「高考作文」共和國，我為你拍照｜AI命題：展望2049中國人工智慧
新智元報導
2017年6月7日，高考恢復40周年。
2017北京高考作文題其中一個命題是 “共和國,我為你拍照”，題目寫道：“2049年，我們的共和國將迎來百年華誕。屆時假如請你拍攝一幅或幾幅照片來顯現中華民族偉大復興的輝煌成就，你將選擇怎樣的畫面？請展開想像，以‘共和國，我為你拍照’為題，寫一篇記敘文。要求：想像合理，
如果新智元參加本屆高考，會寫出怎樣的一份答卷？
巧合的是，5月25日端午節前夕，新智元每月一次的學術產業領袖閉門論壇“新智元百人會”在北京舉行。本次百人會以“2049年人工智慧未來展望”為主題，話題的切入點是未來三十年人工智慧可能的突破點，以及它將給我們社會生活各方面帶來的變化。
對這一話題，
開場——AlphaGo再勝；2020 年 60% 的機器學習會被四家公司壟斷；新的歷史時刻已經到來。
王田苗（會議主講人，北京航空航太大學機器人研究所名譽所長、教授）：首先非常感謝在端午節前夕，新智元組織發起，雅瑞資本做東，十分高興邀請到各位大咖參加“2049人工智慧未來展望”項目研討會。該專案是由中國科協與中國電子學會嵌入式系統與機器人分會組織，由北航、清華等高校參加，還有兩個重量級的媒體參與。一個是新智元，
楊靜是我非常好的朋友，我也好，雅瑞資本也好，
楊靜（新智元創始人兼CEO）：這幾天是AI的新歷史時刻，今天柯潔第二盤中盤又敗北，輸給了AlphaGo。據我所知DeepMind CEO 明天就去深圳了，跟騰訊洽談。DeepMind 表面上跟柯潔下棋，實際在販賣穀歌的一整套系統，包括它的 TPU雲和一整套深度學習 AI 的技術體系，想把 BAT、華為、中國移動這些企業都納入到它的體系當中去。新智元有一篇稿子提醒大家注意，2020 年 60% 的機器學習會被四家公司壟斷，穀歌、微軟、亞馬遜、IBM。穀歌的企圖更大，柯潔說“我看到了一個圍棋的上帝”，柯潔在圍棋的專業評分裡面是3260分，AlphaGo 2.0版是 4500 分，而且用的計算力只是原來的1/10，去年打李世石是兩台機櫃的TPU，那時候TPU已經生產出來了，秘密在用，但是只不過今年才發論文而已。72個研究者參與這篇論文的寫作，歷史上沒有見過這麼多人合作一篇論文。這就是一個大公司的壟斷優勢。今年中國的主題也是人工智慧。對於中國大腦的投入，未來五年要投 100 億或者 200 億，但跟企業的研發投入相比，這就是九牛一毛，華為一年的研發經費600億，BAT 都是 100 億左右的規模。國家未來有很多基金。昨天有一些不好的消息，穆迪給中國降級了，高盛說我們的債務高於公佈債務的60%，地方債的情況還是很嚴重的，人民幣有貶值壓力，但是企業還是挺爭氣的，阿裡巴巴也有一個 NASA 計畫。
關於未來20年，估計明天馬雲還會有新的闡述，他們在人工智慧方面下了很大力氣，包括阿裡雲。還有騰訊，騰訊在6月底有一個騰訊雲未來峰會，請到 Michael Jordan，還有圖靈獎的獲得者。在通用人工智慧方面，這裡面是一個最大的分歧。到底通用人工智慧會不會實現，多長時間會實現？今年戰勝柯潔的 DeepMind 的 CEO Demis 說10年研發出來，Jeff Dean 說 15 年能實現。到 2049 年還有 32 年，人機融合、人工智慧會有什麼樣的發展？希望大家就此話題暢所欲言，展開對未來前景的預測，探討中國的AI+ 會有什麼樣的未來。非常感謝大家在端午節前夕參與這個討論。
幾位嘉賓的自我介紹
魏晨光（中國移動研究院副院長）：人工智慧，以前我們覺得它是一個實驗室裡面的技術，而現在漸漸走向實用。中國移動是傳統電信運營商，未來怎麼讓移動網路更智慧地服務使用者需求，這是我們一直在思考的問題。我們非常珍惜今天這樣的學習機會。
何暉光（中國科學院自動化研究所研究員）：我來自中科院自動化所類腦智慧研究中心，我的研究方向包括醫學影像處理，類腦計算，腦-機介面等，目前關注的一個工作是在電腦視覺和生物視覺之中找到一些聯繫。
鄧志東（清華大學電腦系教授）：我一直在清華大學電腦系智慧技術與系統國家重點實驗室工作，主要從事人工神經網路、自動駕駛、機器人等。現在專注於深度卷積神經網路，還有深度強化學習。在自動駕駛方面，則強調深度學習在自動駕駛中的應用。
馬康煒（新智研究院 戰略合作部 副主任）：大家好。新智研究院隸屬於新奧集團。新奧集團佈局了能源環保、文化健康、互聯網這三大產業板塊，每個板塊中都有自己的研究院。“從資料到智慧，從智慧到創新產業價值”是新智研究院的企業使命。我們致力於通過領先的人工智慧和大資料技術，為消費側和供給側的傳統企業和互聯網企業賦能，是一家推動相關產業或業務實現智慧升級的領先型技術研究與孵化機構。
黃華明（中信建投證券股份有限公司 投資銀行總監）：我們中信建投非常關注人工智慧在各個垂直行業的應用，專注於比較前沿技術的公司，這次主要來學習。
鄧侃（大數醫達 CTO）：我叫鄧侃，以前在CMU讀書讀了七年，方向就是機器人和人工智慧。我現在做什麼事情？搜集全國的三甲醫院優質病例，挖掘臨床路徑，用最少的化驗和檢查，最低的成本搜集足夠的但是最少量的病情分析，然後用於支持臨床診斷。
主題演講——人工智慧與機器人發展展望2049
王田苗：這個項目實際是一個展望，由電子學會、北航、機器人雜誌社還有新智元聯合開展，機器人雜誌社偏重智慧硬體機器人，新智元更偏重於人工智慧，偏重於軟體和思考。
關於框架確實比較難預測，一般來說叫宏觀展望，也不能說是戰略研究、路線圖，這只是一個展望。
首先，AI 的含義很重要，內涵、定義，還有理論和技術上的突破，應用突破、社會可能的影響。
我們很希望我們的“2049展望”分這五部分。其中計算和理論的突破確實不清楚，需要楊靜來牽頭和大家一起探討。理論上的突破可能會在哪兒，會不會在腦科學、類生命體，會不會在整個學習推理以及行為等等，還有生物感知、大資料，還有真有人的情感，以及實現這種技術上的作業系統、晶片、介面。
未來20年、30年人工智慧推動這些領域的變化可能是哪些？國家安全、智慧製造、金融、汽車、醫療、智慧城市、服務家庭。這種技術和理論突破、社會形態、產業結構、生活的改變情形是什麼？
下面是關於 2049 我自己的思考，不太成熟，跟大家分享一下。
社會形態是怎麼發生變化的？我的理解，社會形態變化，有可能是源於我們的產業變化，也可能是源於產品變化。從蒸汽機、汽車、飛機、電腦、晶片到空間站，都是這樣。為什麼會有這個看法？人的需求和人的內在影響社會變革。
比如說過去，由於安全問題出現了國王，出現了軍隊，因為打獵打不上，饑餓以後引出了農業貿易。最後因為物質產品缺乏出現了工業城市以及商務，工業出現競爭，競爭出現了自動化，出現了機器人。健康也一樣，通信、電腦、航空，娛樂業都是這樣，還有分享。社團組織就是分享，意味著什麼？真是供給側，產品過剩了，工業品弱化了，這麼理解才知道為什麼歐洲工業在衰落，因為它不需要，汽車也有了，房子也有了，電視有了，空調也有了。需要旅遊需要吃飯需要分享需要社區。就像我們說的就業失業，30年後不排除會不會工作只三天，另外兩天在家工作，社會形態就發生了變化。
你不能回避這個週期，中國很幸運，在90年代初期，華為也好還是聯想也好，用友、TCL、科隆都是那個時代創業的，2001年中國加入WTO，互聯網、房地產和汽車拉起來了，這是世界的，在這個節點上中國每次都搶住了機會，從2010年全球第六名，2015年一下子變成第一名。
現在是低谷，後面整個世界經濟復蘇可能會對人工智慧其它方面構成很大的變化。導火索：2013年世界各個國家領導人引進顛覆世界的變革，人工智慧有知識自動化、有雲計算，都屬於這個範疇，當時這裡面沒有人工智慧，自動化定義來說是這樣寫的：科技改變世界。
有人覺得未來整個經濟振興其實就是技術革命和全球貿易的自由，企業要市場化自由，國家要自由，才能復蘇。
這裡面引出排序一到五名超級的股票，從01年到06年，科技確實在改變著市值，GE、微軟、美孚，花旗銀行、沃爾瑪，後面沃爾瑪就沒有了，2011年美孚上來了，蘋果、中國石油、殼牌、中國工商銀行，又過了五年，全是科技公司。
技術革命和自由的貿易實際貫穿整個發展過程。技術的革命靠科研投入。現在有兩個現象，國家不斷投入，企業投入比國家政府還多。這裡面顯現出中國、歐洲、日本和美國，中國上升還是很快的。這裡是投入的經費在 GDP 中的百分比。
在這樣的前提下，大家覺得這個時代到來了。大家還是有一些爭論的。人工智慧由於它是軟體它是智慧，它是大資料物聯網造成的，所以它從toB直接進入toC，機器人會很慢，安全、法律、成本都是原因。
高盛對人工智慧未來幾大領域和幾大關鍵技術的報告，農業、金融、醫療健康、零售業、能源，機器人，人工智慧，從自然語言理解到培訓到語音到網路到傳感以及到視覺等等，人工智慧像電，人工智慧將來像付費的電一樣，付費就能買人工智慧解決方案，可能會在消費，可能會在產業，可能會在新金融上（應用），這是人們現在所思考的。
我自己學習包括分類包括思考的結果是，近五年、後十年的變化，原來是ERP，現在是商業智慧。
工業機器人用的快，特種機器人將來可能是服務而不是銷售，從幹細胞到精准機器人。toC 上手機智慧終端機，將來就是可穿戴式，不帶手機，無處不在。
底下的這塊是軟體，上面是有形的可以摸得到，現在普遍認為人工智慧軟體應用最快的是金融，其次是醫療、監控、零售業還有家庭物聯網、遠端教育，到了後面可能就是變成一個公共的服務內容，從銀行到餐館，從對話到自然語音翻譯，從家庭物聯網到工業物聯網。
從未來看，現在我們理解 AI 的應用已經出現了，比如生活服務秘書、秘書助理、泛娛樂等等。
謝謝！
展開——人工智慧目前最成熟的部分是深度卷積神經網路和深度強化學習；未來三到五年最有可能突破的是半監督的方法。
楊靜：下面我們就2049的議題展開討論。近期人工智慧和深度學習的突破點，包括技術上面和學術層面上面可能的突破點，我們先聊三到五年內人工智慧學術和產業可能發生的變化，能不能邀請鄧志東教授先來做一個分享。
鄧志東：人工智慧的核心是深度學習，包括兩部分，深度卷積神經網路和深度強化學習。這兩部分目前是最成熟的部分，可以做產品開發和產業發展了。但這兩部分本身也有局限。
深度卷積神經網路現在湧現出許多極其成功的例子，包括人臉識別等。什麼叫人工智慧？迄今有許多定義。幾十年了，都說自己的方法是智慧的，智慧這個詞已經說的很大眾化了，誰都說自己是智慧的。那什麼是真正的人工智慧？這個問題比較大，但還是可以說清楚。
如果說人工或機器智慧接近于人類水準——達到或超過就更不用說了，那我們就可以說它是真正具有智慧的。把簡單的邏輯判斷稱之為智慧顯然是不科學的。在現階段，在所有演算法中，只有大資料驅動的深度卷積神經網路，還有深度強化學習，確確實實達到了人類水準，甚至超過了人類水準。
基於深度強化學習的 AlphaGo 明顯比人類棋手強。應用於垂直細分領域的深度卷積神經網路也是一樣。現在發現根本不需要LSTM之類的遞迴神經網路，純粹用深度卷積神經網路實現的遞迴神經網路就可超過傳統的語言建模方法和結合LSTM的方法。最近Facebook發佈的神經機器翻譯系統就僅用了純粹的深度卷積神經網路，比原來的方法速度提高了九倍。深度卷積神經網路和深度強化學習，這兩個是比較成熟的，實實在在的，確實是智慧的東西，接近于人類水準或者超過人類水準。
第三次人工智慧的復興不是虛幻的，不是泡沫，是實實在在的進步，至少有上述兩個革命性的進展，其他前沿技術目前還在探索。
前沿技術探索這塊，未來三到五年最有可能出現突破的就是半監督的方法。對半監督的需求很強烈，現在深度卷積神經網路很好，但是它有缺點，即依賴於完備的大資料，沒有大資料餵食就不可能達到人類水準，這是很明顯的。但是獲得完備的大資料，付出的代價太大，很多應用場景可能得不到，比如把全世界的火車照片都搜集起來，這是不可能的事。我們希望能夠做一些小資料、小樣本或小標籤的半監督學習，資料不大，但是還能夠達到人類水準。
我們做過很多實驗，人為地去掉一半甚至去掉1/4的標籤資料去訓練深度卷積神經網路，希望網路能夠具有舉一反三的能力，通過小樣本或小資料的學習同樣能夠達到人類水準。這部分不管是利用生成式對抗網路，還是與傳統統計機器學習方法的結合，或者與認知計算方法的結合，總之難度較大。人不完全是基於特徵提取的，我們看到了土狗的照片，從來沒見過藏獒、寵物狗，但通過舉一反三就能夠識別出來。這靠什麼？靠推理。人類靠推理獲得更強的泛化能力。我們現在的深度卷積神經網路是靠多級多層的特徵提取，如果特徵提取不好，這個識別結果就不好，達不到人類水準。總之，特徵提取要好就必須要有完備的大資料。但不管怎麼樣，具有推理能力的半監督或者無監督的深度卷積神經網路三到五年會有突破。
