跨学科的人工智能发展趋势初探

工程6（2020）245主题洞察人工智能的下一个突破：人工智能的跨学科性质庄月婷a，#，蔡明a，#，李雪龙b，#，罗贤刚c，#，杨强d，#，吴飞a，#a浙江大学计算机科学与技术学院，浙江杭州310027b西北工业大学计算机学院，中国Xic中国科学院光电研究所，成都610209d香港科技大学计算机科学与工程系，中国香港9990771. 介绍人工智能（AI）致力于实现机器承载的智能。支撑人工智能的技术在过去十年中取得了巨大的飞跃，带来了令人兴奋的应用，如语言理解，视觉识别和智能数字助理。然而，当代人工智能系统擅长特定的预定义任务，无法从数据或经验中学习，直觉推理和适应。从克服现有人工智能的局限性的角度来看，跨学科的科学努力对于推动未来的人工智能研究是必要的。因此，人工智能的下一个突破将是跨学科的努力，利用神经科学，物理学，数学，电子工程，生物学，语言学和心理学来提供伟大的理论，技术和应用创新，解决复杂的社会问题，重塑国家工业体系等等。2. AI与航空航天人工智能正在成为太空探索的一项技术。由于人工智能驱动的解决方案能够进行数据挖掘，数据融合和大量数据分析，因此它们被广泛用于执行不同的任务，例如生成黑洞的第一张照片，预测太阳耀斑，绘制月球与此同时，人工智能也在促进机载太空任务。人工智能正在使航天器更加独立，自力更生和自主。例如，从进入大气层到火星着陆，美国国家航空航天局（NASA）的着陆器InSight由于遥测信号强度弱和通信延迟而无法远程控制。为了生存，InSight不得不自主执行数十项操作，并且不需要进行任何操作AI也在使用#这些作者对这项工作做出了同样的用于轨道和有效载荷优化，这两者都是NASA下一次火星探测任务的重要初步步骤人工智能正在帮助加速向智能卫星时代的过渡洛克希德·马丁公司开发这种软件定义的解决方案不仅提供了为不同任务重新配置卫星的灵活性和能力，而且还可以通过高重用性降低成本，这对于传统的硬件定义的卫星是不可能的。此外，一系列编队飞行的智能卫星可以建立一个分布式AI平台，在船上处理数据并在任务期间改变其功能。这个基于空间的人工智能平台能够训练模型，部署应用程序并执行在线服务。这种机载处理能力将大大提高空间飞行任务的运行效率，同时降低通信成本。太空探索充满了未知和意想不到的困难。目前的航天器编程模式依赖于对所有潜在情况的系统进行预先编程;然而，这种系统无法对新的、不可预见的情况作出反应通过引入新的机器学习（ML）机制[3]，系统能够持续学习，适应新的条件，并将先前学习的信息应用于新的情况，以促进航天器在作业调度，健康监测和机载数据处理方面的自主性此外，利用自动程序修复技术[4]，通过自动化分析失败执行、识别故障原因、隔离故障、实施修复和验证修复系统的过程，预计将减少当前手动执行的板载调试和维护活动。3. AI和医疗保健就像春风吹来，一夜之间让万树ML是人工智能的核心，在理解能力方面取得了可喜的进步https://doi.org/10.1016/j.eng.2020.01.0092095-8099/©2020 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程杂志主页：www.elsevier.com/locate/eng246Y. 庄 等/工程 6（2020）245开发利用海量数据人工智能领域最近通过计算能力的发展和新数据的爆炸式增长而取得了进展。特别是在医疗保健和医学领域[5]，产生的大量数据以及医疗设备和数字记录系统的普及意味着人类健康可以从人工智能的应用中受益匪浅。因此，在整个医疗保健系统中可以观察到越来越多的数据密集型方法的采用。因此，流经系统的相关数据会形成可区分的表示，从而在健康和保健方面做出更多基于证据的决策。虽然人们对人工智能对人类健康的影响给予了很大关注，但人工智能正在显著发展的另一个领域是基因组学。人工智能系统可以使基因测序和分析更快，更便宜，更准确[6]。此外，人工智能已经在分子生物学和遗传学中革命性地预测[7]有了这种洞察力，研究人员可以决定生物体在未来可能会受到什么影响，什么突变可能导致不同的疾病，以及如何为未来做准备由于基因测序和分析可以为特定生物体的所有活动提供特定遗传蓝图的视角，因此在人工智能的支持下，它们可以在农业，畜牧业和遗传疾病诊断领域取得突破性进展。至于下一代工业技术，没有人可以忽视人工智能和区块链[8]在第四次工业革命浪潮中促进医疗保健的关键作用：人工智能被整合到第四次工业革命的DNA中，而区块链可以彻底改变经济系统的基础设施由于这两种技术的合力可以决定第四次工业革命的深度和广度，因此人工智能和区块链的协同或融合是必要的，以便让人工智能高效地协助区块链技术的实施。