雷鋒網按：六十年前初識計算機的時候，人們就在想：是否有一天我們可以創造出一種人工智能，達到甚至超越我們人類的智能水準。
幾十年過去了，ai 經過了幾個寒冬。我們仍然沒有了卻幾十年前的心願。今天，人工智能再一次火爆全球，我們似乎看到了人類科學正在加速沖向那個奇點。産業界和學術界都在不遺餘力地進行 ai 研究，甚至流行的美劇《西部世界》也在讨論人工智能。
站在今天的時點上，人工智能到底有什麼突破，未來的人工智能會向什麼方向前進呢？
四位人工智能界的泰鬥大牛在未來論壇2017年會的圓桌對話上發表了自己的看法。
他們分别是：
李飛飛 美國斯坦福大學計算機科學系終身教授、人工智能實驗室主任 李凱 普林斯頓大學 paul & marcia wythes 講席教授，美國工程院院士，未來論壇科學委員會委員 沈向洋 微軟全球執行副總裁，微軟人工智能及微軟研究事業部負責人，未來論壇理事 張钹 清華大學計算機系教授、中國科學院院士、清華大學智能技術與系統國家重點實驗室學術委員會名譽主任
【畫面從左至右分别為：主持人洪小文、李飛飛、李凱、沈向洋、張钹】
雷鋒網(公衆号：雷鋒網)在第一時間記錄整理了四位大牛的精彩發言。他們似如山巅上的先知，通過他們的預言，似乎可以窺見人工智能的下一個春天。
---
part1：對于目前人工智能的了解
大家都說人工智能可以做很多事情，我想先說說人工智能目前還不能做什麼。
人工智能學科從創立到現在，隻往前走了兩步。
以前人工智能隻是建立在數學模型的基礎上。而推理模型在數學模型的基礎上，把問題變成：如果可以把這個問題清晰地表述出來，用陳述性或過程性的語言，那麼計算機就能解決它。
當這個模型被提出來，人工智能解決問題的能力提高了一大步。這樣，可解的問題就遠比用數學表達的問題多得多。
實際上，當時對人工智能的估計過高。因為人們發現，能“清楚表達”的問題很少。及時是理性思考，有很多問題都不能表述。
這又讓人工智能向前邁了一步，而且這一步比前一步大得多。
之前，我們可以用計算機解決的問題是“知其然又知其是以然”的問題。而有了深度學習，我們也可以解決“知其然而不知其是以然”的問題。特别是可以解決感覺、視覺、聽覺等方面的問題，例如：張三長什麼樣子，這個實在是不好表述。
我們身邊充滿“說不清道不明”的問題，用新的深度學習技術可以解決很多這類問題。但是，我們的人工智能還沒有到頂峰。
目前的人工智能有三個限制條件。
1、确定性 2、完全的知識和資訊 3、封閉化、特定化的問題
一個典型的人工智能可以解決的問題就是：阿法狗下圍棋。
圍棋有着确定的規則和目标； 對方如何下子，盤面的資訊，完全可以知道； 而所有答案的可能性是一個封閉的。
處理帶有這三個限制條件的問題，計算機肯定比人類好。但是如果缺一個條件，計算機就非常難完成了。例如打橋牌，答案不是封閉的，計算機就很難做了。
一年以前，如果我和微軟小冰聊天。我說我叫張钹，小冰就會傻眼了。因為他沒有我的資訊。我如果說我是章子怡，小冰應該可以聊下去。是以，盡管小冰很厲害，但是和人的智能還是差得多。
深度學習目前有兩個很難克服的重要缺點：
1、魯棒性差。機器學習過的内容，和沒學習過的内容，在識别效果方面差距太大。例如一個模式識别系統，經過訓練可以很好地識别馬、牛、羊。你給它一塊石頭，它有可能認為是馬。 2、機器資料輸入和輸出結果差距太大。人的智能是舉一反三，而機器是舉一百反一。給幾百萬的資料，識别幾萬個目标。這和人類是背道而馳的。
是以，現在的人工智能還有很長的路要走。
很多朋友都知道我剛剛生了我們家的老二，還不到一歲大。
作為人工智能研究者，我很高興能體會當媽媽的感覺。之前張钹老師說感覺代表了很多“不知其是以然”的問題，在現在大規模資料标注的情況下，都可以解決。