通用人工智慧這部分需要的時間更長，三到五年能不能突破不知道，但是意義非常重大。
事實上，兩件事情的意義都很重大。如果半監督、無監督（學習）突破之後，很多行業應用包括人工智慧場景研發都會快速推進。現在很難得到完備的大資料，付出的代價太大。實際應用時一般通過資料反覆運算、演算法反覆運算向前推進。從這個角度來說，AlphaGo中體現的深度強化學習代表著更大的希望。因為它也是基於深度卷積神經網路的，包括以前用的13層網路，現在用的40層卷積神經網，替代了以前的淺層全連接網路，它帶來的能力提升是很顯著的。為什麼它更有意義？首先它有決策能力，決策屬於認知，這已經不僅僅是感知智慧了。其次AlphaGo依賴的僅僅是小資料的監督學習。3000萬的6-9段人類職業棋手的棋局，對人類來說已經是大資料了，但對圍棋本身的搜索空間來講則是一個小資料。不管柯潔還是聶衛平，一輩子可能都記不住3000萬個棋局，但19x19的棋盤格上，因每個交叉點存在黑子、白子或無子三種情況，其組合數或搜索空間之巨大，超過了全宇宙的粒子數。對如此複雜度的棋局變化，人類的3000萬個已知棋局真的就是一個小資料！AlphaGo首先通過深度監督學習，學習人類的3000萬個棋局作為基礎，然後利用深度強化學習，通過自我對弈、左右互搏搜索更大的棋局空間，是人類3000萬棋局之外的棋局空間，這就使AlphaGo 2.0下出了很多我們從未見過的棋譜或者棋局。總之，深度強化學習有兩大好處，它給出的是決策，跟認知聯繫起來。第二，它不依賴於大數據。這就是前面說的半監督和無監督學習方法。AlphaGo 深度強化學習會非常火，因為它是在認知層面上進行探索，而且不完全依賴大資料，意義重大，魅力無窮。相信深度強化學習非常有潛力繼續向前發展，將大大擴展其垂直應用領域。但是它本身並不是一個通用人工智慧。AlphaGo 只能下圍棋不能同時下中國象棋、國際象棋，因此還只是專注於一個點上面的。
實現通用人工智慧，把垂直細分領域變寬或者實現多工而不是單任務學習，對深度神經網路而言，不知道這部分有沒有什麼樣的技術途徑可以往前走，但是肯定要與符號主義的認知智慧結合。
從腦科學的角度去做當然是可能的途徑之一。但短時間之內未必能夠把大腦的高級智慧活動搞清楚。現在的人工智慧復興，真實的突破不是靠腦科學推動的，完全是因為卷積神經網路模型，這很早就有了，還有大資料、GPU的發展，這有時代的進步，歷史的偶然。腦科學的發現也帶來了進展，比如IBM利用脈衝神經網路把類腦晶片的功耗大大降了下來，當然這僅是一個工程問題，而且神經元的脈衝回應，早就寫入了教科書，是常識，不是現在的腦計畫剛剛發現的。總之，未來人工智慧是不是靠腦科學推動不知道，因為腦科學本身在短時間之內未必能取得很大的突破。
通用人工智慧沒有很好的線索往前走，原因一是因為神經網路本身是黑箱式的，二是因為傳統的卷積神經網路不能完成多工學習。可以考慮跟符號主義的認知智慧結合，但必須是在新的起點上，即在已有感知智慧的基礎上，利用更高層次的自主學習而非以往的規則設計來進行。
事實上，人類的技巧性規則也是通過自主學習獲得的。一個司機從駕校畢業到開了幾十萬公里變成很有經驗的老師傅，整個過程其實是通過長期訓練得到的，駕駛技巧或規則被模糊分割得越來越細，對緊急情況的處理，也拿捏得越來越細膩與及時，但是這些規則，其實只能意會不可言傳，很難被總結為基於規則的專家系統。總之，這些規則是通過學習得到的，不是靠人工設計的。希望基於深度卷積神經網路和深度強化學習，與認知智慧結合，在更高的層次上進行學習，實現規則的學習以及更高認知細微性的學習推理。從某種意義上說，認知水準的推理或能獲得更強的泛化能力。例如，我們倒車入庫的時候不是都靠感知，如果後面因盲區看不見，我們就靠推理，看車的後視鏡跟側方泊車差不多平行，不用感知智慧，靠認知智慧也能把車停好。
王田苗：兩個AlphaGo打，這個趨勢是什麼趨勢？是什麼結果？
鄧志東：看誰學的多，誰學的時間長。AlphaGo都出自同一家公司，就靠概率了。如果是騰訊的絕藝和AlphaGo就有的一拼。
王田苗：AlphaGo和AlphaGo打會是平局？
鄧志東：其實就是它們平時訓練時的一次自我對弈而已，可能有勝負，與開始佈局或初始條件有關，靠概率。
鄧侃：不一定平局，圍棋是決定性的，如果你能算出來每一步的話，誰先落子誰贏，按照現在的規則。除非你的規則偏了，因為那是決定性的game，完全是靠規則，規則偏一點那就是決定性。
深化——AI 的壟斷和人工資料的可靠性；
王田苗：AlphaGo完全超過人類了，假設我們把AlphaGO放到金融上，這個世界上最後的炒股師是不是就是一個AlphaGo？
鄧志東：不會，你可以自己做AlphaGo。
王田苗：這種智慧會不會快速聚焦到幾個系統？我們現在都是散戶炒來炒去。
鄧志東：有可能，比演算法或技術先進，還要比大資料。大資料是基礎，必須要有基礎，然後再做深度強化學習。
楊靜：中國沒有一家能夠跟這四家（指上文提到的穀歌、微軟、亞馬遜、IBM）一個量級，還沒有。
王田苗：對中國來說，只要不開放資料，（它們）就打不過中國？
楊靜：你擁有的資料仍然是小的，我們上個月在阿裡開4月論壇，提到一個問題，現在頂級會議裡面1/3的論文都是生成式對抗網路，這裡面生成式對抗網路往往要用上億資料，這樣在調資料的時候也非常困難。這裡面指出來，得自己生成資料，現有的資料對它來說不夠用，積累的資料是一塊，未來生成的資料又是更大的一塊。我們所謂說的資料優勢，首先人本來是一個優勢，但是現在恐怕柯潔這個案例說明人也不是優勢。再來說資料有優勢，可以生成新的資料，而且新的生成資料品質可能比人的資料品質要高。
鄧侃：下圍棋可以對抗，這個沒問題，但有一些很難用類比的資料來教機器學習，醫療就是一個例子，不能模擬給某一個虛擬患者吃什麼藥，模擬他有什麼生理反應，模擬再做一個手術診斷，那沒有意義。
王教授提出一個非常好的命題，如果說到技術壁壘的時候，那對於中國來講，在大資料和人工智慧領域裡面，中國的防火牆等等，是不是事實上形成了一 種行業壁壘？我的看法，我們可能要換一個說法，不是說我有壁壘，而是說我們中國應該引領全球，為全球的人工智慧做出更大的貢獻。DeepMind 跟我講，我的東西非常先進，你這兒的資料有3.7億病例，能不能合作？前提條件是保護中國醫療資料的安全，這個是紅線。我問過衛計委的官員，問過大牌醫院的院長，有沒有可能在保護資料安全的前提之下跟全球的頂級公司合作？當然是可以的。為什麼不可以？“一帶一路”中國要走出國門，“一帶一路”高鐵引領、網路方面華為跟在後面，如果咱們的中國醫療隊也上去了，這是多好的事情！改一下王老師的提法，不是說壁壘，而是我們正好有這個優勢，我們要引領全球的發展，要“一帶一路”。
鄧志東：現在的方法還是依賴大資料，沒有帶標籤的大資料肯定不行。即使是深度強化學習也是有條件的，AlphaGo2015年跟樊麾，2016年跟李世石，首先把人類三千萬的棋譜基於監督學習表達成深度卷積神經網路的連接權，相應表現為基礎性的價值網路和策略網路，之後的深度強化學習不是完全盲目隨機搜索的，它利用了這兩個深度卷積神經網路的泛化能力作為啟發式知識，通過降低搜索寬度和深度進行自我對弈，利用深度強化學習進一步完成新的棋局的探索。大資料要求完備性和真實性，其中真實性非常重要。如果是虛擬的資料，就看應用場景了，通常未必能行。
金融領域——在我們這裡，搞金融和搞 AI 的人根本不結合
張瑞君（雅瑞資本創始人）：國與國的競爭，以前靠武器，現在靠金融，金融一旦侵入或者金融壟斷之後，一下子就把國庫搞垮了，比如2008年的金融危機。
我們國家金融方面前不久的股災，一堆人在救，我們政府在救，國家隊在救，其實無濟於事，出現千股跌停、千股漲停、千股複盤的現象。AI今後對金融影響最大，那麼我們現在非常榮幸，有很多做人工智慧的專家在這兒，我們對這塊怎麼思考？一開始的時候，整個資訊化在中國應用時，中國是很落後的。有一些覺醒的人做中國的財務軟體，使得這塊應用突飛猛進發展。
特別需要指出，搞人工智慧搞資訊技術的人往往不去關注金融和產品應用。現在又到了一個時點，搞人工智慧的人搞技術的人常常把我們的視角和注意力放在工業等等很多方面，金融是不是需要考慮？怎麼考慮的？這是一個社會問題。
鄧志東：金融安全事關國家全域戰略安全，涉及到經濟社會發展的大局。金融大資料很多是結構化和半結構化資料，表格定制的資料多，資料品質非常好，特別適合於大資料人工智慧的應用。
現在的主要問題在哪裡？兩張皮，搞金融的人不懂人工智慧，搞人工智慧的沒有金融大資料，主要就是這個問題。
張瑞君：我看到，像美國人工智慧專家開始進駐金融去研究，取得很多的成果，IBM 的沃森也開始搞這一塊。
在我們這裡，金融和搞AI的人根本不結合，沒有看到我們國家有這樣一些突飛猛進的發展，不知道未來會是什麼。
鄧侃：我給楊老師發了一張照片，瑞銀幾年前的交易大廳和現在的交易大廳，很震撼。人工智慧的的確確是能夠在金融行業發揮巨大作用。第二個問題，為什麼在中國還沒有看到這種天翻地覆的變化，雖然有第四範式這樣的公司在嘗試。作為一個創業人，我也跟他們比較熟，說句直白的話，我們的金融業行業壁壘非常高。
人工智慧技術本身確確實實在金融業發揮巨大的作用，但在特殊的環境之下，想在金融裡面做人工智慧創新確確實實不太容易。
鄧志東：包括上海富國基金等都有人工智慧金融團隊，還有初創企業，半年來我至少接觸過好幾個團隊，而且搞得相當深入，諮詢都做到了調結構調參數的程度。
楊靜：證監會有一個金融科技委員會，我也算其中一個成員，目前無論是區塊鏈還是自動交易，我們都在做，而且相關的創業公司也不少，人工智慧的金融領域，用深度學習來做金融服務其實是IBM、微軟最大的業務方向。另外，百度做了很長時間。阿裡螞蟻金服搞的就是這套。金融是一個天然會用AI的領域，全都是資料，是最標準化的，有很多公開資料。
鄧志東：這方面全世界做的最好的是高盛，是人工智慧金融的標杆。
腦科學與AI——深度神經網路學習好的網路框架結構是固定的，大腦識別則是一個動態的過程
何暉光：關於智慧的本質是什麼？它怎麼測量，怎麼評價，這些問題基本上現在都不是很清楚。
智慧目前實現的兩個手段，一個是深度學習+大資料，另外一個是類腦智慧。
中科院專門成立了腦科學與智慧技術卓越中心，以上海神經所和自動化所牽頭，其目的是想將神經科學家和人工智慧的科學家彙聚在一起探索。剛才鄧老師說的，深度學習在很多領域都取得成功，但是它其實還有一些缺陷，比如深度學習依賴於大資料，它不是小樣本學習，而且是專用的人工智慧。你用下圍棋的模型去下象棋又得重新學，缺乏舉一反三的能力。包括魯棒性不夠，你學習出很好的模型，把對抗樣本的一個參數稍稍調整一下，人眼都能識別出來，但是它會識別錯。基於這方面的考慮，怎麼從大腦思考的過程中學到一些經驗，通過這個經驗去引導深度網路的結構建模是一個重要的研究方向。腦科學對電腦領域也有幾個比較重要的啟發。像HMAX模型，還有非經典感受野等，即使拿增強學習來說，也是在生物學中間首先提出來，並得到驗證，在大腦裡面存在獎賞回路，有多巴胺的分泌，如果做對了的話，大腦會感到興奮。
怎麼從大腦研究當中得到一些啟發，5月8號中科院學部專門組織了一個腦科學與智慧技術論壇，討論相關問題。目前深度神經網路學習好的網路框架結構是固定的，大腦識別則是一個動態的過程，如果能夠把將大腦的認知過程引入的話肯定有更好的效果。現在的模式識別是在建立一種映射的聯繫，是靜態的映射，我看到一個人遠遠地過來，我可能先看到他的背影，看他走路的姿態，然後逐步去判斷和識別。而不是先去提取一些特徵，然後再做分類，再做識別。其實在很多年前，模式識別和控制聯繫非常緊密，我們要做的這塊確實是要把模式識別和控制包括動力系統等結合起來。
鄧侃老師剛才有一句話，我做一個回應，鄧老師說“神經網路生成很多資料，醫學上生成資料沒有意義”。這個我有一點不同意見，你的生成資料，比如手術類比，能夠更好地去引導你怎麼做手術。即使是製藥，通過一些模型，通過計算藥物的反應是什麼，通過建立一套模型，也是可計算可模擬的。建立一個計算系統或者類比系統，和人的系統兩者互相啟發，通過大腦研究的模型去引導人工智慧的神經網路構建，反過來通過人工得到生成的資料或者得到一些好的經驗，可以引導更好地去研究大腦，這樣的話就可以促進這兩個學科的發展。
王田苗：泛泛來說，無論是機器還是智慧，有兩條線，人的智慧和現實中的智慧型機器，你會發現外在可能實現同樣的功能，但內在大不一樣。電腦深度學習，人腦不是這樣的。我們拿機器來說，人是靠肌肉的，現實是靠電機的。用機器能耗很高，用人腦觸發就很低。這個會匯合，還是現實中走來走去還走不到一起，只是外在相似？
