對人工智能現在和未來的思考

張文生

(中國科學院自動化研究所)

1956年夏季，在美國達特茅斯(Dartmouth)大學，麥卡錫(McCarthy)和明斯基(Minsky)等人共同組織了用機器模擬人類智能問題的小型研討會，其學術本質是探討認知領域的復雜信息處理問題，并首次使用了“人工智能”這一術語[1]。人工智能已經走過了60多年的輝煌歷程，期間最吸引人們眼球、引起轟動的就是不同時期的人機大戰。縱觀其起起伏伏的研究過程，新的研究結果不斷出現，同時也有大量的研究成果被摒棄。我們不禁要反思這風風雨雨的60年，人工智能的本質是什么？哪些研究是永恒的主題？哪些研究成果至今還重要？哪些研究成果沒有意義？基于此，本文將展望未來人工智能的研究熱點和重點，特別是如何開展產業應用，讓人工智能造福人類。

1 如火如荼的人工智能現狀

自2015年以來，國內外人工智能產業呈現出如火如荼的景象，機器在搜索、計算、存儲、優化等方面展現出人類無法比擬的優勢，然而在感知、推理、歸納、學習等方面尚無法與人類相比[2]。

縱觀人類發展的歷史，必須給人工智能一個客觀的認識，那就是：人工智能是“人造的智能”[3]，以物化的計算機系統為載體，用于“解脫或者輔助人類腦力勞動”。從人類四次工業革命200多年的過程中不難看出：生產力的發展、工業革命的發展以及社會進步的過程就是人類從體力勞動到腦力勞動中逐步解放的過程。第一、二次工業革命實現了“機械化”和“電氣化”，通過制造各種工具/機器替代人進行繁重的體力勞動，將人從體力勞動中解放；第三次工業革命逐步實現了“自動化”，帶來了生產效率的飛躍，逐步將人從腦力勞動中解放；第四次工業革命是實現“智能化”，將過去需要人類的腦力勞動才能解決的個性化、柔性生產和產品服務中的復雜問題[4]，通過人造的智能來實現，將人從腦力勞動中進一步解放。

人工智能的長期目標是建立達到人類智能水平的計算機系統，在人工智能學科和應用的發展過程中，設定的人造智能系統研發目標往往與人類智能對標。人工智能研究之初，對比的主要方式是機器與人玩游戲，從20世紀60年代人工智能在西洋跳棋上戰勝人類選手，到1997年IBM“深藍”計算機在國際象棋上戰勝世界棋王卡斯帕羅夫，到2006年“浪潮天梭”超級計算機戰勝五位中國象棋特級大師，再到2016年3月9-15日谷歌公司研發的人工智能圍棋軟件AlphaGo與韓國世界冠軍李世石九段進行的圍棋人機大戰，最終AlphaGo圍棋軟件以總比分4∶1戰勝人類代表李世石九段。

經過深入冷靜的思考，容易發現：無論人工智能如何強大，比如在博弈游戲中不斷地挑戰人類，從結果來看這些都是在炫技，即炫耀人工智能陽春白雪的頂級成果，但并沒有關注如何將人工智能研究的成果用于創造人類的物質財富，開展真正的實際應用。

人工智能真正造福人類，將人類從腦力勞動中解放，是從智能搜索、工業機器人和電子商務開始的[5]。第一個互聯網搜索引擎是1990年在蒙特利爾麥吉爾大學創建的Archie，當時Archie瀏覽器僅是索引基于文件傳輸協議(FTP)的檔案。真正意義上的智能搜索引擎誕生是隨后以對搜索引擎服務進行升級優化為宗旨的Yahoo、Altavista、Inktomi、Google。這里對工業機器人和電子商務的應用不過多贅述，但值得注意的是，在這兩個領域人工智能的成功應用完全改變了人工智能炫技的歷史定位。

2011年IBM公司推出Watson認知計算系統，用來解決問答系統、醫療、金融、制造業中的復雜問題，使人工智能研究的關注點完全由“游戲娛樂”走向數以億計尋常百姓的實際生活應用[6]。

目前，人工智能已經滲入到人類的日常生活中，并在逐步改變人類的生活模式[7]。以人類的“出行模式”為例，以人工智能為核心的自動汽車駕駛技術，正在將人類逐步從完全依靠腦力勞動實現駕駛汽車的任務中解放出來。2012年5月7日，內華達車管局為一輛改裝版的“豐田普銳斯”型汽車頒發“001”號車牌，這是首輛獲得車牌的自動駕駛汽車；2017年6月，130輛通用公司的新一代Bolt自動駕駛測試車正式下線，通用公司成為第一家可以實現自動駕駛測試車輛量產規模的車企，并計劃在2021年開始嘗試銷售自動駕駛汽車；2018年2月，谷歌Waymo獲得亞利桑那州交通部門許可，無人駕駛小型貨車在亞利桑那州向乘客提供付費交通服務，后續將推出自動駕駛出租車叫車服務。

