深度丨譚鐵牛院士談人工智慧發展新動態
轉自 中國科學院自動化研究所
【導讀】11月25日，模式識別與人工智慧學科前沿研討會在自動化所召開。會上，譚鐵牛院士做“人工智慧新動態”報告，回顧了近代以來歷次科技革命及其廣泛影響，
以下內容由楊紅明、張煦堯根據譚鐵牛院士報告整理。
在科學研究中，從方法論上來講都應先見森林，再見樹木。為了更好地帶領大家認識人工智慧的發展趨勢，報告回顧了近代世界科技發展的歷史進程，主要包括從16世紀到現在，世界上發生的兩次科學革命與三次技術革命。
報告指出，
最近的一次科技革命是一次技術革命，其開始於上世紀四十年代，
報告認為，科學沉寂了大概60多年，新一輪的科技革命正處於孕育過程中並且已經曙光可見。新一輪的科技革命會是一次技術革命，而且人工智慧有望引領這一輪新的技術革命。
報告還回顧了人工智慧60多年的發展過程，並指出應該從曲折的發展過程中吸取教訓，不要給人工智慧設置不切實際的過高目標，尤其是在人工智慧特別火爆的時候。報告指出，這兩年人工智慧有些過火，應降降溫，回歸理性。
圖1 人工智慧發展歷程
報告分析了人工智慧的發展現狀，指出現有進展主要體現在專用人工智慧方面，而且現有人工智慧仍存在一些局限性，將其總結為以下四點：有智慧沒智慧，有智商沒情商，會計算不會“算計”，有專才無通才。
報告進一步分析並給出了造成這些局限的瓶頸問題，這些瓶頸問題主要包括：
（1）資料瓶頸：深度學習需要大量的資料；
（2）泛化瓶頸：這是模式識別、電腦視覺、人工智慧方法面臨的一個共同的問題，現有方法在一些實際問題中仍無法取得理想的泛化性能，或者訓練好的模型用在變化的環境或領域其泛化性能明顯下降；
（3）能耗瓶頸：人的大腦儘管是一個通用的人工智慧系統但是能耗很低（只有20瓦），但現有電腦上實現的人工智慧系統能耗很高；
（4）語義鴻溝瓶頸：目前語言服務大多為簡單查詢，不涉及語義推理問題，缺乏真正的語言理解能力，比如一些有歧義的自然語言句子，人很容易根據上下文或常識理解其真正含義，電腦卻很難理解；
（5）可解釋性瓶頸：現有人工智慧系統都是知其然而不知其所以然，其過於依賴訓練資料，缺乏深層次資料語義挖掘。報告指出，可解釋性非常重要，人工智慧不僅要知其然還要知其所以然，知其然只是淺層智慧，知其所以然才叫深層智能；
（6）可靠性瓶頸：現有人工智慧系統可靠性較差，有些錯誤識別結果會帶來致命後果，比如2016.7特斯拉自動駕駛（Autopilot）功能不能正確識別反光條件下的卡車導致致命車禍。
報告指出，正是因為現在還有這麼多瓶頸需要突破，所以人工智慧還有很多局限，人工智慧還有很多不能，有些事情人工智慧可能永遠都不能。基於此，報告列舉了當前各界關於人工智慧的一些炒作和誤解，並對其進行了反駁與澄清，這對我們正確認清人工智慧現狀有重要的指導意義。
儘管人工智慧有一些炒作和誤解，但不能否認人工智慧在今年又取得了巨大的進步。報告列舉和解讀了2017年人工智慧值得關注的事件。這些事件涵蓋了國家政策、學術界、產業界、社會科學領域等各個方面，全方面、多維度地為我們展現了人工智慧2017年所取得的新進展。這些事件具體包括：
（1）中國政府發佈《新一代人工智慧發展規劃》，這一消息不僅在國內備受關注，在國外也引發了很大關注；
（2）Nature發表DeepMind的圍棋人工智慧新成果AlphaGoZero （2017年10月，AlphaGoZero不需棋譜資料和先驗知識，通過強化學習演算法創新以100:0戰勝AlphaGo），其探索了特定應用中不依賴領域資料，通過自我學習獲得強大推理決策能力的人工智慧技術發展新路線；
（3）Science發表概率生成模型RecursiveCortical Network，在驗證碼識別任務上超越了深度學習方法，其意義在於試圖探尋一條非深度學習框架的通用人工智慧道路，實際上也是試圖從大腦的機制中尋找啟發；
（4） Hinton提出的Capsule網路新概念，探索對傳統神經網路的變革思路，該方法希望提高資料的使用效率，同時朝著建設可解釋的人工智慧系統來提供思路，並試圖把相互關聯的多模態的資訊做統一的表達；