何暉光：目前電腦體系是馮諾依曼體系，計算存儲分開，現在IBM的TrueNorth晶片是模仿神經元突觸的連接，計算和存儲合二為一。
鄧志東：腦科學很尷尬。現代腦科學的研究有四個層次，一是在神經生物大分子層次，也就是從神經分子生物學，從神經細胞中的DNA、RNA、蛋白質這個極微觀的角度研究腦的結構與功能，國外這是一個很火的專業。第二個層次是神經細胞或神經元水準，迄今已發展60年的人工神經元網路就是在這個層次。第三個層次是功能模組，例如外側膝狀體（LGN）、V1、V2、V4、AIT、皮層功能柱等。第四個層次是回路、通路水準，例如視覺通路、聽覺通路、體感通路和運動通路等，特別是多個通路的整合。以前僅在細胞這個層次開展工作，只見樹木不見森林。現在大家都知道不能只走細胞層次，得走功能模組、回路、通路及其整合。為什麼比較尷尬？因為通路的底層還比較清楚，一到高層的智慧活動就搞不清楚，很多認知機理都不清楚，比如高級視皮層的回饋機制，前額葉的整合機制等，因為它們與其他通路及模組的連接太複雜了。
王田苗：類腦晶片識別率是不是低於卷積神經網路？
鄧志東：類腦晶片在應用于識別問題時使用的就是深度卷積神經網路，只不過晶片本身使用了脈衝或發放神經元，可以有效降低加速器晶片的功耗。神經元產生的是脈衝（spiking），而且還可以用Hodgkin-Huxley神經元動力學方程進行描述，這一工作獲得了1952年的諾貝爾獎，早已成為利用數學模型解釋神經生理學實驗結果的典範。
何暉光：我們最近做的一個工作比較有意思，可以通過掃描大腦的資料，將他看到的圖像重建出來，這個工作被MIT Technology Review頭條報導。相當於你去看一個圖片，你的大腦有一個反應，然後我們通過大腦的反應，將看到的這個圖片重建出來，目前重建只能是簡單的數位或者符號。其實大腦裡面它對這個目標識別的過程確實是層級化的過程，比如說重建的時候拿V1的資訊重建得比較好，但是如果重建這個圖片的語義資訊那就需要用到IT區的資訊，利用IT區的資訊，可以較好的識別究竟是一個杯子還是手機。
楊靜：大腦計畫有沒有目標，三年五年達成什麼樣的結果？
何暉光：中國腦計畫已經通過了人大審議，可能到明年3月份（能啟動），這個計畫其實從2013 年就開始提了，現在人工智慧2.0走在前面了。
楊靜：原來是說中國大腦計畫和人工智慧2.0兩翼齊飛，腦科學和人工智慧是軟硬體結合，但是現在腦科學這邊有點滯後了，到現在沒正式啟動。北京的腦計畫已經做了，上海也有，國家的話還沒有。
智慧醫療——從體制內幫助體制完善
王田苗：鄧總，關於人工智慧在醫療上確實是很大的發展，機器學習識別癌症。你擔不擔心法律、安全的問題？醫療大資料這個事情肯定有局限性，你剛才說的那句話——最小資料，但是最有代表性的實例，比如對各個醫院來說，突然出現互聯網，一卡不能共用，對醫院打擊很大。會不會？
鄧侃：第一個問題，中國有醫療法，規定醫生必須和患者面對面，才有下處方的權利。第二，合法的場所在診所，不能跑到咖啡店去。第三，你下的處方，你的藥，必須24小時之內到達患者手裡。這個東西和人工智慧沒有矛盾的地方，人工智慧在學術界稱之為 CDS，Clinical Decision Support，幫助人類提高生產率。
三院有某某醫生，每天忙死了，大概看一百兩百個患者，每星期忙死了，不睡覺也只有24小時，但是想找他的人很多，這是典型的供給側問題。我有一個電腦把他以往的病例全挖出來，經過基本整理，配一個團隊，極大的擴大了名醫工作的能力，這是第一個問題。
第二，中國是極端的醫療資源不平衡。為什麼全國人民跑到北上廣看病？如果供給側極大地提高醫生的水準，這是一個極好的事情。
王田苗：人工智慧對於醫學的變革，包括精准度，確實起到很大的作用，這會不會由於法律問題會制約發展？我內部瞭解過報告，GOOGLE 就罵美國衛生部法律不改，其實它掌握最準確的東西。比如吃藥的效果不同，哪個藥的效果好，包括X片的識別，它不敢做應用，法律上說會你的原始資料從哪兒來的，資料是不是合法的？會追溯這個。
鄧侃：第一是臨床診斷臨床決策，第二個是實施的臨床路徑。有兩種方法，馬雲或者GOOGLE這種大腕兒經常會說，七年之內醫生要失業一半，把人都嚇死了。拿業界的話說，這叫體制外顛覆體制內，這是典型的互聯網思維。拿互聯網的新武器，這基本感覺像當年的西班牙人扛著槍跑到南美洲，把印第安人轟走了，這是那種顛覆。我們的看法是，這個路徑是很危險的。裡面有兩個不尊重，第一，我們對人體的瞭解還是有限的。剛才這位老師說能不能模擬人體？我不看好。很多藥廠跟我們談，能不能從病例當中分析療效？很難。到目前為止，用各種探測手段，我們對代謝、藥物吃下去發生什麼過程搞不清楚，剛才說的思路是對的，能不能做一個數位人體來類比整個過程？原子彈爆炸都能模擬，為什麼人體不能模擬？真的是這樣。核聚變我知道是怎麼回事，人體怎麼吃東西的真不知道。所有體制外顛覆體制內的言辭，我覺得說實話，從我個人角度來講有點傲慢。我們對人體不瞭解，你怎麼能說顛覆？這是第一個事情。
第二個不尊重。人類醫生有很大的問題是所謂經驗，我們到目前為止對什麼叫經驗其實不太清楚，但是有一種直覺，模模糊糊可能是深度學習當中的觸發函數，一種假設。誰能證明這件事情？有一些言論從體制外顛覆體制內，表現出對醫生行醫經驗的不尊重，到底是什麼經驗我們真不知道。
兩個問題之下，比較穩妥的方案，我們從體制內幫助體制完善，而不是一下子把人給掀了。
王田苗：現有的方法會不會替代？
何暉光：為時尚早，我從99年開始做醫學圖像，跟很多醫生打交道，以前醫生看片子拿膠片，我們研發PACS系統去説明醫生看片，現在我們研發電腦輔助診斷系統，我們所做的工作都只能是輔助醫生診斷，絕對代替不了醫生。
智慧醫療——人工智慧前進的三個方向
王田苗：體系結構會不會顛覆？我們現在所有的演算法還是工程方法，資料和計算是分開的。
鄧志東：一個是大資料智慧，一個是生物智慧，並行在走的。
王田苗：人工智慧走的快一些，生物智慧模擬走的慢。
何暉光：晶片上現在也有一些進展。
鄧志東：今天人工智慧的成就真是歷史的偶然，遊戲的發展讓我們有了強勁的GPU，移動互聯網與雲平臺讓我們有了大資料，加上以前的演算法，都是很偶然的事情。卷積神經網路演算法，也只是從腦科學中獲得借鑒或啟發。
何暉光：神經網路去代替醫生，我覺得還很遙遠。
鄧志東：腦科學在神經細胞層次做，相當於置身森林裡，對每個樹進行研究，意義不大，必須對整個森林進行研究。細胞層次太低，要努力達到功能模組和整個通路的層次，甚至是各個通路整合的層次。
王田苗：這個結構出不來，意味著體積和能耗無法替代。人的智能消耗多少瓦？晶片的計算能力沒有可對比性，單項超過人，綜合的不可能。
何暉光：智慧的產生有可能是在相互連接神經元的連接過程中間可能產生。
楊靜：柯潔五年3300打到3600，AlphaGo五個月從0打到4500。
王田苗：單項集合，下圍棋的搞一個晶片，下象棋的搞一個晶片，結合起來。
何暉光：這是目前研究的方向，通用人工智慧。
楊靜：通用人工智慧不僅能下棋，也能看病，也能開車。
何暉光：DeepMind 有一個工作，是把記憶模組加到神經網路裡面，他們把記家族譜系作為一個外部的知識引擎，後來把這個模型擴展到倫敦地圖裡。
鄧志東：目前的深度學習方法只有識別能力沒有理解能力，沒有語義是一個很大的問題，這塊也是它有別於人的缺陷之一。
王田苗：假設在人工智慧理論上，想突破的三個方向是什麼？未來人工智慧的應用，理論上有GOOGLE公開了，學習演算法不用了，這個已經沒有門檻了，實際誰有強資料就能佔領制高點，這是第一個結論。這個事情制約了理論，剛才說有了資料、開源分析，多加幾個清華、北大的人才就可以了。
鄧志東：對產業來說確實就是這樣。
何暉光：門檻降低，我們在學術界很尷尬，這些資料基本都是在BAT。
王田苗：人工智慧前進的三個方向是哪三個方向？
鄧志東：從人工智慧產品開發與產業發展的角度來講，從某種意義上說，“人工智慧+”就是“大資料+”，關鍵是怎麼選擇特定的應用場景，方便得到大資料，而且容易對大資料進行清洗和標籤，這是一個方面。對研究機構來講，則是前沿技術的探索，我覺得可以做如下三個方向的研究：
第一個方向，半監督、無監督（學習）。前面說過，一是利用深度強化學習，二是先在其他同類大資料上進行模仿式的監督預訓練，然後再進行小樣本監督學習。那是否還有更好的半監督、無監督深度卷積神經網路方法？
第二個方向，通用人工智慧，也可以叫基於深度神經網路的多工學習。
第三個方向，與知識圖譜的結合或者與認知智慧的結合，也就是基於學習的連接主義與符號主義的結合。
王田苗：第三個方向，會不會又回到過去的人工規則的老路？
鄧志東：不是，這是建立在新的起點之上。以前完全是懸浮在符號層面進行規則的人工設計，現在有了感知智慧帶來的“模式”識別能力，而且即使在符號層面，也都是基於學習進行的，比如使用LSTM等遞迴神經網路，利用大資料或小樣本。
何暉光：我補充一個——群體智慧。
鄧志東：那個目前就是做啟發式全域優化計算。粒子群、蟻群、狼群等各種群體智慧方法都寫到教科書裡了，許多方法上個世界90年代就有了，只不過近期一篇Science論文現在又火起來，但怎麼去做“群體”智慧而不是優化計算，還需要深入思考。
何暉光：我們討論的過程中會有智慧的湧現。
楊靜：這就是我們這個論壇的意義所在了。為什麼不呆到黑屋子裡面想，要開一個會？因為會有智慧湧現出來。
何暉光：各人的專業背景不一樣，在交流的過程中間互相啟發。
在開放複雜的巨系統中，解決問題的方法論就是人機結合的體系，但是它是一個方法論。我讀博士的時候，沒有深刻的體會，現在做相關工作 20 年之後，發現我們所做的東西都是在這個體系架構中間。
能源——能源大腦的構建
馬康煒：新奧集團本身是傳統企業，在這個時代下，在快速擴張發展的過程中，必須關注人工智慧大資料和行業大資料。我們涉及的產業非常多，除了能源，還涉及到醫療、健康、新能源等，積累了很多資料。以前這些資料固化存在，只是一個記錄而已，並沒有活化起來。現在希望通過人工智慧注入到企業把資料重新活化。説明傳統行業創建新的業務模式。通過新的業務模式，實現對傳統行業的智慧升級。
去年我參加AVS會議，和包括海康威視、清華、中科院的專家探討IoT 相關標準和視頻標準化制訂的工作。相信在不久的未來，IoT標準化之後，更多資料將互聯互通。5G時代的到來，將推動資料互聯的飛躍式發展。
未來方向的主旋律都將圍繞著我們如何利用資料説明行業進行創新應用或者賦能展開。我相信未來三到五年，在普適性的人工智慧出現之前，一定是以行業為主力點。
王田苗：能源問題，拿智慧建築來說，人們關心每個屋子的溫度耗能多少，燈開了沒有，這個物聯網五年後大城市是不是能夠鋪完？
田海亭（新智研究院 能源創新業務產品總監）：對於能源和大資料分析，現在是一個最好的發展視窗期，從2010年開始，國家一些大的能源運營商開始摸索著建立一些各自的能源物聯網系統，國家電網公司、南方電網公司、華潤公司等都已經有所嘗試，有了一定的應用基礎和資料積累，比如剛才所說到的建築的能效提升等應用。為什麼說現在是一個最好的時候？從2015年開始，咱們國家從決策層面開始大力推進新的電力體制改革，在“十三五”規劃中指出推進能源與資訊、材料、生物等領域新技術深度融合，統籌能源與通信、交通等基礎設施建設，構建能源生產、輸送、使用和儲能體系協調發展、集成互補的能源互聯網。
原來電力系統是包含發、輸、變、配、用整套流程的獨立體系，煤炭是煤炭的體系，油氣是油氣的體系，各自獨立，經過我們國家的改革，它的方向是什麼？把它變成多種能源互補的綜合化的能源運營網路，我們叫能源互聯網。不管是用戶也好，能源運營商也好，能源輸送商也好，都將能夠參與到能源互聯網中，根據許可權分享能源流通的資料，原來單一能源體系的物聯網架構也將變成綜合能源服務的物聯網架構。現在到大資料這一塊。原來電力運營公司掌握一部分電力運營資料，天然氣公司有一部分資料，樓宇有樓宇的資料，區域有區域的資料，經過這種物聯網底層的資料傳輸和資訊採集通道打通，能源相關的大資料在能源品類和環節上得到了整合。利用這些資料可以開展對能源使用者的分析，比如在用戶層面可以對用戶的信用進行分析，對未來增值服務的需求進行分析，可以對使用者的能耗曲線進行預測。還能夠對能源運營商的運營情況分析，還有能源相關的設備分析，還有能源交易的分析等等。
王田苗：實現之前需要感測器，對於 toB 的，沒有感測器就沒有大資料。從目前發展的進程看，能源的物聯網什麼時候能實現？
