四位人工智能界的泰斗大牛关于人工智能的理解与预言

六十年前初识计算机的时候，人们就在想：是否有一天我们可以创造出一种人工智能，达到甚至超越我们人类的智能水平。

几十年过去了，AI 经过了几个寒冬。我们仍然没有了却几十年前的心愿。今天，人工智能再一次火爆全球，我们似乎看到了人类科学正在加速冲向那个奇点。产业界和学术界都在不遗余力地进行 AI 研究，甚至流行的美剧《西部世界》也在讨论人工智能。

站在今天的时点上，人工智能到底有什么突破，未来的人工智能会向什么方向前进呢?

四位人工智能界的泰斗大牛在未来论坛2017年会的圆桌对话上发表了自己的看法。

他们分别是：

李飞飞 美国斯坦福大学计算机科学系终身教授、人工智能实验室主任
李凯 普林斯顿大学 Paul & Marcia Wythes 讲席教授，美国工程院院士，未来论坛科学委员会委员
沈向洋 微软全球执行副总裁，微软人工智能及微软研究事业部负责人，未来论坛理事
张钹 清华大学计算机系教授、中国科学院院士、清华大学智能技术与系统国家重点实验室学术委员会名誉主任

【画面从左至右分别为：主持人洪小文、李飞飞、李凯、沈向洋、张钹】

雷锋网在第一时间记录整理了四位大牛的精彩发言。他们似如山巅上的先知，通过他们的预言，似乎可以窥见人工智能的下一个春天。

---

Part1：对于目前人工智能的理解

---

张钹：举一百反一的人工智能和人类背道而驰

大家都说人工智能可以做很多事情，我想先说说人工智能目前还不能做什么。

人工智能学科从创立到现在，只往前走了两步。

第一步，是符号表示和推理模型。

以前人工智能只是建立在数学模型的基础上。而推理模型在数学模型的基础上，把问题变成：如果可以把这个问题清晰地表述出来，用陈述性或过程性的语言，那么计算机就能解决它。

当这个模型被提出来，人工智能解决问题的能力提高了一大步。这样，可解的问题就远比用数学表达的问题多得多。

实际上，当时对人工智能的估计过高。因为人们发现，能“清楚表达”的问题很少。及时是理性思考，有很多问题都不能表述。

第二步，就是深度学习、数据驱动的方法。

这又让人工智能向前迈了一步，而且这一步比前一步大得多。

之前，我们可以用计算机解决的问题是“知其然又知其所以然”的问题。而有了深度学习，我们也可以解决“知其然而不知其所以然”的问题。特别是可以解决感知、视觉、听觉等方面的问题，例如：张三长什么样子，这个实在是不好表述。

我们身边充满“说不清道不明”的问题，用新的深度学习技术可以解决很多这类问题。但是，我们的人工智能还没有到顶峰。

目前的人工智能有三个限制条件。

1、确定性
2、完全的知识和信息
3、封闭化、特定化的问题

一个典型的人工智能可以解决的问题就是：阿法狗下围棋。

围棋有着确定的规则和目标;
对方如何下子，盘面的信息，完全可以知道;
而所有答案的可能性是一个封闭的。

处理带有这三个限制条件的问题，计算机肯定比人类好。但是如果缺一个条件，计算机就非常难完成了。例如打桥牌，答案不是封闭的，计算机就很难做了。

一年以前，如果我和微软小冰聊天。我说我叫张钹，小冰就会傻眼了。因为他没有我的信息。我如果说我是章子怡，小冰应该可以聊下去。所以，尽管小冰很厉害，但是和人的智能还是差得多。

深度学习目前有两个很难克服的重要缺点：

1、鲁棒性差。机器学习过的内容，和没学习过的内容，在识别效果方面差距太大。例如一个模式识别系统，经过训练可以很好地识别马、牛、羊。你给它一块石头，它有可能认为是马。

2、机器数据输入和输出结果差距太大。人的智能是举一反三，而机器是举一百反一。给几百万的数据，识别几万个目标。这和人类是背道而驰的。

所以，现在的人工智能还有很长的路要走。

李飞飞：人类的认知学，是人工智能下一步发展的突破口

很多朋友都知道我刚刚生了我们家的老二，还不到一岁大。

作为人工智能研究者，我很高兴能体会当妈妈的感觉。之前张钹老师说感知代表了很多“不知其所以然”的问题，在现在大规模数据标注的情况下，都可以解决。

我觉得人工智能的下一步应该是认知。

认知包括很多我们还不太清楚怎么用数学和人工智能表达的。比如：知识系统的建立、情感的产生和交流、好奇心和创造力驱动的学习，还有 learning to learn。这些都是认知的范畴。