基于其对各个领域的深刻影响，AI注定要为我们的时代注入一种自我更新的能力和4. AI与材料设计在人工智能的辅助下设计先进的材料，对人类社会的未来也具有重要意义。从历史上看，新材料的发现和工业应用往往需要相当长的时间。2011年，奥巴马政府提出了材料基因组计划（MGI），以使先进材料的发现、开发、制造和部署速度至少提高一倍这在当时是可能的。随着MGI和大数据在随后几年的融合，数据驱动模型目前被认为是材料研究中最有前途的方法，其中人工智能是用于处理大数据并获得组成-结构-过程-性能关系的关键技术由于近年来ML技术所展示的潜力例如，众所周知，目前的化学元素周期表是由许多杰出的科学家在近一个世纪的时间里构建的。然而，在人工智能的帮助下，现在可以在几个小时内重建元素周期表。一个名为Atom2Vec的无监督机器从已知化合物和材料的广泛数据库中自主学习原子的基本性质，然后将其用于神经网络，以显著的准确性预测新材料的详细特性[9]。在候选药物合成中，Segler等人[10]提出使用符号AI来发现逆合成路线;与传统的计算机辅助搜索方法相比，该方法快30倍，并且产生几乎两倍多的分子。值得指出的是，神经网络必须在成功和失败的数据上进行训练，这与传统的假设形成鲜明对比，即只有成功的数据才能用于训练。除了在合成材料中的应用外，人工智能还有可能促进人工材料（称为超材料或超表面）的发展，其特征在于由几何尺寸和成分确定的有效材料参数[11]。由于人工结构材料的结构几何形状和基本成分的变化远远超出了传统试错方法的能力，因此有必要借助大数据技术优化设计。反过来，由结构化材料实现的新开发的光学计算技术可能有助于提高数据处理速度并降低深度学习的功耗，因为光速比电子快得多，而无源光学元件不需要功率[12]。5. 人工智能与海洋资源人工智能在海洋资源开发中发挥着越来越重要的作用。发达国家在大航海时代的推动下，在这方面具有很强的战略优势。作为占地球面积71%的海洋例如，人工智能被用来有效地探测和开发海洋中的矿产资源。此外，也就是说，海防安全无疑是最重要的国家安全之一。传统的海洋技术主要是从声学和磁学等方面对海洋资源进行探测。人工智能对海洋数据的深度挖掘和分析能力，可以让传统的海洋技术更加可行，从而实现高效利用和有效保护。光学作为获取信息的重要通道，在人工智能领域有着广泛的应用。但由于海水对光的强烈吸收和散射作用，水下光学世界是混沌的。数据质量和应用范围是世界级的挑战。对于拥有广阔内领海的中国来说，利用水下光学观测海面以下的地貌、属性、过程等信息，是关系到国防安全、资源管理和经济发展的重要课题。因此，智能光学和人工智能将是海洋光学发展不可或缺的。6. 去中心化AI我们在实践AI时面临两大挑战。一个是，在大多数行业中，数据以孤岛的形式存在。另一个是对隐私保护AI的需求不断增长。虽然使用集中式数据的传统AI方法无法解决这些挑战，但联邦学习（FL）是一种解决方案，不仅可以弥合数据孤岛，还可以通过跨数据，跨域和跨企业应用程序实现隐私保护AI[13，14]。FL可以被认为是具有分散数据的隐私保护协作ML。它是一个算法框架，具有以下特点：Y. Zhuang等人 /工程6（2020）245-247247多方合作共同构建ML模型。每一方都有一些训练数据。每一方持有的数据不会离开该方;只有模型参数或梯度是共享的。模型可以在安全方案下从一方转移到另一方[15，16]，因此任何一方都不能对任何其他方的数据进行反向工程。从FL获得的模型的性能是用集中式数据收集建立的模型的近似值。FL可以分为水平联邦学习（HFL），垂直联邦学习（VFL）和联邦迁移学习（FTL），这取决于数据如何在各方之间分布。HFL是指各方共享重叠的数据特征，但数据样本不同的情况[13，14]。它类似于数据在表格视图中水平分区VFL适用于各方共享重叠数据样本但数据特征不同的情况[13]。它类似于在表格视图中垂直分区数据的情况。FTL适用于几乎没有重叠的情况，无论是在数据样本中还是在各方之间的特征中，包括基于实例的FTL，基于特征的FTL和基于模型的FTL[13，15]。为了促进FL的发展，WeBank AI的研究人员开发了Federated AITechnology Enabler（FATE）。FATE是一个开源项目和工业级FL平台，支持HFL，VFL和FTL。FL有望在数据保护下构建ML它在金融、医疗、教育、智慧城市和边缘计算方面具有潜在的应用[13，17]。 例如，FL可以用于在银行、社交网络公司和电子商务公司内部执行本地模型训练，而无需共享数据，并且可以安全地聚合经训练的本地模型以产生用于推荐系统的联合模型。7. 