（5）穀歌、微軟分別發佈創作AI演算法的AI系統AutoML和DeepCoder（穀歌CEOSundar Pichai在2017年I/O 大會展示了AutoML，試圖通過自動創建機器學習系統降低AI人員成本；2017年2月微軟研究院與劍橋大學合作成果DeepCoder：一種能根據問題的輸入輸出自動編寫解題程式的演算法），譚老師認為如果這方面取得成功將是革命性的變化，但其取代人工智慧研究者不太可能；
（6）Google、Microsoft、百度、IBM等科技巨頭全面轉型人工智慧發展戰略，比如2017穀歌I/O大會明確提出發展戰略從“Mobilefirst”轉向“AIfirst”；
（7）百度Apollo計畫開放自動駕駛平臺，提供一套完整的自動駕駛軟硬體和服務的解決方案，將會對全球自動駕駛產業發展產生深遠影響；
（8）寒武紀發佈人工智慧晶片和系列產品，AI晶片在華為Mate10手機得到成功應用，這對於AI晶片大規模進入消費級市場具有標誌性意義；
（9）曠視科技等創業公司刷新人工智慧融資紀錄，表明人工智慧技術巨大的產業發展潛力；
（10）《Nature》開始關注人工智慧社會倫理問題，808名科研人員簽署23條“阿西洛馬人工智慧原則”，推動人工智慧健康發展。
圖2 簡單膠囊網路CapsNet
通過詳盡整理與深入分析人工智慧領域中值得關注的熱點事件，報告進一步探索和總結了人工智慧發展的新動向、新趨勢以及一些值得關注的研究方向。
報告還分享了以下內容並對其做了細緻的解讀，主要包括以下方面：
（1）從專用人工智慧到通用人工智慧是大勢所趨，一些科技巨頭包括國家機構都在佈局通用人工智慧的研究，比如GoogleDeepMind創始人DemisHassabis宣佈朝著“創造解決世界上一切問題的通用人工智慧”這一目標前進，微軟成立人工智慧實驗室以挑戰通用人工智慧為主要目標；
（2）可解釋的人工智慧系統備受關注，也將成為突破統計學習瓶頸問題的一個重要方向。DARPA的報告裡面把過去幾十年人工智慧技術的發展和創新分成幾個波次，第一個波次是基於規則的，例如以專家系統為代表的系列方法和技術；第二個波次就是當前以大資料驅動為代表的統計學習；同時，他們認為第三個波次很可能是可解釋的人工智慧，就是人工智慧要知其然還要知其所以然，以此可見人工智慧可解釋性的重要意義；
（3）小樣本甚至零樣本學習成為提高人工智慧系統泛化能力的一個重要方向。最近提出的生成對抗網路、膠囊網路、生成模型等都是為了降低對訓練資料的需求，提高人工智慧系統泛化能力的有益嘗試；
（4）非深度神經網路計算模型成為機器學習創新的一個重要方向。當前深度學習理論基礎薄弱、模型結構單一、資源消耗過高、資料依賴性強，以非神經網路、資源節約型機器學習模型有望成為下一個突破口；
（5）腦科學與人工智慧深度融合、協同發展、相得益彰，IBM的TrueNorth晶片、美國DARPA的MICRONs研究項目、以及最近Science和Nature雜誌上發表的一些受腦啟發的智慧計算模型都是這方面的典型例子；
（6）人機混合智慧是未來的主流智慧形態。隨著人工智慧的發展，機器會從作為我們的工具提升成為我們的夥伴和合作者，這是一個發展趨勢；
（7）情感計算使人工智慧更有“溫度”。譚老師認為情感計算方面一定會受到越來越多的關注，因為只有情感，人工智慧才更有溫度，更善解人意；
（8）人工智慧產業生態系統的構建成為競爭的制高點。眾多科技巨頭不斷相繼發佈他們的平臺，實際上就是想構建生態和佔領生態，從而為自己企業未來發展搶佔先機，這是一種戰略的謀劃和佈局；
（9）AI的普適應用將重塑人類經濟社會的格局，因為AI帶來的影響是深遠的，不一定要等到通用人工智慧實現的那一天，專用人工智慧就已經帶來了一些革命性的變化。人工智慧將是未來十年最具變革性的技術，無處不在的人工智慧將成為趨勢；
（10）人工智慧科技教育將面向社會大眾普及，國務院《新一代人工智慧發展規劃》指出實施全民智慧教育專案，在中小學階段設置人工智慧相關課程，逐步推廣程式設計教育，鼓勵社會力量參與寓教於樂的程式設計教學軟體、遊戲的開發和推廣；
（11）人工智慧的社會影響將會受到更加廣泛的關注，人工智慧社會學和倫理的研究提上議事日程。