田海亭：現在已經在實現中。2010年已經開始，比如國家電網公司的用電資訊採集系統，我們每家每戶所安裝的智慧電能表的資料已經被集中到國家電網公司的一套ICT系統的資料庫中。現在住建部在推廣的多表採集，也是想把水、氣、電、熱表的資料統一採集，集中到一起。比如這棟樓可以監測所有用戶的用水、用熱、用氣、用電資料，通過人工智慧和大資料分析技術，可以分析交費情況、能源運用情況，向使用者推送將來的用能建議，比如建議用戶什麼時候買天然氣、電，怎麼個買法，通過繳費判斷信用有沒有問題，通過人工智慧給你一個相應的客戶服務，類似Siri 這樣的技術，輔助用戶線上自動繳費扣費，不用專門跑到營業廳，對於比較差的客戶，可以調用相關資訊進行安全監控。此外，智慧能源跟智慧城市、智慧交通、智慧醫療、智慧安防也能夠結合到一起，現在已經在安裝一系列的感測器，包括智慧開關、智慧插座、智慧插座等等，跟閘道聯合到一起實現智慧家居的應用場景，包括戶內定位、戶內雙向交互、戶內家居控制、戶內四網融合、多網合一，不只是單一的能源服務，而是一個公共事業服務和智慧化城市一體化的思維來做這件事情。
移動通信——根據使用者情況自動調節網路組織，以最優的成本提供使用者最優的服務
楊靜：中國移動是1.5萬億市值的巨大企業，每年利潤好幾千億，是一個巨無霸。對通信行業對世界都是非常有影響的企業，我們有請中國移動研究院的魏晨光副院長給我們分享一下，人工智慧在移動通信方面的應用有什麼樣的發展。
魏晨光：在這個會議室裡面可能只有我是純粹的外行，真是抱著學習的態度來的。剛才幾位專家的發言給我啟發很大，我先回答楊總給我出的命題，人工智慧在中國移動可能有哪些應用？我個人認為應用範圍可能非常廣泛。從給使用者提供服務的角度來講，各位提到的醫療領域、金融領域，以及能源、農業、工業等各個垂直行業相關的資訊化服務，中國移動或多或少都有一些涉足。大資料技術是實現人工智慧的很重要的技術，引入大資料技術對於增強原有的客戶服務、垂直行業解決方案的品質來講，是非常有幫助的。
另外，運營商自己的網路管理也可以從人工智慧的發展當中獲益，在引入大資料技術之後也可以説明我們更好地監控品質、提升用戶的驗，為使用者提供更好的服務。
第三，移動網路本身。近期運營商層面也有一些探討，移動通信網，包括無線網路、核心網路、傳輸網路等，有沒有可能借助人工智慧技術變得更智慧，根據使用者情況自動調節網路組織，以最優的成本提供使用者最優的服務。此外，客服系統，如10086，也可以借助大資料技術為使用者提供更優質便捷的服務。
對於未來，從科幻愛好者的角度來講，我自己很期盼在腦科學方面能夠有突破。我們對人體，對自己的大腦這一很奇妙的系統究竟是怎麼運轉的，還沒有把它真正研究透。當我們把它研究透以後，也許我們不必從演算法層面實現人工智慧，可能有新的突破性技術出現。仿生的還是人機結合的或者怎麼樣，我個人想像不出來，也許在研究過程中就可能會產生顛覆性的新技術來取代今天的電腦。
楊靜：未來三到五年，人工智慧定義其實有兩種，一種是弱人工智慧，簡單說就是用深度學習方法來處理大資料。這是產業界現在通用的辦法，能從效益上得到快速提升，無論是圖像還是語音包括翻譯領域，都取得特別大的突破。另一個層面是強人工智慧，DeepMind 搞的是這個東西，並不是說五年之內有一個解決方案。未來三到五年這個路徑其實還是挺清晰的，剛才各位專家闡述了，無論在醫療、安防還是金融方面——自動駕駛我們並沒有展開談，待會兒鄧教授可以分享一下自動駕駛方面。這幾個領域裡，未來三到五年弱人工智慧可能在產業 裡面落地應用，也就是說實現“ AI+”，這可能是未來三到五年最廣泛的也是對整個社會影響最大、產業顛覆最大的作用力。未來三到五年的展望就是深度學習在大資料處理分析上的廣泛應用。
接下來我們來聊聊 2049年的展望，從現在的科學研究看2049年的情況。
展望 2049
王田苗：現實來看，特別是toB來說，感測器很重要，加上網路變成了物聯網，物聯網上去以後就給行業做人工智慧分析，優化、配置等等。我的問題是，5G 捏在移動手上，5G什麼時候在大城市用？5G是不是以它為核心，其它人是不是不能競爭？
魏晨光：5G是移動通信通用技術，中國聯通、中國電信也一定會上5G的。
王田苗：另外一個事情是量子通信，如果要做的話國家會交給中國移動，不可能交給外國公司、小公司。這個會不會在未來20年、30年部分能實現？
魏晨光：有關量子通信我聽到的消息，現在做的是單光子，離商用的距離稍微有點遠。如果確實能夠做到大容量，而且保密程度又很高的話，大家都會用的。但是具體什麼時候能夠達到這樣一個大規模商用的水準，那得看它自己的進展。
王田苗：30年以內有希望嗎？城市和城市、國外和國外，雖然不能點對點。
魏晨光：我在這方面研究的不多，最好請教一下教授們。
王田苗：我們暢想一下，有時候一談到 30年以後，暢想這個事還是比較難回答的，暢想還好說，如果預測更麻煩。30年後從社會形態來看，泛娛樂是非常厲害的。每個人個性化，現階段泛娛樂理解成遊戲，今後的文化、電影，各種各樣的泛娛樂，通過大資料非常精准能知道哪個熱哪個好，有很大的影響，反過來刺激創造這個內容去完善。這是從人的生活形態來看。
再一個，醫療健康。還是從生活形態來看，幹細胞和基因對美容對健康的影響，每個人都會有私人助理，不是人而是機器，知道你的體溫、睡覺、上次體檢的情況，我們誰知道上次體檢的資訊？資訊瞬間集成。我們這些人身體條件好的話，有可能活到上百歲。基因幹細胞和人工智慧不是分開的，沒有人工智慧得不出來。人的長壽、私人助理醫生出現。
交通。除了現在的飛機點到點、火車固定線路以後，無人駕駛出來了。原因是除了我們所說的擁擠、環保、交通事故以外，特別有一點是堵車很枯燥。現在來看假設不考慮成本，防控、避障、安全，技術不成問題，主要是法律問題，有人和無人混在一塊兒會造成很大的問題。至少在上班的時候，大城市裡有 70% 都是無人駕駛了；30%可能還需要人。原因有兩點，比如某人很有錢，會有助理幫她扶一下；還有海邊、山地旅行特殊地形靠人開，特定區域還需要人開。
黃華明：今天機會難得，我是來學習的。我從事金融行業，剛才大家都提到。我最近比較關注未來的信用社會，包括我們做投行、IPO，這個行業也將很快被顛覆。最近區塊鏈、比特幣，將來可能貨幣發行體系都會發生改變，一家公司可以發行自己的信用貨幣。未來30年如果這種情況很普遍，我真的想像不出整個社會信用體系會是什麼情況。
何暉光：我做醫學圖像這塊做了很長時間，技術在進步，X光以前看不到的現在看得到，開始是二維的，後來又有了CT，有了核磁以致分子影像。每一次進步讓你看得清、看得准、看得早。對腦科學的觀測工具上如果能夠有進步的話，肯定會大大促進腦科學的發展。以後有可能在腦機介面方面，各種智慧假肢，包括人工視網膜、人工耳蝸都會出現。人工耳蝸現在是很好的應用。視網膜相當於是一個光學系統，它將把看到的影像轉變成電信號，大腦的視覺皮層是一個資訊加工系統，當視網膜受損，如果我們可以將圖像所對應的電信號信號傳到大腦皮層的話，那麼就能使其“看到”圖像。在康復領域，腦-機介面可以幫盲人恢復光明，讓耳聾患者恢復聽覺。
如果腦洞再開大一點，如果真的對大腦的信號進行高度解析的話，你在想什麼東西，通過這個儀器就能探測到。目前腦電波的解析度還達不到，前提條件是要有高解析度的大腦觀測手段。另外一方面，還要研究控腦，比如有些人有精神疾病，其在大腦的一些地方有問題，如果我們通過光遺傳技術對大腦進行調控和回饋，可以將大腦調節到最佳、最健康的狀態。
無人車智慧駕駛這塊，確實是比較好的載體，把人工智慧各種技術很好地結合。以後把車聯網也建立起來，交通效率比人開的更高。現在一會兒一個加塞，一會兒並道，如果車和車之間都聯繫起來，大家都很守規矩，那確實讓交通更有效率。無人車的牌照問題怎麼去驗證，這方面涉及到法律上技術上的問題，需要進一步完善。
未來人類身體實現義體化，但區分人類的仍是意識標識
楊靜：腦控到底是機器通過腦機介面控制人的大腦？還是大腦控制機器？
何暉光：大腦控制機器可以叫做腦控，控腦就是反過來給你刺激，通過外界調整大腦的狀態。
楊靜：2049年究竟是人的大腦被機器控制，還是大腦去控制機器？
何暉光：人機協同，機器肯定為人服務。在構造機器人的原則過程中，我們要去討論機器人倫理，機器不能傷害人。如果雙方打仗，我的機器人有可能要去攻擊敵人，這中間也是涉及到倫理和規則怎麼去規範的問題。
王田苗：30年後會不會一天工作6小時，上午3小時、下午3小時？一、三、五上班，二、四在家工作，有沒有這種可能？拿歐洲來說，實際變成了4天半，美國人還加班，歐洲人不加班，星期五下午吃完飯，喝杯咖啡，兩點半下班。兩個星期打不起精神上班。
鄧志東：電影《攻殼機動隊》裡面有很多科幻的東西，有很多30年以後的事。會不會有ghost（意識）分離或植入？會不會有機器人義體假肢？人類身體義肢化，義體化，人的一部分組織器官被替換掉，或者人的四肢甚至大部分身體都被替換掉？
最顛覆的是大腦是不是也可以義體化？腦袋換了之後，把ghost植入進去，人已經不是真正的人了，是生化機械人或稱賽柏格（cyborg）。進一步，人的意識空間是否可以跟外部的網路空間互聯？物理上互聯互通後，那駭客就有可能攻擊人的意識，假如這個人從來沒結過婚，但駭客攻擊你的大腦造成錯覺，讓你覺得有孩子有家庭，還有債務負擔，也就是人的意識有可能被操控。
楊靜：把3D列印一個王田苗教授機器人，王田苗教授的記憶複製一下，這個機器人擁有了王田苗教授的記憶、人際關係，誰是王田苗？
魏晨光：到底怎麼區分這個人，是身體標識還是意識標識？
鄧志東：意識最重要。
王田苗：記憶的轉移或者大腦轉移現在看不到路徑。
鄧志東：人腦的記憶包括工作記憶、短期記憶和長期記憶。長期記憶存儲在海馬體裡面。大腦皮層的每一個通路都有一個工作記憶（working memory）。工作記憶通過反復強化轉化為短期記憶，短期記憶經過反復強化又可以轉化為長期記憶。近期國外有一個有趣的實驗，既然海馬體與其他功能模組或通路有聯接，那是否可以通過電極陣列把信號從聯接處截取出來，然後將表達長期記憶的神經發放序列存儲在硬碟裡面，也就是將長期記憶矽基化，這就相當於把你的記憶從“碳基”變成了“矽基”，永生了？神經電信號讀出來一點問題都沒有，關鍵是如何解碼。反過來用電腦編碼的神經發放序列去控制大腦，這個早就有了。例如2007年山東科技大學的機器人鴿子，頭部植入了電極陣列，可以接受電腦的命令，完成起飛、盤旋和著陸。
楊靜：在果蠅、老鼠腦袋裡面插入晶片來操控。
鄧志東：是的，這個叫機器人動物（robotanimal）。
自動駕駛發展前景樂觀，新四化模式清晰，未來傳統汽車製造或許淪為OEM代工廠
楊靜：自動駕駛到了2049年會是什麼樣的情況？
鄧志東：自動駕駛現在比較樂觀，最近有很多很好的消息，包括穀歌Waymo近期已開始在美國鳳凰城地區進行公開路測，也包括特斯拉自去年7月與Mobileye分手後，已經度過了最艱難的時期，不但挺過去了，而且還基於Nvidia的新平臺完全掌握了類似Mobileye的單目視覺技術。2015年10月特斯拉推出的Autopilot 1.0，主要是和Mobileye合作，實現了許多一流的輔助駕駛功能。去年10月份在量產車上推出的Autopilot 2.0，配備了8個攝像頭，12個超聲波感測器和1個毫米波雷達。已有超過3億英里的路測資料，視覺做成了360度環視，據稱利用深度學習已做到了人的視覺水準。當然，這要看特斯拉今年年底能不能從洛杉磯自主行駛到紐約，即4500公里全程無干預能否如期實現？這是一個值得未來觀察的標誌性事件。
還有穀歌分拆出去的無人駕駛部門Waymo，已有500輛由克萊斯勒Pacifica MPV插電式混合動力汽車改裝的無人駕駛原型車，並已開始在鳳凰城進行社會公測。他們採用雷射雷達為主導的環境感知方案，目前自主研發的雷射雷達，其成本削減了90%以上，僅7000美金左右。最新的自主行駛路測資料達到了300萬英里（483公里）。從萬公里人工干預數來說，無疑代表了目前世界上最先進的自動駕駛技術。此外正與Lyft合作佈局共用無人駕駛汽車。很多人認為他們2019年就會有性能逐步反覆運算的自動駕駛產品出來，也有人認為是2021年。自動駕駛功能是不斷反覆運算的，不是一步到位，而是成熟一個（軟體）升級一個。特斯拉也是走的這條性能反覆運算之路。特斯拉目前在網站上有一個使用者知情權協議，即由使用者授權公開使用你車上的攝像頭資料了，這就是從大資料看商業化進程。特斯拉軟體升級之後，功能逐步開放，一個一個開放，成熟一個開放一個。整個OTA無線傳輸準備好了，軟體定義升級也準備好了，測試一個功能，成熟以後就往上面放。現在Autopilot 2.0的軟體已經升級到8.1版本。商業化進程不斷加快。