我覺得人工智能的下一步應該是認知。
認知包括很多我們還不太清楚怎麼用數學和人工智能表達的。比如：知識系統的建立、情感的産生和交流、好奇心和創造力驅動的學習，還有 learning to learn。這些都是認知的範疇。
确實，我們人工智能又迎來了春天，但下面确實還有很長的路要走。
我認為下一步人工智能的發展，需要加強對情感，情緒的了解，要走進認知學，心理學。我說的不僅是腦科學，而是認知學。因為我們目前對人的情感了解非常少，而這對于人工智能來說是很重要的。
作為人工智能學者，能夠得到這麼多關注，我很高興。但是我也擔心這樣的“泡沫”會帶來什麼。如果是更多的機會和研發投入，當然是好事；如果是過度承諾或者不切實際的産品研究工作，可能會對這個領域有些不好的影響。
我參加過很多論壇，大家都在問：人工智能什麼時候能超過人？一般專家都會推斷通用人工智能超過人的時間，一定在他去世之後的某個時點，例如：五十年後。到了要驗證正确與否的時候，他已經不在了，也就不會有人追究他了。（笑）
但人們提出這個問題的時候，有一個假設條件，那就是：假定人自身的智能不再往前走了。
但是，實際上人的智能還是往前發展的。如果現在我們對人的大腦有了新的了解，就可以很快幫助我們提高自己的智能。而人堆大腦的了解，也可以幫助提高人工智能的水準。
深度學習，實際上是把我們對人腦神經網絡非常簡單的了解變成算法。然後加之以資料，發現智能效果很好。但是，這些人腦神經的隻是都是三四十年以前的知識。而我們在期待腦科學有新的突破，這些新的知識一定可以推進人工智能的一大步。是以說，智能這條路是很長很長的。無論對于機器，還是對人。
我在工業界工作，對人工智能的發展還是持非常樂觀的态度的。
雖然張钹老師講人工智能存在種種問題，但是我們現在有資料，有新的算法。我很相信，
五年之内，語音識别技術一定可以超過人； 十年之内，機器視覺一定比人好。
可以據此我們可以想象未來是怎樣的圖景。
站在今天來看，我們所有的商業應用都被颠覆了。從銷售市場，到人事招聘，到使用者服務，所有的商業環節都被 ai 改變了，是以從商業角度來看，我看到的是更多的機會。
part2：這次人工智能的複興，要感謝深度學習和大資料。那麼，深度學習到底是什麼，未來可以看到它怎樣的發展？為了人工智能的終極目标，除了深度學習意外，我們還需要哪些其他的研究方向？
五十年後的事情可能我說不清楚，但是我可以說說三五年之後的事情。很多人說究竟現在是人工智能的春天還是夏天？有人說春天，因為正在蓬勃發展。有人說夏天，因為有點熱過頭了。
但是我說現在是人工智能的秋天。秋天有兩個含義。
人工智能現在有果實可摘。為什麼我覺得很樂觀？因為我覺得人工智能所需的三個資源都是無限的。
1、大資料 2、算法 3、計算力
未來相當一部分人都會往這個方向去做，會在包括語音、圖像方面取得很好的成果。
做科學研究，我們要知道冬天要來了。這意味着我們要考慮下一個春天要播種什麼種子。也就是說，後深度學習時代，我們要搞什麼事。
說到腦科學。人腦有很多層次。其中的智能分布還有大量内容我們并不了解，這些從頂下下，側向連接配接等等模式，我們都還不了解。
目前，我們對腦科學隻學了一點，就有了這麼多成果。如果我們研究更多，一定會有更多的成果。基于對人腦的深度研究，結合神經科學和腦科學，我們要發展新的計算模型。
這兩個能力對于現在的人工智能是很重要的。現在為止驅動人工智能就有兩招：資料驅動和知識驅動。下面的發展就要把兩招結合起來。特别是自然語言處理，離不開知識驅動，隻靠資料是不夠的。
如果這兩個能做好，人工智能就會迎來下一個春天。
說到深度學習，“深度學習”大概在2006年被提出來，但是在2006年之前，“神經網絡”這個概念已經存在了二三十年。神經網絡領域裡，很重要的裡程碑是back-propagation。在九十年代，計算機視覺方面做出了