《Science》2017年發表一篇新型生成式組成模型RCN，使用小樣本學習在CAPTCHA驗證碼識別上獲突破性進展，遠遠超過深度學習模型。
報告總結指出：2017年人工智慧在國家規劃、創新理論、技術應用、產業生態、企業融資、倫理規範等方面都取得重要進展；人工智慧未來發展值得關注的方向包括通用智慧、類腦智慧、可解釋的智慧、人機混合智慧、情感智慧等，需要著力突破在資料、能耗、泛化性能、可解釋性、可靠性等方面的瓶頸問題；現有人工智慧的發展水準雖然還遠不足以威脅人類的生存，但其社會影響應得到高度重視。
報告分析了人工智慧的發展現狀，指出現有進展主要體現在專用人工智慧方面，而且現有人工智慧仍存在一些局限性，將其總結為以下四點：有智慧沒智慧，有智商沒情商，會計算不會“算計”，有專才無通才。
報告進一步分析並給出了造成這些局限的瓶頸問題，這些瓶頸問題主要包括：
（1）資料瓶頸：深度學習需要大量的資料；
（2）泛化瓶頸：這是模式識別、電腦視覺、人工智慧方法面臨的一個共同的問題，現有方法在一些實際問題中仍無法取得理想的泛化性能，或者訓練好的模型用在變化的環境或領域其泛化性能明顯下降；
（3）能耗瓶頸：人的大腦儘管是一個通用的人工智慧系統但是能耗很低（只有20瓦），但現有電腦上實現的人工智慧系統能耗很高；
（4）語義鴻溝瓶頸：目前語言服務大多為簡單查詢，不涉及語義推理問題，缺乏真正的語言理解能力，比如一些有歧義的自然語言句子，人很容易根據上下文或常識理解其真正含義，電腦卻很難理解；
（5）可解釋性瓶頸：現有人工智慧系統都是知其然而不知其所以然，其過於依賴訓練資料，缺乏深層次資料語義挖掘。報告指出，可解釋性非常重要，人工智慧不僅要知其然還要知其所以然，知其然只是淺層智慧，知其所以然才叫深層智能；
（6）可靠性瓶頸：現有人工智慧系統可靠性較差，有些錯誤識別結果會帶來致命後果，比如2016.7特斯拉自動駕駛（Autopilot）功能不能正確識別反光條件下的卡車導致致命車禍。
報告指出，正是因為現在還有這麼多瓶頸需要突破，所以人工智慧還有很多局限，人工智慧還有很多不能，有些事情人工智慧可能永遠都不能。基於此，報告列舉了當前各界關於人工智慧的一些炒作和誤解，並對其進行了反駁與澄清，這對我們正確認清人工智慧現狀有重要的指導意義。
儘管人工智慧有一些炒作和誤解，但不能否認人工智慧在今年又取得了巨大的進步。報告列舉和解讀了2017年人工智慧值得關注的事件。這些事件涵蓋了國家政策、學術界、產業界、社會科學領域等各個方面，全方面、多維度地為我們展現了人工智慧2017年所取得的新進展。這些事件具體包括：
（1）中國政府發佈《新一代人工智慧發展規劃》，這一消息不僅在國內備受關注，在國外也引發了很大關注；
（2）Nature發表DeepMind的圍棋人工智慧新成果AlphaGoZero （2017年10月，AlphaGoZero不需棋譜資料和先驗知識，通過強化學習演算法創新以100:0戰勝AlphaGo），其探索了特定應用中不依賴領域資料，通過自我學習獲得強大推理決策能力的人工智慧技術發展新路線；
（3）Science發表概率生成模型RecursiveCortical Network，在驗證碼識別任務上超越了深度學習方法，其意義在於試圖探尋一條非深度學習框架的通用人工智慧道路，實際上也是試圖從大腦的機制中尋找啟發；
（4） Hinton提出的Capsule網路新概念，探索對傳統神經網路的變革思路，該方法希望提高資料的使用效率，同時朝著建設可解釋的人工智慧系統來提供思路，並試圖把相互關聯的多模態的資訊做統一的表達；
（5）穀歌、微軟分別發佈創作AI演算法的AI系統AutoML和DeepCoder（穀歌CEOSundar Pichai在2017年I/O 大會展示了AutoML，試圖通過自動創建機器學習系統降低AI人員成本；2017年2月微軟研究院與劍橋大學合作成果DeepCoder：一種能根據問題的輸入輸出自動編寫解題程式的演算法），譚老師認為如果這方面取得成功將是革命性的變化，但其取代人工智慧研究者不太可能；
（6）Google、Microsoft、百度、IBM等科技巨頭全面轉型人工智慧發展戰略，比如2017穀歌I/O大會明確提出發展戰略從“Mobilefirst”轉向“AIfirst”；
