对话加拿大工程院于非院士：寻找 AI 领域的「香农定理」(4)

如今，由于互联网和手机的普及，信息无处不在，信息如同洪水猛兽一样推送到我们的面前。当人们很方便的得到信息后，大家会关心信息耗散的量有多少。所以，智能在本质上可以说是对信息耗散多少的量化。

目前，于非已初步完成对理性的数学公式下「智能」定义的探索，为量化智能提出了一条清晰的新路线。

02. 「智能」之上：集体学习与区块链

去年12月，在雷峰网举办的 CCF-GAIR 大会上，AI 科技评论有幸与于非院士进行了一场关于单体智能与集体智能的对话。当时，于非就指出，从多体协同场景（如智能驾驶）中观察可知，要实现智能网络，集体学习将是非常关键的学习范式，「然而，集体学习目前还没有真正开始。」

在文明发展的过程中，人类之间传递的、书本中记载的，不仅仅是信息，还有智能。对应到人工智能领域的专业术语，那便是数据和知识的区别。智能定义为多个体间达成「智能交换」提供了知识基础，可以进一步实现集体学习。

未来智能的发展也离不开集体学习和网络。

当前大多数AI工作都聚焦单智能体的训练，需要依赖大量预定义的本地环境数据集。随着互联网数据的爆炸性增长，这种中心化的AI架构受限于本地计算能力和存储能力，训练的模型的泛化能力有待提高。此外，实际场景中的许多系统要么过于复杂无法在固定的预定义环境中正确建模，要么动态变化。

当前，AI与人类学习仍然相去甚远。人类学习需要更少的数据集，并且在适应新环境方面更加灵活。集体学习是人类能够在生物圈中发挥主导作用的决定性特征，而在当前的AI系统中很难做到这一点。通过互联智能，可以实现分布式智能、智能存储、智能共享，进一步拉近AI与人类智能的界限，显着提高智能训练效率，更有效地模仿现实世界环境。

就自动驾驶来说，联网自动驾驶汽车（CAV）涉及到车间通讯和车路协同，正是集体学习的具体实现。

在于非看来，车间通信和车路协同是保证交通安全的重要手段。「大多数车祸是因为不知道其他车辆正在做什么或将要做什么」，但通过开发让车辆了解环境和其他车辆发生的情况的通信技术，或能有效预防事故。

单车智能研发的困难在于场景适应性。目前，自动驾驶汽车在规范环境下表现较好，如没有阴雨天、道路施工或行人无规则穿行等情况，但实际应用中，单一模型难以覆盖由数千条道路、不同的天气、驾驶习惯、行人变动等构成的复杂路况。