植物识别与Deep Learning

貌似，这是两个很远的话题。但最近研究了一下，还挺有意思，起码让我认识了AI（人工智能）。

每一次，“中山公园的四季”自然导赏活动前，我都会去踩点，遇见不认识的花花草草，我就用“花伴侣”、“形色”、“微软识花”等app查，对于准确度超过70%，且符合我认知范畴的，我就记下来，算是认识了。

再细致一些，我会通过植物名反查“中国植物志”，确定下这个科属的特征和当下的时节、生境和特征是否匹配，从而定种。

有时候，此类app查出来的结果，准确度不高，我只好自己把植物特征记下来，向植物大拿请教。大拿一指点，对这种植物的认识就深刻不少。

但我从来没想过这个认识植物的过程，我竟然应用到了当下的高科技（AI）及其热门分支（Deep learning）。

直到最近，我听了辰山植物园葛斌杰老师的《植物摄影》讲座。

恍然大悟！原来植物识别app的工作原理就是依靠大量的植物影像进行学习，对机器识别模型进行训练，从而进行判别，号称Deep Learning（深度学习）。

于是，我好奇地去查了“花伴侣”、“形色”、“微软识花”的软件介绍，还真是这样一个建模、训练的过程。

在此，必须给中科院植物研究所海量分类图库点个赞。因为这些丰富的植物图库，才让这些软件为大众提供了科普便利。

这些软件有应用的局限性，因为植物有生长季和蛰伏季，一直处于动态变化过程中，许多容易识别的器官，比如花，果等，一般在生长季出现，而营养器官为主的蛰伏期，留给人们可识别的信息量就少得多，要能一眼就认出，就困难得多。

于是，我就想，这些软件应该如何去改进呢？

无独有偶，两周前听了乐金鑫校友关于AI领域的投资经验分享，从寒武纪到产业链，从政府的产业布局到资金投入，确实是个金矿，当然已经站在风口上，吼吼。

乐校友提到了ReinforcementLearning（增强学习），我很好奇，这个能不能解决植物识别软件目前的缺陷呢？

有的文章说，Reinforcement Learning比Deep Learning先进，因为是对人脑科学和类脑智能的研究，这多玄乎啊。如今AI甚嚣尘上，大家就担心AI有完全替代人类的那一天呢。

最近一个月，我一直在反复读UCLA 朱松纯教授发表在《视觉求索》的一篇长文《浅谈人工智能：现状、任务、构架与统一》，写得非常好，观点很有颠覆性。

我在朱松纯教授的论述里找到了一部分答案。非常认同他的一个观点：现在的人工智能和机器人，关键问题是缺乏物理的常识和社会常识“Common sense”。

常识是我们在这个世界和社会生存的最基本的知识：（1）它使用频率最高；（2）它可以举一反三，推导出并且帮助获取其它知识。这个过程是没有大数据训练的，也没有所谓监督学习。这是与当前很多机器学习，特别是深度学习完全不同的机制。

机器人要与人交流，它必须懂得人类价值观。这个价值观，可以表达为一个利益函数。而增强学习（reinforcementlearning）就是去学习决策函数与价值函数的一种方法。

此外，机器人要与人共生共存必须理解人的团体的社会道德和伦理规范。所以说，这个认识伦理是机器人发展的必经之道。

挺有启发的，对不对？

他的论述中，反复提到一个例子“乌鸦利用斑马线砸碎坚果取食果肉”，这样一个系列的行为决策过程，是不是需要大量的训练数据？到底能不能实现完全自主的智能？

当然，他还借用了Shannon定理，来强调真正的学习是一个交互的过程。这个学习过程是建立在认知构架之上。

总之，很有意思。

经由利用AI软件来识别植物这个起点，我摸索着进入了AI的认知世界。

上述内容，主要是学习笔记。如果你对上述论题感兴趣，欢迎在后台留言，我们私聊。

与此同时，特别感谢辰山植物园 葛斌杰老师、复旦创投俱乐部 乐金鑫校友以及未曾谋面的UCLA朱松纯教授的知识分享。

注：题图照片由辰山植物园 葛斌杰老师提供，感谢支持！