（7）百度Apollo計畫開放自動駕駛平臺，提供一套完整的自動駕駛軟硬體和服務的解決方案，將會對全球自動駕駛產業發展產生深遠影響；
（8）寒武紀發佈人工智慧晶片和系列產品，AI晶片在華為Mate10手機得到成功應用，這對於AI晶片大規模進入消費級市場具有標誌性意義；
（9）曠視科技等創業公司刷新人工智慧融資紀錄，表明人工智慧技術巨大的產業發展潛力；
（10）《Nature》開始關注人工智慧社會倫理問題，808名科研人員簽署23條“阿西洛馬人工智慧原則”，推動人工智慧健康發展。
圖2 簡單膠囊網路CapsNet
通過詳盡整理與深入分析人工智慧領域中值得關注的熱點事件，報告進一步探索和總結了人工智慧發展的新動向、新趨勢以及一些值得關注的研究方向。
報告還分享了以下內容並對其做了細緻的解讀，主要包括以下方面：
（1）從專用人工智慧到通用人工智慧是大勢所趨，一些科技巨頭包括國家機構都在佈局通用人工智慧的研究，比如GoogleDeepMind創始人DemisHassabis宣佈朝著“創造解決世界上一切問題的通用人工智慧”這一目標前進，微軟成立人工智慧實驗室以挑戰通用人工智慧為主要目標；
（2）可解釋的人工智慧系統備受關注，也將成為突破統計學習瓶頸問題的一個重要方向。DARPA的報告裡面把過去幾十年人工智慧技術的發展和創新分成幾個波次，第一個波次是基於規則的，例如以專家系統為代表的系列方法和技術；第二個波次就是當前以大資料驅動為代表的統計學習；同時，他們認為第三個波次很可能是可解釋的人工智慧，就是人工智慧要知其然還要知其所以然，以此可見人工智慧可解釋性的重要意義；
（3）小樣本甚至零樣本學習成為提高人工智慧系統泛化能力的一個重要方向。最近提出的生成對抗網路、膠囊網路、生成模型等都是為了降低對訓練資料的需求，提高人工智慧系統泛化能力的有益嘗試；
（4）非深度神經網路計算模型成為機器學習創新的一個重要方向。當前深度學習理論基礎薄弱、模型結構單一、資源消耗過高、資料依賴性強，以非神經網路、資源節約型機器學習模型有望成為下一個突破口；
（5）腦科學與人工智慧深度融合、協同發展、相得益彰，IBM的TrueNorth晶片、美國DARPA的MICRONs研究項目、以及最近Science和Nature雜誌上發表的一些受腦啟發的智慧計算模型都是這方面的典型例子；
（6）人機混合智慧是未來的主流智慧形態。隨著人工智慧的發展，機器會從作為我們的工具提升成為我們的夥伴和合作者，這是一個發展趨勢；
（7）情感計算使人工智慧更有“溫度”。譚老師認為情感計算方面一定會受到越來越多的關注，因為只有情感，人工智慧才更有溫度，更善解人意；
（8）人工智慧產業生態系統的構建成為競爭的制高點。眾多科技巨頭不斷相繼發佈他們的平臺，實際上就是想構建生態和佔領生態，從而為自己企業未來發展搶佔先機，這是一種戰略的謀劃和佈局；
（9）AI的普適應用將重塑人類經濟社會的格局，因為AI帶來的影響是深遠的，不一定要等到通用人工智慧實現的那一天，專用人工智慧就已經帶來了一些革命性的變化。人工智慧將是未來十年最具變革性的技術，無處不在的人工智慧將成為趨勢；
（10）人工智慧科技教育將面向社會大眾普及，國務院《新一代人工智慧發展規劃》指出實施全民智慧教育專案，在中小學階段設置人工智慧相關課程，逐步推廣程式設計教育，鼓勵社會力量參與寓教於樂的程式設計教學軟體、遊戲的開發和推廣；
（11）人工智慧的社會影響將會受到更加廣泛的關注，人工智慧社會學和倫理的研究提上議事日程。
《Science》2017年發表一篇新型生成式組成模型RCN，使用小樣本學習在CAPTCHA驗證碼識別上獲突破性進展，遠遠超過深度學習模型。
報告總結指出：2017年人工智慧在國家規劃、創新理論、技術應用、產業生態、企業融資、倫理規範等方面都取得重要進展；人工智慧未來發展值得關注的方向包括通用智慧、類腦智慧、可解釋的智慧、人機混合智慧、情感智慧等，需要著力突破在資料、能耗、泛化性能、可解釋性、可靠性等方面的瓶頸問題；現有人工智慧的發展水準雖然還遠不足以威脅人類的生存，但其社會影響應得到高度重視。