结论人工智能是一个高度跨学科的领域，在科学、工业和社会的许多领域都有潜在的应用[18我们相信，人工智能的下一个突破将基于其学科间的性质。引用[1] Fluri J，Kacprzak T，Lucchi A，Refregier A，Amara A，Hofmann T，et al.Cosmological constraints with deep learning from KiDS-450 weak lensing maps.2019. arXiv：1906.03156。[2] Chien S，Wagstaff KL.太空探索机器人特工。Sci Robo 2017;2（7）：eaan4831.[3] Anthes G.人工神经网络中的终身学习。Commun ACM2019;62（6）：13-5.[4] 放 大 图 片 作 者 ： Goues CL ， Pradel M ， Roychoudhury A. 自 动 修 复 程 序CommunACM 2019;62（12）：56-65.[5] [10]ChangK，Chang B，Chang M，Chang K，et al. 医疗保健中的深度学习指南。Nat Med2019;25（1）：24-9.[6] Washburn JD，Mejia-Guerra MK，Ramstein G，Kremling KA，Vampagu R，BucklerES，et al. Evolutionarily informed deep learning methods for predictingrelativetranscript abundance from DNA sequence. Proc Natl Acad Sci 2019;116（12）：5542-9.[7] EraslanG，AvsecZ，GagneurJ，TheisFJ. 深度学习：新的计算基因组学的建模技术。 Nat Rev Genet 2019;20（7）：389-403。[8] 科雷亚湾AI和区块链的融合。In：Corea F，editor.应用人工智能：AI可以用于商业的地方。Cham：Springer; 2018. p. 1比26[9] 周强，唐平，刘胜，潘杰，严强，张崇春。从原子到材料的发现。 Proc Natl Acad Sci2018;115（28）：E6411-7。[10] Segler MHS，Preuss M，Waller MP.使用深度神经网络和符号AI规划化学合成。Nature2018;555（7698）：604-10.[11] 罗X。亚波长人工结构：工程光学的新纪元。Adv Mater2019;31（4）：1804680.[12] Lin X，Rivenson Y，Yardimci NT，Veli M，Luo Y，Jarrahi M等人，使用衍射深度神经网络的全光学机器学习。Science 2018;361（6406）：1004-8.[13] 杨强，刘毅，陈涛，童毅.联邦机器学习：概念与应用。 ACM Trans Intellt SystTechnol TIST 2019;10（2）：12.[14] McMahan HB，Moore E，Ramage D，Hampson S，Arcas BAy.通信-从分散的数据中高效学习深度网络。2017. arXiv：1602.05629。[15] 刘毅，陈涛，杨强.安全的联邦迁移学习。2019. arXiv：1812.03337。[16] Bonawitz K，Ivanov V，Kreuter B，Marcedone A，McMahan HB，Patel S，etal. Practical secure aggregation for privacy-preserving machine learning. 在 ：2017年ACM SIGSAC计算机和通信安全会议（CCS'17）的会议记录p. 1175-91.[17] 杨强，刘毅，郑毅，康毅，陈庭，余华。联邦学习Williston，VT，USA：Morgan&Claypool; 2019.[18] 潘Y。迈向人工智能2.0。Engineering 2016;2（4）：409-13.[19] 潘Y。人工智能2.0专刊。前沿信息技术电子工程2017;18（1）：1-2.[20] 潘Y。人工智能2.0：理论与应用。前沿信息技术电子工程2018;19（1）：1[21] Zhuang Y，Wu F，Chen C，Pan Y.挑战与机遇：从大数据到AI 2.0中的知识 FrontInform Technol Electron Eng 2017;18（1）：3-14.●●●●