人工智能的成就與挑戰

人們關心人工智能都聚焦兩個問題，一是人工智能現在發展到了什么程度？下一步我們該怎么辦？人工智能的發展比較緩慢。當時人工智能主要提出了兩個模型，一個是以知識和經驗為基礎的符號推理模型，用來解決人類理性的智能。但是這個工作進展得比較慢。直到2011年，這個模型才取得較大進展，典型的案例就是IBM做的watson系統，在人機競賽上打敗了人類。

為什么能取得這個結果呢？主要原因是，原來專家系統的知識是非常稀缺和昂貴的，而且要把這個知識放到計算機里面去，用人工的方法輸進去難度非常大，所以當時進展比較慢。為什么2011年能取得很大進展呢？最主要的原因就是這里面把互聯網的大眾知識輸入到系統，不需要經過人工加工。

第二個模型是機器學習或者叫做神經網絡。當時神經網絡在應用上的進展也很慢，最主要原因是當時神經網絡輸入要靠人工設計或者來編制特征。這種情況下我們要做大規模的系統就很困難。這個問題到本世紀初有了很大的轉折，即我們現在講的深度學習。把神經元網絡的層次增加以后，機器學習得到了根本性的改變，從原始的淺層學習變成現在的深度學習。另一個重要改變是我們把原始的數據輸進去，不必人工干預，這樣就使得深度學習變成一個大眾化的，大家普遍能用的工具，不需要擁有專業知識。由于這樣的革命性變化，這個技術正被廣泛采用。

深度學習最典型的應用是解決問題，即模式識別。圍棋為什么能夠成功呢？我們把下圍棋看成模式識別，通過深度學習圍棋程序，2015年以前只能達到業余五段，通過深度學習以后，在兩年的時間能夠實現三級跳，從業余變成專業，從專業變成世界冠軍，現在已遠遠超過世界冠軍。其中最重要的原因就是利用了大量的數據。

從目前來看，我們重要的任務就是把深度學習，以及早期的符號推理模型應用到交通、家庭、健康、教育等領域。我們國家特別強調在金融和智能制造的應用。我們可以看到我們國家的很多獨角獸企業，都是借助于深度學習技術，集中在圖像處理和語音識別這兩個領域。

但是，我們也必須看到深度學習的局限性，也就是我們一方面要充分進一步應用深度學習，但是另一方面盡管它可以在各個領域應用，但是也必然受到多種條件的制約。

現在用大數據建立的識別系統，盡管在某個指標上超過人類，但其他方面跟人類相比差距非常大。計算機的圖像識別率即使能達到跟人差不多，但仍有錯訛。我們扔一個噪聲給計算機就可以讓它識別成任何東西，這是它很大的弱點。這個弱點在很多應用場合里面是不允許的，如果在人臉識別、圖像識別里面有這樣的錯誤還可以容忍的話，如果這樣的錯誤出現在決策上的話，那是人們不可理解的。

我們目前仍然面臨挑戰，雖然人工智能取得了一些進展，但仍然有很大的局限性。應對這種局限性，深圳非常重視基礎研究，發展新的理論來引領技術的突破，克服目前人工智能存在的局限性并擴大應用領域，這樣才有可能真正使得人工智能讓人類生活得更美好。

（本文摘編于中國科學院院士、清華大學人工智能研究院院長張鈸在第二十屆高交會上的演講。）