加拿大工程院院士于非：互联—— 从质量、能源、信息到智能

2021年12月9日，第六届全球人工智能与机器人大会（GAIR 2021）在深圳正式启幕。

140余位产学领袖、30位Fellow聚首，从AI技术、产品、行业、人文、组织等维度切入，以理性分析与感性洞察为轴，共同攀登人工智能与数字化的浪潮之巅。

会上，IEEE/ IET/ EIC Fellow于非教授向与大家分享了题为《互联：从质量、能源、信息到智能》的演讲。

于非教授是加拿大工程研究院院士（Fellow of the Engineering Institute of Canada），IEEE Fellow，Institution of Engineering and Technology（IET）Fellow，IEEE杰出讲者，IEEE车载技术学会理事（2016- 今），副主席（2017- 2019）。连续3年入选科睿唯安计算机科学领域“全球高倍引科学家” （2019- 2021）。Google学术20,000+次引用，H- index88。研究领域为互联自主智能，区块链，机器学习，自动驾驶及无线网络。担任多个国际期刊编辑。多个科研成果及论文获奖。今年，于教授来到深圳，出任人工智能与数字经济广东省实验室（深圳）（光明实验室）执行主任。

于教授的主要研究方向包括：联网自动驾驶汽车（CAV），机器学习与人工智能，区块链和分布式账本技术，无线网络物理系统和网络中的安全和隐私等。

为了能将于教授的精彩演讲"原汁原味"地呈现给大家，AI科技评论做了不改变原意的编辑。

首先。非常感谢杨强主席、罗智泉校长和其他各位领导的邀请，很荣幸能参加这次大会，跟大家分享我们最近的研究进展。

今天我的报告题目相对抽象，是《互联：从质量、能源、信息到智能》。

我将“以车为例”进行汇报。第一部分是背景知识——互联和自动车辆。二是分层设计、跨层设计、跨系统设计。三是人工智能在信息中互联的方法。四是报告的主题，以联网的角度，从“大尺度”考虑网联，可分为质量互联、能源互联、信息互联和智能互联。第五部分为总结。

2

分层设计、跨层设计、跨系统设计范式

我想简单介绍下在信息互联网时期我们的设计方式。它在通信网络里属于自动驾驶里的基础设施，我们一般使用DSRC，或者是C-V2X。

在信息互联网里我们用什么样的设计范式？

最早是分层式的优化方式，即每层都处理单独的任务，比如物理层的功率、AMC（adaptive modulation and coding），MAC层处理不同的用户分级、RLC处理重传、非重传、可靠性；PDCP处理包的压缩；RRC（Radio Resource allocation），CELL Selection、Handover、Admission等优化都是在这一层。applications这部分也可以优化，像用哪种codec，H.261或者H.262。

用户也能参与其中，这就是几十年前的优化方式，但分层优化不能满足整个的系统要求。后来出现跨层优化，即把各个层联合起来优化。例如上层和下层联合起来优化，效果更好。

举个例子，应用层传输实时信息或自动驾驶的控制信息，对时延要求高。物理层有实时的网络信息，联合优化会产生良好效果。下一步进展是跨系统优化，通信和网络变成子系统，其他子系统也很重要， 比如计算系统，考虑的是边缘计算、云计算、物计算。另外一部分是存储，请不要忽略控制部分，它不是传统通信和网络所做的内容，另属其他子系统。

这里将通信和网络归为一个子系统，联合起来优化是十分必要的。为什么这样讲？因为不同的applications。比如自动驾驶，或者现在比较火的元宇宙、AR, VR，对计算有较高需求，只有网络无法满足整个系统的需求。对多媒体传输而言，在存储、缓存方面的要求更多。我总结为跨系统设计。

对此，回顾我们做过的一些工作。1. ）通信计算相结合的工作；2. ）通信、计算和缓存相结合的工作；3. )通信和控制相结合的工作。每次结合都会提升网络或系统的性能。

当我们写文章时，性能提升高是特别高兴的事情。但大家不要忘记随之而来的“惨痛代价”。其中一个代价是复杂度大幅提升，从单层设计到跨层设计再到跨系统设计，每次考虑的参数越来越多。大量参数放在一起优化，虽然系统性能有所提高，但维数灾难也会伴随而生，也可以被称为第一个“诅咒”。

另一个问题是Curse of Modeling（模型灾难），即「如何建模」。一层建模不复杂，多层建模、跨系统建模、跨不同网络建模却十分麻烦。几乎建模中都会产生问题，有句名言：All Models Are Wrong. 建模和真实环境有不可忽略的差别。