确实，我们人工智能又迎来了春天，但下面确实还有很长的路要走。

我认为下一步人工智能的发展，需要加强对情感，情绪的了解，要走进认知学，心理学。我说的不仅是脑科学，而是认知学。因为我们目前对人的情感理解非常少，而这对于人工智能来说是很重要的。

作为人工智能学者，能够得到这么多关注，我很高兴。但是我也担心这样的“泡沫”会带来什么。如果是更多的机会和研发投入，当然是好事;如果是过度承诺或者不切实际的产品研究工作，可能会对这个领域有些不好的影响。

李凯：人工智能发展，人的智能也在发展

我参加过很多论坛，大家都在问：人工智能什么时候能超过人?一般专家都会推断通用人工智能超过人的时间，一定在他去世之后的某个时点，例如：五十年后。到了要验证正确与否的时候，他已经不在了，也就不会有人追究他了。(笑)

但人们提出这个问题的时候，有一个假设条件，那就是：假定人自身的智能不再往前走了。

但是，实际上人的智能还是往前发展的。如果现在我们对人的大脑有了新的了解，就可以很快帮助我们提高自己的智能。而人堆大脑的了解，也可以帮助提高人工智能的水平。

深度学习，实际上是把我们对人脑神经网络非常简单的理解变成算法。然后加之以数据，发现智能效果很好。但是，这些人脑神经的只是都是三四十年以前的知识。而我们在期待脑科学有新的突破，这些新的知识一定可以推进人工智能的一大步。所以说，智能这条路是很长很长的。无论对于机器，还是对人。

沈向洋：十年之内的人工智能可以想象

我在工业界工作，对人工智能的发展还是持非常乐观的态度的。

虽然张钹老师讲人工智能存在种种问题，但是我们现在有数据，有新的算法。我很相信，

五年之内，语音识别技术一定可以超过人;

十年之内，机器视觉一定比人好。

可以据此我们可以想象未来是怎样的图景。

站在今天来看，我们所有的商业应用都被颠覆了。从销售市场，到人事招聘，到用户服务，所有的商业环节都被 AI 改变了，所以从商业角度来看，我看到的是更多的机会。

Part2：这次人工智能的复兴，要感谢深度学习和大数据。那么，深度学习到底是什么，未来可以看到它怎样的发展?为了人工智能的终极目标，除了深度学习意外，我们还需要哪些其他的研究方向?

张钹：人工智能到了秋天

五十年后的事情可能我说不清楚，但是我可以说说三五年之后的事情。很多人说究竟现在是人工智能的春天还是夏天?有人说春天，因为正在蓬勃发展。有人说夏天，因为有点热过头了。

但是我说现在是人工智能的秋天。秋天有两个含义。

一：秋天是收获的季节，我们有很多成果。

人工智能现在有果实可摘。为什么我觉得很乐观?因为我觉得人工智能所需的三个资源都是无限的。

1、大数据
2、算法
3、计算力

未来相当一部分人都会往这个方向去做，会在包括语音、图像方面取得很好的成果。

二、说秋天，是因为冬天就在前头。

做科学研究，我们要知道冬天要来了。这意味着我们要考虑下一个春天要播种什么种子。也就是说，后深度学习时代，我们要搞什么事。

第一点是脑科学。

说到脑科学。人脑有很多层次。其中的智能分布还有大量内容我们并不了解，这些从顶下下，侧向连接等等模式，我们都还不了解。

目前，我们对脑科学只学了一点，就有了这么多成果。如果我们研究更多，一定会有更多的成果。基于对人脑的深度研究，结合神经科学和脑科学，我们要发展新的计算模型。

第二点是理性思考和感性。

这两个能力对于现在的人工智能是很重要的。现在为止驱动人工智能就有两招：数据驱动和知识驱动。下面的发展就要把两招结合起来。特别是自然语言处理，离不开知识驱动，只靠数据是不够的。

