷。人工教育可以大幅的加速學習應用場景特定的模型和參數，使機器學習快速收斂，系統快速適應到具體應用場景。這樣，人機各自的長處可以被有效地結合起來。
機器學習的最大優點是它通過數據驅動的方式解決具體問題，擁有一套完整的理論體系，具有很強的魯棒性和可擴展性。機器學習的最大缺點是它依賴于數據，數據中隱含的規律一定程度上能挖掘出來，但從實現智能的角度往往不夠充分，特別是當數據缺乏的時候，機器學習就會變的無能為力。
人工教育能讓我們很快地獲得智能系統需要的知識（包括概念、規則）與實例。它的最大優點是“教育”的知識與實例具有很強的可讀性，很簡單地就具備特定場景的“語義”，因為人可以很好地理解應用要求，直接對系統的行為做出一定的指導。其缺點是人定義的知識不一定系統、無矛盾、無歧義，開發與維護知識的成本也會很高，更重要的是，人定義的知識往往沒有足夠的魯棒性和可擴展性；人給出的實例會更加可靠，但是其覆蓋面往往很窄，為了有效地學習可能需要提供大量的實例數據。
目前機器學習中的很多技術都應該可以直接應用，但EAI也有其獨特技術難點和挑戰，比如：
如何保證人工教育和機器學習的交互和知識、信息傳遞的有效性？人工教育往往是通過一些演示或者指令，本質上傳遞的是確定的知識或者信息，人工教育需要能夠與傳統機器學習有效對接，用這些知識或信息增加系統的整體能力。
如何保證應用中性能的單調提升？人工教育加機器學習的目標是給用戶提供具體應用中的良好體驗，要讓用戶感受到，教育和學習的過程中，系統的性能在不斷上升，而沒有下降。系統在自主地接受教育和進行學習過程中，這一點并不容易做到。
如何通過人工教育簡化學習過程？概念和當前熱門的Learning to Learn相關, 但這里強調的并不是讓機器學會學習的方法，而是如何能讓機器通過簡單的實例就能學習到的所學的內容，如果能夠達到One Shot Learning的效果最好。