所以有两个curses：Curse of Dimensionality和Curse of Modeling。

3

AI Approach

因为建模困难和复杂度越来越高，我们希望能够用人工智能的方式解决网络优化问题。

我们的会议主题是「全球人工智能与机器人大会」，在座各位或多或少都是与人工智能有关联的人。AI并不是新概念，"人工智能"是1950年被提出，1980年开始机器学习，一直到2010年效果优越的Deep Learning（深度学习）出现。

当时为什么不能提及人工智能？图灵奖得主Hinton教授，当年从美国"出走"到加拿大，也是因为遇到“人工智能寒冬”。Hinton教授一直沿着机器学习和神经网络方向研究，2012年终于有所突破。人工智能的发展并非一帆风顺，可以说是几起几落。

我们较多用Reinforcement learning（强化学习）。机器学习可分为三类：监督学习(Supervised learning)、 非监督学习(Unsupervised learning)、 强化学习（Reinforcement learning）。

图中左下的文章是2004年我发表的博士论文最后一章。它也是我一个惨痛经验教训的具象。当时用机器学习或强化学习是没办法发表顶会文章的，因为大环境并不认可。「人工智能」彼时属于贬义词，被认为是垃圾输入、垃圾输出，不能产出Insight，没能获得业界和学术界的承认。

强化学习是我本人非常喜欢的算法，主要因为它可以做广泛的“动作”，控制车、控制网络或控制各式各样的参数。

Deep Reinforcement learning（深度强化学习）中心思想很简单：模拟动物或人跟环境交互的过程。深度强化学习可以解决很多"大问题"，其中之一就是Alpha Go。

Alpha Go的核心思想是运用强化学习解决问题。强化学习技术和加拿大渊源颇深，深度学习是图灵奖得主Hinton教授主导的。强化学习是加拿大另一位学者Richard Sutton主导的。

用AI approach，用跨层设计、分层设计、跨系统设计，并不是毫无问题。

数据十分重要。现代人工智"茁壮成长"起来的根基就是Data-driven（数据驱动）。Data-driven在几年前是褒义词，它不是全部从模型而来，而是存在真实数据的。但许多小团队、小公司等相对较难获得大数据。Data driven另一种形式的解读：Big data导向big intelligence，Limited date导向Limited intelligence。

回到自动驾驶这一话题，世界道路千万条，人类无法让模型具体学习到每个路口、每类天气情况、每种司机的驾驶条件，数据不足也是自动驾驶目前未能大规模商用的重要因素。前面说到数据驱动，因而Limited data就是Limited intelligence。其他挑战还有data inefficiency（数据利用率低效），需要大量的数据训练。Poor generalization， 泛化能力较弱。Lack of interpretability，可解释性差。

出现问题却不知原因。一方拥有大规模网络数据时能不能与他人分享？机器之间的share intelligence是需要特定语言、程序进行。

我认为，目前的机器学习、人工智能有点像动物学习。

2019年《Nature》的一篇文章提到：现在的人工智能也许不及动物。其中一个例子，也是我们中文耳熟能详的俗语“龙生龙，凤生凤，老鼠的孩子会打洞”。描述的正是生物基因里面已经存在的技能。一如文中：Learning is NOT very important. 这篇文章无异于给我泼了盆冷水。我们研究人工智能和机器学习也有一些时间了，如果AI不如动物，更不能和人相提并论。

后来我希望能从书中获得答案，了解动物和人之间的根本区别。对此，《人类简史》解答得十分清晰。《人类简史》中有个颠覆性的观点：人和动物的主要区别就是「Gossip」，即"八卦能力"。

为什么是"八卦能力"？人类可以传递并不真实存在的信息。像在公司里“传”闲话，WeChat、Keynote，甚至于今天的分享报告，都是一种“八卦能力”。我们只能和同类讲，不能跑到森林里和动物们做报告。

“八卦能力”的说法不太正式，所以我找到另一种正式说法— Collective Learning（集体学习），Big history project （大历史项目）中许多历史学家同样疑惑：人为什么比动物更加聪明？回顾从大爆炸到人类进化到现在，得出基本结论就是Collective Learning。

Collective Learning的第一步都是从数据学到的，数据驱动也是目前人工智能和机器学习的基本思想。

第二步、第三步之后，机器和动物基本不具备把智能存储下来的能力，只有人可以做到。我们可以泼墨挥毫写文成书，这是人类才有的特殊能力。与《人类简史》里说的"八卦能力"异曲同工，人可以相信不存在的信息并分享智能。以上两点，非正式说法「Gossip」，正式说法「Collective Learning」。