國內做封閉環境下的低速車較多。專注於機場、港口、園區等，當然也能找到商業模式落地。特斯拉和穀歌做的是開放環境下的高速無人車。總之，自動駕駛真有可能是人工智慧最具商業價值的垂直應用領域，是萬億美元級別的巨大市場，可以顛覆人類的出行方式。2049年肯定是共用無人駕駛汽車時代。現在汽車產業的發展有所謂“新四化”，即電動化、資訊化、智慧化和共用化。這個商業模式已經很清楚了。未來北京或許只需要幾萬輛共用無人駕駛汽車，通過汽車絕對量的大幅度減少，從根本上解決目前的交通擁堵問題、安全問題、環境污染問題和節能問題。傳統汽車廠家不會全部消亡，但可能會變成OEM代工廠，就如同現在的上海鳳凰自行車廠。
楊靜：英特爾和Mobileye 也是一個體系。
鄧志東：主機廠不是內燃機汽車，而是新能源汽車，關注“三電”系統就可以了。內燃機汽車2049年可能會消亡，極有可能會變成新能源汽車，即基於新能源汽車的共用無人駕駛汽車。
2049最了不起的事情新智元有一篇稿子提醒大家注意，2020 年 60% 的機器學習會被四家公司壟斷，穀歌、微軟、亞馬遜、IBM。穀歌的企圖更大，柯潔說“我看到了一個圍棋的上帝”，柯潔在圍棋的專業評分裡面是3260分，AlphaGo 2.0版是 4500 分，而且用的計算力只是原來的1/10，去年打李世石是兩台機櫃的TPU，那時候TPU已經生產出來了，秘密在用，但是只不過今年才發論文而已。72個研究者參與這篇論文的寫作，歷史上沒有見過這麼多人合作一篇論文。這就是一個大公司的壟斷優勢。今年中國的主題也是人工智慧。對於中國大腦的投入，未來五年要投 100 億或者 200 億，但跟企業的研發投入相比，這就是九牛一毛，華為一年的研發經費600億，BAT 都是 100 億左右的規模。國家未來有很多基金。昨天有一些不好的消息，穆迪給中國降級了，高盛說我們的債務高於公佈債務的60%，地方債的情況還是很嚴重的，人民幣有貶值壓力，但是企業還是挺爭氣的，阿裡巴巴也有一個 NASA 計畫。
關於未來20年，估計明天馬雲還會有新的闡述，他們在人工智慧方面下了很大力氣，包括阿裡雲。還有騰訊，騰訊在6月底有一個騰訊雲未來峰會，請到 Michael Jordan，還有圖靈獎的獲得者。在通用人工智慧方面，這裡面是一個最大的分歧。到底通用人工智慧會不會實現，多長時間會實現？今年戰勝柯潔的 DeepMind 的 CEO Demis 說10年研發出來，Jeff Dean 說 15 年能實現。到 2049 年還有 32 年，人機融合、人工智慧會有什麼樣的發展？希望大家就此話題暢所欲言，展開對未來前景的預測，探討中國的AI+ 會有什麼樣的未來。非常感謝大家在端午節前夕參與這個討論。
幾位嘉賓的自我介紹
魏晨光（中國移動研究院副院長）：人工智慧，以前我們覺得它是一個實驗室裡面的技術，而現在漸漸走向實用。中國移動是傳統電信運營商，未來怎麼讓移動網路更智慧地服務使用者需求，這是我們一直在思考的問題。我們非常珍惜今天這樣的學習機會。
何暉光（中國科學院自動化研究所研究員）：我來自中科院自動化所類腦智慧研究中心，我的研究方向包括醫學影像處理，類腦計算，腦-機介面等，目前關注的一個工作是在電腦視覺和生物視覺之中找到一些聯繫。
鄧志東（清華大學電腦系教授）：我一直在清華大學電腦系智慧技術與系統國家重點實驗室工作，主要從事人工神經網路、自動駕駛、機器人等。現在專注於深度卷積神經網路，還有深度強化學習。在自動駕駛方面，則強調深度學習在自動駕駛中的應用。
馬康煒（新智研究院 戰略合作部 副主任）：大家好。新智研究院隸屬於新奧集團。新奧集團佈局了能源環保、文化健康、互聯網這三大產業板塊，每個板塊中都有自己的研究院。“從資料到智慧，從智慧到創新產業價值”是新智研究院的企業使命。我們致力於通過領先的人工智慧和大資料技術，為消費側和供給側的傳統企業和互聯網企業賦能，是一家推動相關產業或業務實現智慧升級的領先型技術研究與孵化機構。
黃華明（中信建投證券股份有限公司 投資銀行總監）：我們中信建投非常關注人工智慧在各個垂直行業的應用，專注於比較前沿技術的公司，這次主要來學習。
鄧侃（大數醫達 CTO）：我叫鄧侃，以前在CMU讀書讀了七年，方向就是機器人和人工智慧。我現在做什麼事情？搜集全國的三甲醫院優質病例，挖掘臨床路徑，用最少的化驗和檢查，最低的成本搜集足夠的但是最少量的病情分析，然後用於支持臨床診斷。
主題演講——人工智慧與機器人發展展望2049
王田苗：這個項目實際是一個展望，由電子學會、北航、機器人雜誌社還有新智元聯合開展，機器人雜誌社偏重智慧硬體機器人，新智元更偏重於人工智慧，偏重於軟體和思考。
關於框架確實比較難預測，一般來說叫宏觀展望，也不能說是戰略研究、路線圖，這只是一個展望。
首先，AI 的含義很重要，內涵、定義，還有理論和技術上的突破，應用突破、社會可能的影響。
我們很希望我們的“2049展望”分這五部分。其中計算和理論的突破確實不清楚，需要楊靜來牽頭和大家一起探討。理論上的突破可能會在哪兒，會不會在腦科學、類生命體，會不會在整個學習推理以及行為等等，還有生物感知、大資料，還有真有人的情感，以及實現這種技術上的作業系統、晶片、介面。
未來20年、30年人工智慧推動這些領域的變化可能是哪些？國家安全、智慧製造、金融、汽車、醫療、智慧城市、服務家庭。這種技術和理論突破、社會形態、產業結構、生活的改變情形是什麼？
下面是關於 2049 我自己的思考，不太成熟，跟大家分享一下。
社會形態是怎麼發生變化的？我的理解，社會形態變化，有可能是源於我們的產業變化，也可能是源於產品變化。從蒸汽機、汽車、飛機、電腦、晶片到空間站，都是這樣。為什麼會有這個看法？人的需求和人的內在影響社會變革。
比如說過去，由於安全問題出現了國王，出現了軍隊，因為打獵打不上，饑餓以後引出了農業貿易。最後因為物質產品缺乏出現了工業城市以及商務，工業出現競爭，競爭出現了自動化，出現了機器人。健康也一樣，通信、電腦、航空，娛樂業都是這樣，還有分享。社團組織就是分享，意味著什麼？真是供給側，產品過剩了，工業品弱化了，這麼理解才知道為什麼歐洲工業在衰落，因為它不需要，汽車也有了，房子也有了，電視有了，空調也有了。需要旅遊需要吃飯需要分享需要社區。就像我們說的就業失業，30年後不排除會不會工作只三天，另外兩天在家工作，社會形態就發生了變化。
你不能回避這個週期，中國很幸運，在90年代初期，華為也好還是聯想也好，用友、TCL、科隆都是那個時代創業的，2001年中國加入WTO，互聯網、房地產和汽車拉起來了，這是世界的，在這個節點上中國每次都搶住了機會，從2010年全球第六名，2015年一下子變成第一名。
現在是低谷，後面整個世界經濟復蘇可能會對人工智慧其它方面構成很大的變化。導火索：2013年世界各個國家領導人引進顛覆世界的變革，人工智慧有知識自動化、有雲計算，都屬於這個範疇，當時這裡面沒有人工智慧，自動化定義來說是這樣寫的：科技改變世界。
有人覺得未來整個經濟振興其實就是技術革命和全球貿易的自由，企業要市場化自由，國家要自由，才能復蘇。
這裡面引出排序一到五名超級的股票，從01年到06年，科技確實在改變著市值，GE、微軟、美孚，花旗銀行、沃爾瑪，後面沃爾瑪就沒有了，2011年美孚上來了，蘋果、中國石油、殼牌、中國工商銀行，又過了五年，全是科技公司。
技術革命和自由的貿易實際貫穿整個發展過程。技術的革命靠科研投入。現在有兩個現象，國家不斷投入，企業投入比國家政府還多。這裡面顯現出中國、歐洲、日本和美國，中國上升還是很快的。這裡是投入的經費在 GDP 中的百分比。
在這樣的前提下，大家覺得這個時代到來了。大家還是有一些爭論的。人工智慧由於它是軟體它是智慧，它是大資料物聯網造成的，所以它從toB直接進入toC，機器人會很慢，安全、法律、成本都是原因。
高盛對人工智慧未來幾大領域和幾大關鍵技術的報告，農業、金融、醫療健康、零售業、能源，機器人，人工智慧，從自然語言理解到培訓到語音到網路到傳感以及到視覺等等，人工智慧像電，人工智慧將來像付費的電一樣，付費就能買人工智慧解決方案，可能會在消費，可能會在產業，可能會在新金融上（應用），這是人們現在所思考的。
我自己學習包括分類包括思考的結果是，近五年、後十年的變化，原來是ERP，現在是商業智慧。
工業機器人用的快，特種機器人將來可能是服務而不是銷售，從幹細胞到精准機器人。toC 上手機智慧終端機，將來就是可穿戴式，不帶手機，無處不在。
底下的這塊是軟體，上面是有形的可以摸得到，現在普遍認為人工智慧軟體應用最快的是金融，其次是醫療、監控、零售業還有家庭物聯網、遠端教育，到了後面可能就是變成一個公共的服務內容，從銀行到餐館，從對話到自然語音翻譯，從家庭物聯網到工業物聯網。
從未來看，現在我們理解 AI 的應用已經出現了，比如生活服務秘書、秘書助理、泛娛樂等等。
謝謝！
展開——人工智慧目前最成熟的部分是深度卷積神經網路和深度強化學習；未來三到五年最有可能突破的是半監督的方法。
楊靜：下面我們就2049的議題展開討論。近期人工智慧和深度學習的突破點，包括技術上面和學術層面上面可能的突破點，我們先聊三到五年內人工智慧學術和產業可能發生的變化，能不能邀請鄧志東教授先來做一個分享。
鄧志東：人工智慧的核心是深度學習，包括兩部分，深度卷積神經網路和深度強化學習。這兩部分目前是最成熟的部分，可以做產品開發和產業發展了。但這兩部分本身也有局限。
深度卷積神經網路現在湧現出許多極其成功的例子，包括人臉識別等。什麼叫人工智慧？迄今有許多定義。幾十年了，都說自己的方法是智慧的，智慧這個詞已經說的很大眾化了，誰都說自己是智慧的。那什麼是真正的人工智慧？這個問題比較大，但還是可以說清楚。
如果說人工或機器智慧接近于人類水準——達到或超過就更不用說了，那我們就可以說它是真正具有智慧的。把簡單的邏輯判斷稱之為智慧顯然是不科學的。在現階段，在所有演算法中，只有大資料驅動的深度卷積神經網路，還有深度強化學習，確確實實達到了人類水準，甚至超過了人類水準。
基於深度強化學習的 AlphaGo 明顯比人類棋手強。應用於垂直細分領域的深度卷積神經網路也是一樣。現在發現根本不需要LSTM之類的遞迴神經網路，純粹用深度卷積神經網路實現的遞迴神經網路就可超過傳統的語言建模方法和結合LSTM的方法。最近Facebook發佈的神經機器翻譯系統就僅用了純粹的深度卷積神經網路，比原來的方法速度提高了九倍。深度卷積神經網路和深度強化學習，這兩個是比較成熟的，實實在在的，確實是智慧的東西，接近于人類水準或者超過人類水準。
第三次人工智慧的復興不是虛幻的，不是泡沫，是實實在在的進步，至少有上述兩個革命性的進展，其他前沿技術目前還在探索。
前沿技術探索這塊，未來三到五年最有可能出現突破的就是半監督的方法。對半監督的需求很強烈，現在深度卷積神經網路很好，但是它有缺點，即依賴於完備的大資料，沒有大資料餵食就不可能達到人類水準，這是很明顯的。但是獲得完備的大資料，付出的代價太大，很多應用場景可能得不到，比如把全世界的火車照片都搜集起來，這是不可能的事。我們希望能夠做一些小資料、小樣本或小標籤的半監督學習，資料不大，但是還能夠達到人類水準。
我們做過很多實驗，人為地去掉一半甚至去掉1/4的標籤資料去訓練深度卷積神經網路，希望網路能夠具有舉一反三的能力，通過小樣本或小資料的學習同樣能夠達到人類水準。這部分不管是利用生成式對抗網路，還是與傳統統計機器學習方法的結合，或者與認知計算方法的結合，總之難度較大。人不完全是基於特徵提取的，我們看到了土狗的照片，從來沒見過藏獒、寵物狗，但通過舉一反三就能夠識別出來。這靠什麼？靠推理。人類靠推理獲得更強的泛化能力。我們現在的深度卷積神經網路是靠多級多層的特徵提取，如果特徵提取不好，這個識別結果就不好，達不到人類水準。總之，特徵提取要好就必須要有完備的大資料。但不管怎麼樣，具有推理能力的半監督或者無監督的深度卷積神經網路三到五年會有突破。
通用人工智慧這部分需要的時間更長，三到五年能不能突破不知道，但是意義非常重大。