如果这两个能做好，人工智能就会迎来下一个春天。

李飞飞：情绪、情感，是人工智能未来的方向

说到深度学习，“深度学习”大概在2006年被提出来，但是在2006年之前，“神经网络”这个概念已经存在了二三十年。神经网络领域里，很重要的里程碑是back-propagation。在九十年代，计算机视觉方面做出了 Convolutinal neuron networks，今年的 Deeplearning 基本是这个结构。

现在大部分成功的深度学习是神经网络是有监督学习。有完全的数据标注以后做的。

很多人都在思考如何做无监督的学习，之前也有很多工具。深度学习革命性的一点是取代了对特征的加工。像之前的 SVM，都是“Engineering Feature”，而深度学习是直接学习数据。

深度学习不操作数据本身，而是对结构本身进行操作。这就造成了一种感受，深度学习本身结构太复杂了，例如152层，1001层。这里有巨大的空间，可以突破结构的层面。我认同张钹老师说的，数据和知识的结合。

现在我们的 AI 都是用逻辑的方法来判断情感。因为逻辑代表 IQ，而情感代表 EQ。人类的情感是非常丰富的。未来，从情绪到情感，最是人工智能未来前进的方向。

李凯：人工智能最需要“教科书”

任何工作都有近期和远期。近期人工智能的发展，我很认同李飞飞讲的，和深度学习有关。机器学习和以前的专家系统有一个非常不同的地方。专家系统是用软件把人的知识写到系统里。机器学习输入的是算法+知识，输出的是程序。

我和李飞飞和做的时候，我们两个是比较另类的的研究者。大多数人在算法上做，我们觉得应该发展知识。知识就相当于上学的时候的教科书。总要有人写教科书。如果没有人写教科书的话，学习方法再好，老师再好，你学的是一年级的教科书，也不可能成为博士。所以我觉得很多领域都需要有人写教科书。

学术界很多人的目标不是产生巨大的贡献和影响力。需要写很多文章，这样可以拿到很多资金。我们做的时候没有资金——申请的时候被拒绝了。

近期人工智能要想发展，一定需要有人做知识的积累和总结。

长远来看，我认同两位的意见，对人的大脑，人的智力是怎么工作的，要有更多的了解。这样才会帮助整个 AI 向前走。

沈向洋：先定个小目标：用人工智能治愈脑疾病

我很赞同各位的说法。在商业上，接下来三五年毫无疑问 AI 可以帮助我们解决很多问题。但是秋天过了，冬天我们要做什么呢?

我觉得有两点。

第一点，我觉得数据很多、算法互通，确实是取之不尽的。但是在计算能力这件事上，我们应该更加重视。几十年下来的摩尔定律，让我们可以把人工智能做到了今天，这是非常了不起的飞速增长的五十年。但是工业界普遍会认为，计算能力会慢慢降下来。这也是大家为什么都在非常认真地去做量子计算，也要到十年、十五年才能看到突破。

今天我们 AI 向前走必须要考虑的问题是：计算能力的瓶颈。

第二点，我们要考虑为什么做 AI。是不是计算能力的增强，就一定会产生智能。从人脑的结构来看，我们应该定义一个小目标：利用符号学和深度学习做一些结合，希望在脑科学和人工智能结合上，解决几个了不起的问题。我自己想要解决三个和人脑息息相关的病。

儿童孤独症
中年忧郁症
老年痴呆症

人工智能如果能解决这三个问题，就是相当了不起的成就。

张钹：计算机的空间结构极其简单，大脑的空间结构极其复杂

有关计算能力方面我想做一下补充。

同样的一个题目，在我们脑里解决一点不费劲，为什么在计算机里面就要这么多的计算资源来弄?我们要思考的是这个问题，而不是拼命加快计算机。

我觉得，正是因为我们过去走的这条路，迫使我们必须加快计算力。我的观点是，我们过去做的计算机，从空间结构来讲是最简单的，冯·诺依曼结构。而大脑的空间结构最复杂。你想用一个空间结构最简单的东西去做空间结构复杂的工作，它花去的代价就是计算时间的增加。世界上没有免费的午餐。

过去我们使用大量的计算时间来换取同样的结果，现在能不能改变思路。把计算机做一下改变，例如 IBM 公司正在做，让神经网络的复杂度提高，换来能耗和时间的降低。

至于量子计算，我觉得不要指望，量子计算不可能代替现在的计算机。我们要在现在的计算机基础上进行改造，也就是研究是不是能够加快计算机的运行。