大家可能会问：现在人工智能可以拥有「八卦能力」吗？或向其他智能体进行学习吗？目前而言十分困难。因为没有Incentives（激励）、trust（信任）、Language（语言）。如何实现这些能力？这就是我们的下一主题，质量、能源、信息、智能。

4

互联：从质量、能源、信息到智能

爱因斯坦说过：You cannot solve a problem on the same level that it was created. You have to rise above it to the next level. 这句话令我感触颇深。"当你遇到问题时千万不要在问题同等水平上思考它，应该提升到另一个层次上考虑"，从而产生新灵感。这也是我今天汇报的主题，从"大尺度"考虑网联。

许多媒体报道，包括Elon Musk也认为，人类历史上最大的发明创造是车轮。车轮的本质是质量的互联，它可以把有质量的东西快速、高效地在两点间传送。车轮促使交通网络的形成。第二个重要发明是能源的互联，以前的汽油和现在的电能，都属于能源互联。第三个重要发明是人们乐享其中的互联网，它是信息的互联。简而言之，“车”见证了人类历史整个技术的发展路线。从最初的运输质量，随后是使用能源，到现在的信息联网。

以发展角度看，Abstraction（抽象）在一层一层的提高。我们心生疑惑，将来会如何进阶发展？疫情期间经过长时间思考，我写下一篇文章。在优化网络时的分层设计、跨层设计和跨系统设计，归根到底我们是在做一件事情，传递信息。这也是我们所说的Internet of information，让信息从A点移到B点。

特斯拉发明了交流电，可以理解为是传递能量。当下信息发展过载，铺天盖地的信息无处不在地充斥着我们的生活，获取信息对现代人而言易如反掌。因此我在文中推断，这是一种intelligence（智能）的缺乏—— 拿到信息该如何运用。比如一个自动驾驶车，每天可以获得5T的数据，手握巨量数据，车技却依然不高。

那目前能实现move intelligence（传递智能）吗？暂时不能。但我们可以考虑用Blockchain（区块链）解决相关文通。《哈佛商业评论》曾发文，问历史中是否出现过类似Blockchain的事物？答案是有的，就是TCP/IP（传输控制协议/网际协议）。

首先它们都是分布式的，分布式的优势在于集中式促进创新，也可以支持大规模其他应用，这是TCP/IP和Blockchain的相似之处。Blockchain应用繁多，我们的国家级报告里常把Blockchain视为数字经济的重要技术手段。

我们近期有出版关于区块链的书籍——《区块链：原理、框架与应用》和《Blockchain Technology and Applications》；以及区块链研究的网站vDLT. io；还有区块链优化问题，我们提起Blockchain多是实现方面，优化方面较少。

为什么人比动物更加聪明，答案指向一点—— Collective learning approach（集体学习研究），我们近期所做也是希望通过区块来实现集体学习。

从车的角度做智能网联。我在文章中有提出雏形，它也是元宇宙的雏形，每个车都对应到元宇宙里的“数字孪生”车，并在其中分享智能。

另外一个是算法方面的创新，Collective Reinforcement Learning，基本思想也是模仿人类。强化学习原是单个智能体，现在多个智能体相互融合、学习、实现智能网联。

对于当下和将来面临的挑战。挑战看似容易，只需传递智能。但实践中频频受阻。从信息论而言，为什么信息可以轻易“挪来挪去”，我们的互联网为何能高速发展？关键在于信息的定义和描述。眼下对整个Intelligence的描述是十分艰难的。也是比较难攻克的问题。

5

未来趋势：智能互联

Internet of Information可以用分层、跨层、跨系统的设计，最近比较流行用AI approach。我们认为Internet of Intelligence（智能网联）是未来趋势，对机器和人而言，作出正确决定更加重要。共享智能不仅仅是技术问题，也是经济的问题。

我们的人工智能与数字经济广东省实验室（深圳）刚刚成立不到一个月。因为落户在深圳市光明区，所以起名光明实验室，是广东省政府批准筹建第三批省实验室之一。

我们目前主要聚焦四个方面：一是区块链与金融科技；二是智能传感与精准医疗；三是机器学习和智能系统；四是泛在感知与智慧城市。再次感谢大家，欢迎各位到我们实验室指导工作。

雷峰网雷峰网(公众号：雷峰网)