事實上，兩件事情的意義都很重大。如果半監督、無監督（學習）突破之後，很多行業應用包括人工智慧場景研發都會快速推進。現在很難得到完備的大資料，付出的代價太大。實際應用時一般通過資料反覆運算、演算法反覆運算向前推進。從這個角度來說，AlphaGo中體現的深度強化學習代表著更大的希望。因為它也是基於深度卷積神經網路的，包括以前用的13層網路，現在用的40層卷積神經網，替代了以前的淺層全連接網路，它帶來的能力提升是很顯著的。為什麼它更有意義？首先它有決策能力，決策屬於認知，這已經不僅僅是感知智慧了。其次AlphaGo依賴的僅僅是小資料的監督學習。3000萬的6-9段人類職業棋手的棋局，對人類來說已經是大資料了，但對圍棋本身的搜索空間來講則是一個小資料。不管柯潔還是聶衛平，一輩子可能都記不住3000萬個棋局，但19x19的棋盤格上，因每個交叉點存在黑子、白子或無子三種情況，其組合數或搜索空間之巨大，超過了全宇宙的粒子數。對如此複雜度的棋局變化，人類的3000萬個已知棋局真的就是一個小資料！AlphaGo首先通過深度監督學習，學習人類的3000萬個棋局作為基礎，然後利用深度強化學習，通過自我對弈、左右互搏搜索更大的棋局空間，是人類3000萬棋局之外的棋局空間，這就使AlphaGo 2.0下出了很多我們從未見過的棋譜或者棋局。總之，深度強化學習有兩大好處，它給出的是決策，跟認知聯繫起來。第二，它不依賴於大數據。這就是前面說的半監督和無監督學習方法。AlphaGo 深度強化學習會非常火，因為它是在認知層面上進行探索，而且不完全依賴大資料，意義重大，魅力無窮。相信深度強化學習非常有潛力繼續向前發展，將大大擴展其垂直應用領域。但是它本身並不是一個通用人工智慧。AlphaGo 只能下圍棋不能同時下中國象棋、國際象棋，因此還只是專注於一個點上面的。
實現通用人工智慧，把垂直細分領域變寬或者實現多工而不是單任務學習，對深度神經網路而言，不知道這部分有沒有什麼樣的技術途徑可以往前走，但是肯定要與符號主義的認知智慧結合。
從腦科學的角度去做當然是可能的途徑之一。但短時間之內未必能夠把大腦的高級智慧活動搞清楚。現在的人工智慧復興，真實的突破不是靠腦科學推動的，完全是因為卷積神經網路模型，這很早就有了，還有大資料、GPU的發展，這有時代的進步，歷史的偶然。腦科學的發現也帶來了進展，比如IBM利用脈衝神經網路把類腦晶片的功耗大大降了下來，當然這僅是一個工程問題，而且神經元的脈衝回應，早就寫入了教科書，是常識，不是現在的腦計畫剛剛發現的。總之，未來人工智慧是不是靠腦科學推動不知道，因為腦科學本身在短時間之內未必能取得很大的突破。
通用人工智慧沒有很好的線索往前走，原因一是因為神經網路本身是黑箱式的，二是因為傳統的卷積神經網路不能完成多工學習。可以考慮跟符號主義的認知智慧結合，但必須是在新的起點上，即在已有感知智慧的基礎上，利用更高層次的自主學習而非以往的規則設計來進行。
事實上，人類的技巧性規則也是通過自主學習獲得的。一個司機從駕校畢業到開了幾十萬公里變成很有經驗的老師傅，整個過程其實是通過長期訓練得到的，駕駛技巧或規則被模糊分割得越來越細，對緊急情況的處理，也拿捏得越來越細膩與及時，但是這些規則，其實只能意會不可言傳，很難被總結為基於規則的專家系統。總之，這些規則是通過學習得到的，不是靠人工設計的。希望基於深度卷積神經網路和深度強化學習，與認知智慧結合，在更高的層次上進行學習，實現規則的學習以及更高認知細微性的學習推理。從某種意義上說，認知水準的推理或能獲得更強的泛化能力。例如，我們倒車入庫的時候不是都靠感知，如果後面因盲區看不見，我們就靠推理，看車的後視鏡跟側方泊車差不多平行，不用感知智慧，靠認知智慧也能把車停好。
王田苗：兩個AlphaGo打，這個趨勢是什麼趨勢？是什麼結果？
鄧志東：看誰學的多，誰學的時間長。AlphaGo都出自同一家公司，就靠概率了。如果是騰訊的絕藝和AlphaGo就有的一拼。
王田苗：AlphaGo和AlphaGo打會是平局？
鄧志東：其實就是它們平時訓練時的一次自我對弈而已，可能有勝負，與開始佈局或初始條件有關，靠概率。
鄧侃：不一定平局，圍棋是決定性的，如果你能算出來每一步的話，誰先落子誰贏，按照現在的規則。除非你的規則偏了，因為那是決定性的game，完全是靠規則，規則偏一點那就是決定性。
深化——AI 的壟斷和人工資料的可靠性；
王田苗：AlphaGo完全超過人類了，假設我們把AlphaGO放到金融上，這個世界上最後的炒股師是不是就是一個AlphaGo？
鄧志東：不會，你可以自己做AlphaGo。
王田苗：這種智慧會不會快速聚焦到幾個系統？我們現在都是散戶炒來炒去。
鄧志東：有可能，比演算法或技術先進，還要比大資料。大資料是基礎，必須要有基礎，然後再做深度強化學習。
楊靜：中國沒有一家能夠跟這四家（指上文提到的穀歌、微軟、亞馬遜、IBM）一個量級，還沒有。
王田苗：對中國來說，只要不開放資料，（它們）就打不過中國？
楊靜：你擁有的資料仍然是小的，我們上個月在阿裡開4月論壇，提到一個問題，現在頂級會議裡面1/3的論文都是生成式對抗網路，這裡面生成式對抗網路往往要用上億資料，這樣在調資料的時候也非常困難。這裡面指出來，得自己生成資料，現有的資料對它來說不夠用，積累的資料是一塊，未來生成的資料又是更大的一塊。我們所謂說的資料優勢，首先人本來是一個優勢，但是現在恐怕柯潔這個案例說明人也不是優勢。再來說資料有優勢，可以生成新的資料，而且新的生成資料品質可能比人的資料品質要高。
鄧侃：下圍棋可以對抗，這個沒問題，但有一些很難用類比的資料來教機器學習，醫療就是一個例子，不能模擬給某一個虛擬患者吃什麼藥，模擬他有什麼生理反應，模擬再做一個手術診斷，那沒有意義。
王教授提出一個非常好的命題，如果說到技術壁壘的時候，那對於中國來講，在大資料和人工智慧領域裡面，中國的防火牆等等，是不是事實上形成了一 種行業壁壘？我的看法，我們可能要換一個說法，不是說我有壁壘，而是說我們中國應該引領全球，為全球的人工智慧做出更大的貢獻。DeepMind 跟我講，我的東西非常先進，你這兒的資料有3.7億病例，能不能合作？前提條件是保護中國醫療資料的安全，這個是紅線。我問過衛計委的官員，問過大牌醫院的院長，有沒有可能在保護資料安全的前提之下跟全球的頂級公司合作？當然是可以的。為什麼不可以？“一帶一路”中國要走出國門，“一帶一路”高鐵引領、網路方面華為跟在後面，如果咱們的中國醫療隊也上去了，這是多好的事情！改一下王老師的提法，不是說壁壘，而是我們正好有這個優勢，我們要引領全球的發展，要“一帶一路”。
鄧志東：現在的方法還是依賴大資料，沒有帶標籤的大資料肯定不行。即使是深度強化學習也是有條件的，AlphaGo2015年跟樊麾，2016年跟李世石，首先把人類三千萬的棋譜基於監督學習表達成深度卷積神經網路的連接權，相應表現為基礎性的價值網路和策略網路，之後的深度強化學習不是完全盲目隨機搜索的，它利用了這兩個深度卷積神經網路的泛化能力作為啟發式知識，通過降低搜索寬度和深度進行自我對弈，利用深度強化學習進一步完成新的棋局的探索。大資料要求完備性和真實性，其中真實性非常重要。如果是虛擬的資料，就看應用場景了，通常未必能行。
金融領域——在我們這裡，搞金融和搞 AI 的人根本不結合
張瑞君（雅瑞資本創始人）：國與國的競爭，以前靠武器，現在靠金融，金融一旦侵入或者金融壟斷之後，一下子就把國庫搞垮了，比如2008年的金融危機。
我們國家金融方面前不久的股災，一堆人在救，我們政府在救，國家隊在救，其實無濟於事，出現千股跌停、千股漲停、千股複盤的現象。AI今後對金融影響最大，那麼我們現在非常榮幸，有很多做人工智慧的專家在這兒，我們對這塊怎麼思考？一開始的時候，整個資訊化在中國應用時，中國是很落後的。有一些覺醒的人做中國的財務軟體，使得這塊應用突飛猛進發展。
特別需要指出，搞人工智慧搞資訊技術的人往往不去關注金融和產品應用。現在又到了一個時點，搞人工智慧的人搞技術的人常常把我們的視角和注意力放在工業等等很多方面，金融是不是需要考慮？怎麼考慮的？這是一個社會問題。
鄧志東：金融安全事關國家全域戰略安全，涉及到經濟社會發展的大局。金融大資料很多是結構化和半結構化資料，表格定制的資料多，資料品質非常好，特別適合於大資料人工智慧的應用。
現在的主要問題在哪裡？兩張皮，搞金融的人不懂人工智慧，搞人工智慧的沒有金融大資料，主要就是這個問題。
張瑞君：我看到，像美國人工智慧專家開始進駐金融去研究，取得很多的成果，IBM 的沃森也開始搞這一塊。
在我們這裡，金融和搞AI的人根本不結合，沒有看到我們國家有這樣一些突飛猛進的發展，不知道未來會是什麼。
鄧侃：我給楊老師發了一張照片，瑞銀幾年前的交易大廳和現在的交易大廳，很震撼。人工智慧的的確確是能夠在金融行業發揮巨大作用。第二個問題，為什麼在中國還沒有看到這種天翻地覆的變化，雖然有第四範式這樣的公司在嘗試。作為一個創業人，我也跟他們比較熟，說句直白的話，我們的金融業行業壁壘非常高。
人工智慧技術本身確確實實在金融業發揮巨大的作用，但在特殊的環境之下，想在金融裡面做人工智慧創新確確實實不太容易。
鄧志東：包括上海富國基金等都有人工智慧金融團隊，還有初創企業，半年來我至少接觸過好幾個團隊，而且搞得相當深入，諮詢都做到了調結構調參數的程度。
楊靜：證監會有一個金融科技委員會，我也算其中一個成員，目前無論是區塊鏈還是自動交易，我們都在做，而且相關的創業公司也不少，人工智慧的金融領域，用深度學習來做金融服務其實是IBM、微軟最大的業務方向。另外，百度做了很長時間。阿裡螞蟻金服搞的就是這套。金融是一個天然會用AI的領域，全都是資料，是最標準化的，有很多公開資料。
鄧志東：這方面全世界做的最好的是高盛，是人工智慧金融的標杆。
腦科學與AI——深度神經網路學習好的網路框架結構是固定的，大腦識別則是一個動態的過程
何暉光：關於智慧的本質是什麼？它怎麼測量，怎麼評價，這些問題基本上現在都不是很清楚。
智慧目前實現的兩個手段，一個是深度學習+大資料，另外一個是類腦智慧。
中科院專門成立了腦科學與智慧技術卓越中心，以上海神經所和自動化所牽頭，其目的是想將神經科學家和人工智慧的科學家彙聚在一起探索。剛才鄧老師說的，深度學習在很多領域都取得成功，但是它其實還有一些缺陷，比如深度學習依賴於大資料，它不是小樣本學習，而且是專用的人工智慧。你用下圍棋的模型去下象棋又得重新學，缺乏舉一反三的能力。包括魯棒性不夠，你學習出很好的模型，把對抗樣本的一個參數稍稍調整一下，人眼都能識別出來，但是它會識別錯。基於這方面的考慮，怎麼從大腦思考的過程中學到一些經驗，通過這個經驗去引導深度網路的結構建模是一個重要的研究方向。腦科學對電腦領域也有幾個比較重要的啟發。像HMAX模型，還有非經典感受野等，即使拿增強學習來說，也是在生物學中間首先提出來，並得到驗證，在大腦裡面存在獎賞回路，有多巴胺的分泌，如果做對了的話，大腦會感到興奮。
怎麼從大腦研究當中得到一些啟發，5月8號中科院學部專門組織了一個腦科學與智慧技術論壇，討論相關問題。目前深度神經網路學習好的網路框架結構是固定的，大腦識別則是一個動態的過程，如果能夠把將大腦的認知過程引入的話肯定有更好的效果。現在的模式識別是在建立一種映射的聯繫，是靜態的映射，我看到一個人遠遠地過來，我可能先看到他的背影，看他走路的姿態，然後逐步去判斷和識別。而不是先去提取一些特徵，然後再做分類，再做識別。其實在很多年前，模式識別和控制聯繫非常緊密，我們要做的這塊確實是要把模式識別和控制包括動力系統等結合起來。
鄧侃老師剛才有一句話，我做一個回應，鄧老師說“神經網路生成很多資料，醫學上生成資料沒有意義”。這個我有一點不同意見，你的生成資料，比如手術類比，能夠更好地去引導你怎麼做手術。即使是製藥，通過一些模型，通過計算藥物的反應是什麼，通過建立一套模型，也是可計算可模擬的。建立一個計算系統或者類比系統，和人的系統兩者互相啟發，通過大腦研究的模型去引導人工智慧的神經網路構建，反過來通過人工得到生成的資料或者得到一些好的經驗，可以引導更好地去研究大腦，這樣的話就可以促進這兩個學科的發展。
王田苗：泛泛來說，無論是機器還是智慧，有兩條線，人的智慧和現實中的智慧型機器，你會發現外在可能實現同樣的功能，但內在大不一樣。電腦深度學習，人腦不是這樣的。我們拿機器來說，人是靠肌肉的，現實是靠電機的。用機器能耗很高，用人腦觸發就很低。這個會匯合，還是現實中走來走去還走不到一起，只是外在相似？
何暉光：目前電腦體系是馮諾依曼體系，計算存儲分開，現在IBM的TrueNorth晶片是模仿神經元突觸的連接，計算和存儲合二為一。
鄧志東：腦科學很尷尬。現代腦科學的研究有四個層次，一是在神經生物大分子層次，也就是從神經分子生物學，從神經細胞中的DNA、RNA、蛋白質這個極微觀的角度研究腦的結構與功能，國外這是一個很火的專業。第二個層次是神經細胞或神經元水準，迄今已發展60年的人工神經元網路就是在這個層次。第三個層次是功能模組，例如外側膝狀體（LGN）、V1、V2、V4、AIT、皮層功能柱等。第四個層次是回路、通路水準，例如視覺通路、聽覺通路、體感通路和運動通路等，特別是多個通路的整合。以前僅在細胞這個層次開展工作，只見樹木不見森林。現在大家都知道不能只走細胞層次，得走功能模組、回路、通路及其整合。為什麼比較尷尬？因為通路的底層還比較清楚，一到高層的智慧活動就搞不清楚，很多認知機理都不清楚，比如高級視皮層的回饋機制，前額葉的整合機制等，因為它們與其他通路及模組的連接太複雜了。