convolutinal neuron networks，今年的 deeplearning 基本是這個結構。
現在大部分成功的深度學習是神經網絡是有監督學習。有完全的資料标注以後做的。
很多人都在思考如何做無監督的學習，之前也有很多工具。深度學習革命性的一點是取代了對特征的加工。像之前的 svm，都是“engineering feature”，而深度學習是直接學習資料。
深度學習不操作資料本身，而是對結構本身進行操作。這就造成了一種感受，深度學習本身結構太複雜了，例如152層，1001層。這裡有巨大的空間，可以突破結構的層面。我認同張钹老師說的，資料和知識的結合。
現在我們的 ai 都是用邏輯的方法來判斷情感。因為邏輯代表 iq，而情感代表 eq。人類的情感是非常豐富的。未來，從情緒到情感，最是人工智能未來前進的方向。
任何工作都有近期和遠期。近期人工智能的發展，我很認同李飛飛講的，和深度學習有關。機器學習和以前的專家系統有一個非常不同的地方。專家系統是用軟體把人的知識寫到系統裡。機器學習輸入的是算法+知識，輸出的是程式。
我和李飛飛和做的時候，我們兩個是比較另類的的研究者。大多數人在算法上做，我們覺得應該發展知識。知識就相當于上學的時候的教科書。總要有人寫教科書。如果沒有人寫教科書的話，學習方法再好，老師再好，你學的是一年級的教科書，也不可能成為博士。是以我覺得很多領域都需要有人寫教科書。
學術界很多人的目标不是産生巨大的貢獻和影響力。需要寫很多文章，這樣可以拿到很多資金。我們做的時候沒有資金——申請的時候被拒絕了。
近期人工智能要想發展，一定需要有人做知識的積累和總結。
長遠來看，我認同兩位的意見，對人的大腦，人的智力是怎麼工作的，要有更多的了解。這樣才會幫助整個 ai 向前走。
我很贊同各位的說法。在商業上，接下來三五年毫無疑問 ai 可以幫助我們解決很多問題。但是秋天過了，冬天我們要做什麼呢？
我覺得有兩點。
第一點，我覺得資料很多、算法互通，确實是取之不盡的。但是在計算能力這件事上，我們應該更加重視。幾十年下來的摩爾定律，讓我們可以把人工智能做到了今天，這是非常了不起的飛速增長的五十年。但是工業界普遍會認為，計算能力會慢慢降下來。這也是大家為什麼都在非常認真地去做量子計算，也要到十年、十五年才能看到突破。
今天我們 ai 向前走必須要考慮的問題是：計算能力的瓶頸。
第二點，我們要考慮為什麼做 ai。是不是計算能力的增強，就一定會産生智能。從人腦的結構來看，我們應該定義一個小目标：利用符号學和深度學習做一些結合，希望在腦科學和人工智能結合上，解決幾個了不起的問題。我自己想要解決三個和人腦息息相關的病。
兒童孤獨症 中年憂郁症 老年癡呆症
人工智能如果能解決這三個問題，就是相當了不起的成就。
有關計算能力方面我想做一下補充。
同樣的一個題目，在我們腦裡解決一點不費勁，為什麼在計算機裡面就要這麼多的計算資源來弄？我們要思考的是這個問題，而不是拼命加快計算機。
我覺得，正是因為我們過去走的這條路，迫使我們必須加快計算力。我的觀點是，我們過去做的計算機，從空間結構來講是最簡單的，馮·諾依曼結構。而大腦的空間結構最複雜。你想用一個空間結構最簡單的東西去做空間結構複雜的工作，它花去的代價就是計算時間的增加。世界上沒有免費的午餐。
過去我們使用大量的計算時間來換取同樣的結果，現在能不能改變思路。把計算機做一下改變，例如 ibm 公司正在做，讓神經網絡的複雜度提高，換來能耗和時間的降低。
至于量子計算，我覺得不要指望，量子計算不可能代替現在的計算機。我們要在現在的計算機基礎上進行改造，也就是研究是不是能夠加快計算機的運作。
本文作者：史中