神经网络|朱军：在AI领域让古典理论重焕光彩

◎实习采访人员孙明源
朱军与托马斯·贝叶斯（以下简称贝叶斯），前者是清华大学计算机系博世人工智能冠名教授、博士生导师，后者是18世纪著名数学家、哲学家，却在几百年后有了交集。
贝叶斯及其理论是在“新古典主义”时期提出的。而朱军及其团队成员，却让这位“古典”数学家的理论及其研究方法，在现代最前沿的人工智能（AI）领域研究中得到了“复兴” 。
发掘“过时”算法的潜力
“人工智能并非无所不能。 ”作为一名深耕人工智能领域近20年的研究者，朱军指出，任何一种算法都存在优势和短板，在特定条件下，短板就可能成为致命缺陷。 “例如我们常提、常用的深度学习算法（深度神经网络），当数据出现不确定性问题时，其表现就会变差。 ”
以自动驾驶汽车为例，朱军进一步说，人工智能面对的路况具有多种可能，即使它在绝大多数情况下表现良好，但只要出现一次误判就足以引发交通事故。如果遇到黑客刻意制造的对抗样本，即干扰图像，后果将会更加严重。认识到深度学习算法的短板后，朱军一直在钻研适合对抗数据不确定性的新算法。
2013年，朱军及其团队成员开始探索利用贝叶斯方法在人工智能领域进行应用。在统计学中，贝叶斯方法重视先验、假设，即更强调感觉和经验。
【神经网络|朱军：在AI领域让古典理论重焕光彩】而朱军对贝叶斯方法的信心也是“先验”的。在当时的人工智能研究领域，贝叶斯方法被视为一种“过时”的算法，已被更“先进”的深度神经网络所取代。但凭借学术敏感，朱军判断贝叶斯方法还有未被开发的潜能。在他的主持下，其研究团队决定朝着贝叶斯的方向“试试看” 。
后续结果表明，这个探索方向是正确的。在预测、决策等任务中，贝叶斯方法能够更高效地处理数据、应对干扰噪声，并具有良好的可解释性。朱军表示，这些优点并不意味着贝叶斯方法比深度神经网络更优越，对人工智能研究来说，各类模型和算法都是工具，各自都有优势和缺陷，通过协同互补实现最大效能才是最终目标。
结合贝叶斯方法和深度学习算法，朱军团队极大地推动了“贝叶斯深度学习”的理论、算法和编程库的进展，它既具有贝叶斯方法的不确定性建模能力和可解释性，又具有深度学习强大的拟合能力。
传承良师的育人方法
问及对于贝叶斯方法的“先验”信心从何而来，朱军回答，拥有“贝叶斯网络之父”称号的图灵奖得主朱迪亚·珀尔给了他重大启发。
早在20世纪80年代，珀尔便提出了贝叶斯网络，并构建了不确定性条件下信息处理的计算基础。虽然随着深度学习算法的发展，贝叶斯方法一度被认为是“过时”的，但珀尔的研究思路仍启发着朱军，让这位年轻的中国科学家决心继续探索贝叶斯方法的可能性边界。
“创新并不是凭空创造，而是在前人智慧的基础上扎实迈步。 ”对朱军来说，贝叶斯和珀尔都是这样的智慧先驱。
在科研之路上，朱军得到了很多良师益友的帮助。其中，对他影响最大的是他的导师——中国科学院院士张钹。
“张钹院士给了我自由探索的空间，让我在几年的求学生涯当中逐步确立了研究方向，取得了后来的成果。张钹院士的培养让我受益终身。 ”朱军感慨道。
成为研究生导师后，朱军决定传承张钹的育人方法，给予学生尽可能多的自主空间，让他们发挥自己的特长。