王田苗：類腦晶片識別率是不是低於卷積神經網路？
鄧志東：類腦晶片在應用于識別問題時使用的就是深度卷積神經網路，只不過晶片本身使用了脈衝或發放神經元，可以有效降低加速器晶片的功耗。神經元產生的是脈衝（spiking），而且還可以用Hodgkin-Huxley神經元動力學方程進行描述，這一工作獲得了1952年的諾貝爾獎，早已成為利用數學模型解釋神經生理學實驗結果的典範。
何暉光：我們最近做的一個工作比較有意思，可以通過掃描大腦的資料，將他看到的圖像重建出來，這個工作被MIT Technology Review頭條報導。相當於你去看一個圖片，你的大腦有一個反應，然後我們通過大腦的反應，將看到的這個圖片重建出來，目前重建只能是簡單的數位或者符號。其實大腦裡面它對這個目標識別的過程確實是層級化的過程，比如說重建的時候拿V1的資訊重建得比較好，但是如果重建這個圖片的語義資訊那就需要用到IT區的資訊，利用IT區的資訊，可以較好的識別究竟是一個杯子還是手機。
楊靜：大腦計畫有沒有目標，三年五年達成什麼樣的結果？
何暉光：中國腦計畫已經通過了人大審議，可能到明年3月份（能啟動），這個計畫其實從2013 年就開始提了，現在人工智慧2.0走在前面了。
楊靜：原來是說中國大腦計畫和人工智慧2.0兩翼齊飛，腦科學和人工智慧是軟硬體結合，但是現在腦科學這邊有點滯後了，到現在沒正式啟動。北京的腦計畫已經做了，上海也有，國家的話還沒有。
智慧醫療——從體制內幫助體制完善
王田苗：鄧總，關於人工智慧在醫療上確實是很大的發展，機器學習識別癌症。你擔不擔心法律、安全的問題？醫療大資料這個事情肯定有局限性，你剛才說的那句話——最小資料，但是最有代表性的實例，比如對各個醫院來說，突然出現互聯網，一卡不能共用，對醫院打擊很大。會不會？
鄧侃：第一個問題，中國有醫療法，規定醫生必須和患者面對面，才有下處方的權利。第二，合法的場所在診所，不能跑到咖啡店去。第三，你下的處方，你的藥，必須24小時之內到達患者手裡。這個東西和人工智慧沒有矛盾的地方，人工智慧在學術界稱之為 CDS，Clinical Decision Support，幫助人類提高生產率。
三院有某某醫生，每天忙死了，大概看一百兩百個患者，每星期忙死了，不睡覺也只有24小時，但是想找他的人很多，這是典型的供給側問題。我有一個電腦把他以往的病例全挖出來，經過基本整理，配一個團隊，極大的擴大了名醫工作的能力，這是第一個問題。
第二，中國是極端的醫療資源不平衡。為什麼全國人民跑到北上廣看病？如果供給側極大地提高醫生的水準，這是一個極好的事情。
王田苗：人工智慧對於醫學的變革，包括精准度，確實起到很大的作用，這會不會由於法律問題會制約發展？我內部瞭解過報告，GOOGLE 就罵美國衛生部法律不改，其實它掌握最準確的東西。比如吃藥的效果不同，哪個藥的效果好，包括X片的識別，它不敢做應用，法律上說會你的原始資料從哪兒來的，資料是不是合法的？會追溯這個。
鄧侃：第一是臨床診斷臨床決策，第二個是實施的臨床路徑。有兩種方法，馬雲或者GOOGLE這種大腕兒經常會說，七年之內醫生要失業一半，把人都嚇死了。拿業界的話說，這叫體制外顛覆體制內，這是典型的互聯網思維。拿互聯網的新武器，這基本感覺像當年的西班牙人扛著槍跑到南美洲，把印第安人轟走了，這是那種顛覆。我們的看法是，這個路徑是很危險的。裡面有兩個不尊重，第一，我們對人體的瞭解還是有限的。剛才這位老師說能不能模擬人體？我不看好。很多藥廠跟我們談，能不能從病例當中分析療效？很難。到目前為止，用各種探測手段，我們對代謝、藥物吃下去發生什麼過程搞不清楚，剛才說的思路是對的，能不能做一個數位人體來類比整個過程？原子彈爆炸都能模擬，為什麼人體不能模擬？真的是這樣。核聚變我知道是怎麼回事，人體怎麼吃東西的真不知道。所有體制外顛覆體制內的言辭，我覺得說實話，從我個人角度來講有點傲慢。我們對人體不瞭解，你怎麼能說顛覆？這是第一個事情。
第二個不尊重。人類醫生有很大的問題是所謂經驗，我們到目前為止對什麼叫經驗其實不太清楚，但是有一種直覺，模模糊糊可能是深度學習當中的觸發函數，一種假設。誰能證明這件事情？有一些言論從體制外顛覆體制內，表現出對醫生行醫經驗的不尊重，到底是什麼經驗我們真不知道。
兩個問題之下，比較穩妥的方案，我們從體制內幫助體制完善，而不是一下子把人給掀了。
王田苗：現有的方法會不會替代？
何暉光：為時尚早，我從99年開始做醫學圖像，跟很多醫生打交道，以前醫生看片子拿膠片，我們研發PACS系統去説明醫生看片，現在我們研發電腦輔助診斷系統，我們所做的工作都只能是輔助醫生診斷，絕對代替不了醫生。
智慧醫療——人工智慧前進的三個方向
王田苗：體系結構會不會顛覆？我們現在所有的演算法還是工程方法，資料和計算是分開的。
鄧志東：一個是大資料智慧，一個是生物智慧，並行在走的。
王田苗：人工智慧走的快一些，生物智慧模擬走的慢。
何暉光：晶片上現在也有一些進展。
鄧志東：今天人工智慧的成就真是歷史的偶然，遊戲的發展讓我們有了強勁的GPU，移動互聯網與雲平臺讓我們有了大資料，加上以前的演算法，都是很偶然的事情。卷積神經網路演算法，也只是從腦科學中獲得借鑒或啟發。
何暉光：神經網路去代替醫生，我覺得還很遙遠。
鄧志東：腦科學在神經細胞層次做，相當於置身森林裡，對每個樹進行研究，意義不大，必須對整個森林進行研究。細胞層次太低，要努力達到功能模組和整個通路的層次，甚至是各個通路整合的層次。
王田苗：這個結構出不來，意味著體積和能耗無法替代。人的智能消耗多少瓦？晶片的計算能力沒有可對比性，單項超過人，綜合的不可能。
何暉光：智慧的產生有可能是在相互連接神經元的連接過程中間可能產生。
楊靜：柯潔五年3300打到3600，AlphaGo五個月從0打到4500。
王田苗：單項集合，下圍棋的搞一個晶片，下象棋的搞一個晶片，結合起來。
何暉光：這是目前研究的方向，通用人工智慧。
楊靜：通用人工智慧不僅能下棋，也能看病，也能開車。
何暉光：DeepMind 有一個工作，是把記憶模組加到神經網路裡面，他們把記家族譜系作為一個外部的知識引擎，後來把這個模型擴展到倫敦地圖裡。
鄧志東：目前的深度學習方法只有識別能力沒有理解能力，沒有語義是一個很大的問題，這塊也是它有別於人的缺陷之一。
王田苗：假設在人工智慧理論上，想突破的三個方向是什麼？未來人工智慧的應用，理論上有GOOGLE公開了，學習演算法不用了，這個已經沒有門檻了，實際誰有強資料就能佔領制高點，這是第一個結論。這個事情制約了理論，剛才說有了資料、開源分析，多加幾個清華、北大的人才就可以了。
鄧志東：對產業來說確實就是這樣。
何暉光：門檻降低，我們在學術界很尷尬，這些資料基本都是在BAT。
王田苗：人工智慧前進的三個方向是哪三個方向？
鄧志東：從人工智慧產品開發與產業發展的角度來講，從某種意義上說，“人工智慧+”就是“大資料+”，關鍵是怎麼選擇特定的應用場景，方便得到大資料，而且容易對大資料進行清洗和標籤，這是一個方面。對研究機構來講，則是前沿技術的探索，我覺得可以做如下三個方向的研究：
第一個方向，半監督、無監督（學習）。前面說過，一是利用深度強化學習，二是先在其他同類大資料上進行模仿式的監督預訓練，然後再進行小樣本監督學習。那是否還有更好的半監督、無監督深度卷積神經網路方法？
第二個方向，通用人工智慧，也可以叫基於深度神經網路的多工學習。
第三個方向，與知識圖譜的結合或者與認知智慧的結合，也就是基於學習的連接主義與符號主義的結合。
王田苗：第三個方向，會不會又回到過去的人工規則的老路？
鄧志東：不是，這是建立在新的起點之上。以前完全是懸浮在符號層面進行規則的人工設計，現在有了感知智慧帶來的“模式”識別能力，而且即使在符號層面，也都是基於學習進行的，比如使用LSTM等遞迴神經網路，利用大資料或小樣本。
何暉光：我補充一個——群體智慧。
鄧志東：那個目前就是做啟發式全域優化計算。粒子群、蟻群、狼群等各種群體智慧方法都寫到教科書裡了，許多方法上個世界90年代就有了，只不過近期一篇Science論文現在又火起來，但怎麼去做“群體”智慧而不是優化計算，還需要深入思考。
何暉光：我們討論的過程中會有智慧的湧現。
楊靜：這就是我們這個論壇的意義所在了。為什麼不呆到黑屋子裡面想，要開一個會？因為會有智慧湧現出來。
何暉光：各人的專業背景不一樣，在交流的過程中間互相啟發。
在開放複雜的巨系統中，解決問題的方法論就是人機結合的體系，但是它是一個方法論。我讀博士的時候，沒有深刻的體會，現在做相關工作 20 年之後，發現我們所做的東西都是在這個體系架構中間。
能源——能源大腦的構建
馬康煒：新奧集團本身是傳統企業，在這個時代下，在快速擴張發展的過程中，必須關注人工智慧大資料和行業大資料。我們涉及的產業非常多，除了能源，還涉及到醫療、健康、新能源等，積累了很多資料。以前這些資料固化存在，只是一個記錄而已，並沒有活化起來。現在希望通過人工智慧注入到企業把資料重新活化。説明傳統行業創建新的業務模式。通過新的業務模式，實現對傳統行業的智慧升級。
去年我參加AVS會議，和包括海康威視、清華、中科院的專家探討IoT 相關標準和視頻標準化制訂的工作。相信在不久的未來，IoT標準化之後，更多資料將互聯互通。5G時代的到來，將推動資料互聯的飛躍式發展。
未來方向的主旋律都將圍繞著我們如何利用資料説明行業進行創新應用或者賦能展開。我相信未來三到五年，在普適性的人工智慧出現之前，一定是以行業為主力點。
王田苗：能源問題，拿智慧建築來說，人們關心每個屋子的溫度耗能多少，燈開了沒有，這個物聯網五年後大城市是不是能夠鋪完？
田海亭（新智研究院 能源創新業務產品總監）：對於能源和大資料分析，現在是一個最好的發展視窗期，從2010年開始，國家一些大的能源運營商開始摸索著建立一些各自的能源物聯網系統，國家電網公司、南方電網公司、華潤公司等都已經有所嘗試，有了一定的應用基礎和資料積累，比如剛才所說到的建築的能效提升等應用。為什麼說現在是一個最好的時候？從2015年開始，咱們國家從決策層面開始大力推進新的電力體制改革，在“十三五”規劃中指出推進能源與資訊、材料、生物等領域新技術深度融合，統籌能源與通信、交通等基礎設施建設，構建能源生產、輸送、使用和儲能體系協調發展、集成互補的能源互聯網。
原來電力系統是包含發、輸、變、配、用整套流程的獨立體系，煤炭是煤炭的體系，油氣是油氣的體系，各自獨立，經過我們國家的改革，它的方向是什麼？把它變成多種能源互補的綜合化的能源運營網路，我們叫能源互聯網。不管是用戶也好，能源運營商也好，能源輸送商也好，都將能夠參與到能源互聯網中，根據許可權分享能源流通的資料，原來單一能源體系的物聯網架構也將變成綜合能源服務的物聯網架構。現在到大資料這一塊。原來電力運營公司掌握一部分電力運營資料，天然氣公司有一部分資料，樓宇有樓宇的資料，區域有區域的資料，經過這種物聯網底層的資料傳輸和資訊採集通道打通，能源相關的大資料在能源品類和環節上得到了整合。利用這些資料可以開展對能源使用者的分析，比如在用戶層面可以對用戶的信用進行分析，對未來增值服務的需求進行分析，可以對使用者的能耗曲線進行預測。還能夠對能源運營商的運營情況分析，還有能源相關的設備分析，還有能源交易的分析等等。
王田苗：實現之前需要感測器，對於 toB 的，沒有感測器就沒有大資料。從目前發展的進程看，能源的物聯網什麼時候能實現？
田海亭：現在已經在實現中。2010年已經開始，比如國家電網公司的用電資訊採集系統，我們每家每戶所安裝的智慧電能表的資料已經被集中到國家電網公司的一套ICT系統的資料庫中。現在住建部在推廣的多表採集，也是想把水、氣、電、熱表的資料統一採集，集中到一起。比如這棟樓可以監測所有用戶的用水、用熱、用氣、用電資料，通過人工智慧和大資料分析技術，可以分析交費情況、能源運用情況，向使用者推送將來的用能建議，比如建議用戶什麼時候買天然氣、電，怎麼個買法，通過繳費判斷信用有沒有問題，通過人工智慧給你一個相應的客戶服務，類似Siri 這樣的技術，輔助用戶線上自動繳費扣費，不用專門跑到營業廳，對於比較差的客戶，可以調用相關資訊進行安全監控。此外，智慧能源跟智慧城市、智慧交通、智慧醫療、智慧安防也能夠結合到一起，現在已經在安裝一系列的感測器，包括智慧開關、智慧插座、智慧插座等等，跟閘道聯合到一起實現智慧家居的應用場景，包括戶內定位、戶內雙向交互、戶內家居控制、戶內四網融合、多網合一，不只是單一的能源服務，而是一個公共事業服務和智慧化城市一體化的思維來做這件事情。
