譚鐵牛院士：向生物學習開啟模式識別新突破

　　 人們在觀察事物或現象的時候，常常要把各個相似的但又不完全相同的事物或現象組成一類。例如一個數字有不同的寫法，對一個人來說，某一種寫法雖然沒有見過，但大腦卻能自動將這個字識別出來。

　　這種模式識別行為雖然人們早已司空見慣，在中國科學院院士譚鐵牛看來，它卻是人類最重要的智能行為。而機器模式識別能力則很大程度上反應了機器智能類人的程度，成為人工智能的核心內容之一。

　　實際上在過去幾十年中，機器的模式識別取得了長足的進展，在特定領域取得了成功的應用，但是，現有模式識別方法與生物系統相比依舊存在顯著不足。

　　“當前，一些面向特定任務的模式識別已取得突破性進展，有的性能已可與人媲美。”譚鐵牛說，““但通用模式識別系統仍然任重道遠。機器模式識別的瓶頸主要集中在魯棒性差、自適應性差、可泛化性差三個方面。”

　　通俗來說，目前的模式識別技術還不夠“皮實”。比如，遇到局部形變、光照變化、遮擋、凌亂背景、尺度變化等干擾，機器就很容易出錯；機器也不會像人類一樣舉一反三、觸類旁通，而是要進行大樣本的訓練。

　　在譚鐵牛看來，這些瓶頸的突破口還要到自然界中去尋找。“向生物學習，開展生物啟發的模式識別，有望實現模式識別理論與方法的新突破，達到對不同任務無縫切換、對環境自主適應、對知識凝練抽取等目標。”

　　他所提出的生物啟發的模式識別，就是要向生物模式識別系統學習，充分借鑒腦科學、認知科學乃至心理學的先進成果，突破現有理論與方法固有的局限性，實現模式識別理論與方法的創新。

　　譬如，在譚鐵牛等人的一篇論文中，研究人員受到人腦長短時記憶的啟發，提出了一種多模態記憶網絡，通過引入注意和記憶機制模塊，對具有時間依賴關系的多種模態長序列進行建模，應用于諸如視頻描述生成、智能對話等領域中。

　　又比如，人類能夠將某種知識或者技能遷移到另一種相似的領域中，在已有知識的輔助下，新的學習任務只需要很少的訓練就能達到不錯的效果。這種遷移學習的能力也受到了模式識別領域學者的關注，科學家試圖模仿生物從熟悉領域到陌生領域的學習方法，構建跨領域跨模態遷移學習的模型，充分利用大量舊的已標注樣本和當前少量標記數據來訓練新模型，解決新問題。

　　“總之，模式識別是智能化時代的關鍵使能技術。”譚鐵牛最后說，“向生物系統學習，開展生物啟發的模式識別研究，具有十分廣闊的創新空間與發展前景。”