移動通信——根據使用者情況自動調節網路組織，以最優的成本提供使用者最優的服務
楊靜：中國移動是1.5萬億市值的巨大企業，每年利潤好幾千億，是一個巨無霸。對通信行業對世界都是非常有影響的企業，我們有請中國移動研究院的魏晨光副院長給我們分享一下，人工智慧在移動通信方面的應用有什麼樣的發展。
魏晨光：在這個會議室裡面可能只有我是純粹的外行，真是抱著學習的態度來的。剛才幾位專家的發言給我啟發很大，我先回答楊總給我出的命題，人工智慧在中國移動可能有哪些應用？我個人認為應用範圍可能非常廣泛。從給使用者提供服務的角度來講，各位提到的醫療領域、金融領域，以及能源、農業、工業等各個垂直行業相關的資訊化服務，中國移動或多或少都有一些涉足。大資料技術是實現人工智慧的很重要的技術，引入大資料技術對於增強原有的客戶服務、垂直行業解決方案的品質來講，是非常有幫助的。
另外，運營商自己的網路管理也可以從人工智慧的發展當中獲益，在引入大資料技術之後也可以説明我們更好地監控品質、提升用戶的驗，為使用者提供更好的服務。
第三，移動網路本身。近期運營商層面也有一些探討，移動通信網，包括無線網路、核心網路、傳輸網路等，有沒有可能借助人工智慧技術變得更智慧，根據使用者情況自動調節網路組織，以最優的成本提供使用者最優的服務。此外，客服系統，如10086，也可以借助大資料技術為使用者提供更優質便捷的服務。
對於未來，從科幻愛好者的角度來講，我自己很期盼在腦科學方面能夠有突破。我們對人體，對自己的大腦這一很奇妙的系統究竟是怎麼運轉的，還沒有把它真正研究透。當我們把它研究透以後，也許我們不必從演算法層面實現人工智慧，可能有新的突破性技術出現。仿生的還是人機結合的或者怎麼樣，我個人想像不出來，也許在研究過程中就可能會產生顛覆性的新技術來取代今天的電腦。
楊靜：未來三到五年，人工智慧定義其實有兩種，一種是弱人工智慧，簡單說就是用深度學習方法來處理大資料。這是產業界現在通用的辦法，能從效益上得到快速提升，無論是圖像還是語音包括翻譯領域，都取得特別大的突破。另一個層面是強人工智慧，DeepMind 搞的是這個東西，並不是說五年之內有一個解決方案。未來三到五年這個路徑其實還是挺清晰的，剛才各位專家闡述了，無論在醫療、安防還是金融方面——自動駕駛我們並沒有展開談，待會兒鄧教授可以分享一下自動駕駛方面。這幾個領域裡，未來三到五年弱人工智慧可能在產業 裡面落地應用，也就是說實現“ AI+”，這可能是未來三到五年最廣泛的也是對整個社會影響最大、產業顛覆最大的作用力。未來三到五年的展望就是深度學習在大資料處理分析上的廣泛應用。
接下來我們來聊聊 2049年的展望，從現在的科學研究看2049年的情況。
展望 2049
王田苗：現實來看，特別是toB來說，感測器很重要，加上網路變成了物聯網，物聯網上去以後就給行業做人工智慧分析，優化、配置等等。我的問題是，5G 捏在移動手上，5G什麼時候在大城市用？5G是不是以它為核心，其它人是不是不能競爭？
魏晨光：5G是移動通信通用技術，中國聯通、中國電信也一定會上5G的。
王田苗：另外一個事情是量子通信，如果要做的話國家會交給中國移動，不可能交給外國公司、小公司。這個會不會在未來20年、30年部分能實現？
魏晨光：有關量子通信我聽到的消息，現在做的是單光子，離商用的距離稍微有點遠。如果確實能夠做到大容量，而且保密程度又很高的話，大家都會用的。但是具體什麼時候能夠達到這樣一個大規模商用的水準，那得看它自己的進展。
王田苗：30年以內有希望嗎？城市和城市、國外和國外，雖然不能點對點。
魏晨光：我在這方面研究的不多，最好請教一下教授們。
王田苗：我們暢想一下，有時候一談到 30年以後，暢想這個事還是比較難回答的，暢想還好說，如果預測更麻煩。30年後從社會形態來看，泛娛樂是非常厲害的。每個人個性化，現階段泛娛樂理解成遊戲，今後的文化、電影，各種各樣的泛娛樂，通過大資料非常精准能知道哪個熱哪個好，有很大的影響，反過來刺激創造這個內容去完善。這是從人的生活形態來看。
再一個，醫療健康。還是從生活形態來看，幹細胞和基因對美容對健康的影響，每個人都會有私人助理，不是人而是機器，知道你的體溫、睡覺、上次體檢的情況，我們誰知道上次體檢的資訊？資訊瞬間集成。我們這些人身體條件好的話，有可能活到上百歲。基因幹細胞和人工智慧不是分開的，沒有人工智慧得不出來。人的長壽、私人助理醫生出現。
交通。除了現在的飛機點到點、火車固定線路以後，無人駕駛出來了。原因是除了我們所說的擁擠、環保、交通事故以外，特別有一點是堵車很枯燥。現在來看假設不考慮成本，防控、避障、安全，技術不成問題，主要是法律問題，有人和無人混在一塊兒會造成很大的問題。至少在上班的時候，大城市裡有 70% 都是無人駕駛了；30%可能還需要人。原因有兩點，比如某人很有錢，會有助理幫她扶一下；還有海邊、山地旅行特殊地形靠人開，特定區域還需要人開。
黃華明：今天機會難得，我是來學習的。我從事金融行業，剛才大家都提到。我最近比較關注未來的信用社會，包括我們做投行、IPO，這個行業也將很快被顛覆。最近區塊鏈、比特幣，將來可能貨幣發行體系都會發生改變，一家公司可以發行自己的信用貨幣。未來30年如果這種情況很普遍，我真的想像不出整個社會信用體系會是什麼情況。
何暉光：我做醫學圖像這塊做了很長時間，技術在進步，X光以前看不到的現在看得到，開始是二維的，後來又有了CT，有了核磁以致分子影像。每一次進步讓你看得清、看得准、看得早。對腦科學的觀測工具上如果能夠有進步的話，肯定會大大促進腦科學的發展。以後有可能在腦機介面方面，各種智慧假肢，包括人工視網膜、人工耳蝸都會出現。人工耳蝸現在是很好的應用。視網膜相當於是一個光學系統，它將把看到的影像轉變成電信號，大腦的視覺皮層是一個資訊加工系統，當視網膜受損，如果我們可以將圖像所對應的電信號信號傳到大腦皮層的話，那麼就能使其“看到”圖像。在康復領域，腦-機介面可以幫盲人恢復光明，讓耳聾患者恢復聽覺。
如果腦洞再開大一點，如果真的對大腦的信號進行高度解析的話，你在想什麼東西，通過這個儀器就能探測到。目前腦電波的解析度還達不到，前提條件是要有高解析度的大腦觀測手段。另外一方面，還要研究控腦，比如有些人有精神疾病，其在大腦的一些地方有問題，如果我們通過光遺傳技術對大腦進行調控和回饋，可以將大腦調節到最佳、最健康的狀態。
無人車智慧駕駛這塊，確實是比較好的載體，把人工智慧各種技術很好地結合。以後把車聯網也建立起來，交通效率比人開的更高。現在一會兒一個加塞，一會兒並道，如果車和車之間都聯繫起來，大家都很守規矩，那確實讓交通更有效率。無人車的牌照問題怎麼去驗證，這方面涉及到法律上技術上的問題，需要進一步完善。
未來人類身體實現義體化，但區分人類的仍是意識標識
楊靜：腦控到底是機器通過腦機介面控制人的大腦？還是大腦控制機器？
何暉光：大腦控制機器可以叫做腦控，控腦就是反過來給你刺激，通過外界調整大腦的狀態。
楊靜：2049年究竟是人的大腦被機器控制，還是大腦去控制機器？
何暉光：人機協同，機器肯定為人服務。在構造機器人的原則過程中，我們要去討論機器人倫理，機器不能傷害人。如果雙方打仗，我的機器人有可能要去攻擊敵人，這中間也是涉及到倫理和規則怎麼去規範的問題。
王田苗：30年後會不會一天工作6小時，上午3小時、下午3小時？一、三、五上班，二、四在家工作，有沒有這種可能？拿歐洲來說，實際變成了4天半，美國人還加班，歐洲人不加班，星期五下午吃完飯，喝杯咖啡，兩點半下班。兩個星期打不起精神上班。
鄧志東：電影《攻殼機動隊》裡面有很多科幻的東西，有很多30年以後的事。會不會有ghost（意識）分離或植入？會不會有機器人義體假肢？人類身體義肢化，義體化，人的一部分組織器官被替換掉，或者人的四肢甚至大部分身體都被替換掉？
最顛覆的是大腦是不是也可以義體化？腦袋換了之後，把ghost植入進去，人已經不是真正的人了，是生化機械人或稱賽柏格（cyborg）。進一步，人的意識空間是否可以跟外部的網路空間互聯？物理上互聯互通後，那駭客就有可能攻擊人的意識，假如這個人從來沒結過婚，但駭客攻擊你的大腦造成錯覺，讓你覺得有孩子有家庭，還有債務負擔，也就是人的意識有可能被操控。
楊靜：把3D列印一個王田苗教授機器人，王田苗教授的記憶複製一下，這個機器人擁有了王田苗教授的記憶、人際關係，誰是王田苗？
魏晨光：到底怎麼區分這個人，是身體標識還是意識標識？
鄧志東：意識最重要。
王田苗：記憶的轉移或者大腦轉移現在看不到路徑。
鄧志東：人腦的記憶包括工作記憶、短期記憶和長期記憶。長期記憶存儲在海馬體裡面。大腦皮層的每一個通路都有一個工作記憶（working memory）。工作記憶通過反復強化轉化為短期記憶，短期記憶經過反復強化又可以轉化為長期記憶。近期國外有一個有趣的實驗，既然海馬體與其他功能模組或通路有聯接，那是否可以通過電極陣列把信號從聯接處截取出來，然後將表達長期記憶的神經發放序列存儲在硬碟裡面，也就是將長期記憶矽基化，這就相當於把你的記憶從“碳基”變成了“矽基”，永生了？神經電信號讀出來一點問題都沒有，關鍵是如何解碼。反過來用電腦編碼的神經發放序列去控制大腦，這個早就有了。例如2007年山東科技大學的機器人鴿子，頭部植入了電極陣列，可以接受電腦的命令，完成起飛、盤旋和著陸。
楊靜：在果蠅、老鼠腦袋裡面插入晶片來操控。
鄧志東：是的，這個叫機器人動物（robotanimal）。
自動駕駛發展前景樂觀，新四化模式清晰，未來傳統汽車製造或許淪為OEM代工廠
楊靜：自動駕駛到了2049年會是什麼樣的情況？
鄧志東：自動駕駛現在比較樂觀，最近有很多很好的消息，包括穀歌Waymo近期已開始在美國鳳凰城地區進行公開路測，也包括特斯拉自去年7月與Mobileye分手後，已經度過了最艱難的時期，不但挺過去了，而且還基於Nvidia的新平臺完全掌握了類似Mobileye的單目視覺技術。2015年10月特斯拉推出的Autopilot 1.0，主要是和Mobileye合作，實現了許多一流的輔助駕駛功能。去年10月份在量產車上推出的Autopilot 2.0，配備了8個攝像頭，12個超聲波感測器和1個毫米波雷達。已有超過3億英里的路測資料，視覺做成了360度環視，據稱利用深度學習已做到了人的視覺水準。當然，這要看特斯拉今年年底能不能從洛杉磯自主行駛到紐約，即4500公里全程無干預能否如期實現？這是一個值得未來觀察的標誌性事件。
還有穀歌分拆出去的無人駕駛部門Waymo，已有500輛由克萊斯勒Pacifica MPV插電式混合動力汽車改裝的無人駕駛原型車，並已開始在鳳凰城進行社會公測。他們採用雷射雷達為主導的環境感知方案，目前自主研發的雷射雷達，其成本削減了90%以上，僅7000美金左右。最新的自主行駛路測資料達到了300萬英里（483公里）。從萬公里人工干預數來說，無疑代表了目前世界上最先進的自動駕駛技術。此外正與Lyft合作佈局共用無人駕駛汽車。很多人認為他們2019年就會有性能逐步反覆運算的自動駕駛產品出來，也有人認為是2021年。自動駕駛功能是不斷反覆運算的，不是一步到位，而是成熟一個（軟體）升級一個。特斯拉也是走的這條性能反覆運算之路。特斯拉目前在網站上有一個使用者知情權協議，即由使用者授權公開使用你車上的攝像頭資料了，這就是從大資料看商業化進程。特斯拉軟體升級之後，功能逐步開放，一個一個開放，成熟一個開放一個。整個OTA無線傳輸準備好了，軟體定義升級也準備好了，測試一個功能，成熟以後就往上面放。現在Autopilot 2.0的軟體已經升級到8.1版本。商業化進程不斷加快。
國內做封閉環境下的低速車較多。專注於機場、港口、園區等，當然也能找到商業模式落地。特斯拉和穀歌做的是開放環境下的高速無人車。總之，自動駕駛真有可能是人工智慧最具商業價值的垂直應用領域，是萬億美元級別的巨大市場，可以顛覆人類的出行方式。2049年肯定是共用無人駕駛汽車時代。現在汽車產業的發展有所謂“新四化”，即電動化、資訊化、智慧化和共用化。這個商業模式已經很清楚了。未來北京或許只需要幾萬輛共用無人駕駛汽車，通過汽車絕對量的大幅度減少，從根本上解決目前的交通擁堵問題、安全問題、環境污染問題和節能問題。傳統汽車廠家不會全部消亡，但可能會變成OEM代工廠，就如同現在的上海鳳凰自行車廠。
楊靜：英特爾和Mobileye 也是一個體系。
鄧志東：主機廠不是內燃機汽車，而是新能源汽車，關注“三電”系統就可以了。內燃機汽車2049年可能會消亡，極有可能會變成新能源汽車，即基於新能源汽車的共用無人駕駛汽車。
2049最了不起的事情