人工智能一直以來致力于用計算機模擬人類大腦解決問題，讓人從腦力勞動中解放出來，讓計算機看懂世界，目前已經誕生了谷歌大腦、百度大腦、訊飛超腦、阿里城市大腦等一系列互聯網大腦。

谷歌大腦是Google X實驗室的一個項目，通過將1.6萬臺電腦的處理器相連，建造出大型中樞網絡系統，能夠模擬人腦實現自主學習，有望成為人類社會首個真正意義上的人工智能系統。百度大腦是模擬人腦神經元組成的超大規模神經網絡，擁有語音、圖像、自然語言理解和用戶畫像四大核心能力。訊飛超腦模擬人腦神經元構建深度神經網絡，旨在實現世界上第一個中文認知智能計算引擎。阿里城市大腦以阿里云彈性計算與大數據處理平臺為基礎，逐步實現城市海量多源數據的收集、實時處理與智能計算。

2 令人擔憂的人工智能繁榮

盡管人工智能已經如火如荼，但是，從事人工智能研究的人為當前媒體過分宣傳和民眾對人工智能過高期許感到非常擔憂。縱觀人工智能60多年來“三起兩落”的發展歷程，我們發現每一次人工智能的熱潮都源于長期的人工智能理論積累和關鍵技術突破，然而，每一次人工智能墜入低谷都是人類對人工智能的期望遠遠超出其理論和技術水平。

目前，國內外對人工智能炒作有過熱的趨勢，無論是學術界還是商業界，都低估了大數據時代新出現的認知問題的復雜性和難度，導致后續的技術研發無法支撐任務的推進[8]；與此同時，新技術往往意味著新的投資機會，乘機炒作、騙取資本在所難免，炒得越熱，潛在的泡沫就越大。事實上，人工智能繁榮發展的表面之下，存在很多隱患和值得關注的問題，需要全社會科學地理解人工智能，正確地把握人工智能的本質，改正過去和現在對人工智能的片面認識。

2.1 人工智能是人造的智能

人工智能是旨在研究、開發、模擬、延伸、拓展人類的智能的理論、方法、技術與應用系統，可見人工智能就是人造的智能[9]。從智能機器人、無人系統發展的歷程深入思考，我們可以認為：智能機器人等只是人工智能成果的一個實物展示，其核心集中在將人類研究出的智能用一種機器作為載體。除了機器人以外，有代表性的人工智能產品包括郵政分揀、文字識別、語音識別、多語種翻譯、自動問答、車牌識別、視頻智能監控、智能搜索、智能輔助駕駛等等，這些產品的智能水平/應用滿意度或高或低，但是，人造的智能系統正在向我們走來。

從上述人工智能成果應用的案例中，我們發現：人類智能主要是從大腦結構和功能兩個方向展開研究[10]，因此，研究產生智能載體的途徑可以歸結為兩類：結構派和鳥飛派[11]。然而，人造的智能存在諸多難以逾越的局限，比如認知論機理的局限、智能物化方法與途徑的局限、數學方法與工具的局限、計算模型方面的局限、實現技術和途徑方面的局限等。

2.2 人造的智能可以精準定義

按照傳統的說法，直到今天多數學者贊同“人類的智能”(簡稱智能、人類智能)難以說清楚，究其原因是無法將人類智能形式化、數學化，但是，人造的智能(簡稱人工智能)是完全可以形式化、數學化的。

2007年，Legg等[12]指出：人類提出過至少70種人類智能的定義，但是，至今還未有蓋棺定論的說法。對“人類智能”定義及界定的模糊，使得度量“人類智能”變得困難。缺少“人類智能”的量化，導致我們無法精確地判斷人類智能水平的高低，只能借助某些角度的局部特征來描述。

人工智能不同于人類智能，我們完全可以借助人工智能解決的“問題難易程度”來度量人造的智能高低。眾所周知，從1956年夏季麥卡錫和明斯基等組織的用機器模擬人類智能問題的討論會以來，人工智能公認是解決認知問題復雜信息處理的科學。認知領域復雜信息本質是非線性信息，而非線性信息的難易程度在數學上已經研究多年，積累了大量的研究成果，這些數學成果可以有效地度量非線性的大小[13]。例如：VC維(VC dimension)，可以從函數論/泛函角度衡量某個待研究問題集合的復雜程度；拉德馬赫復雜度(Rademacher Complexities)可以結合函數論與隨機科學來衡量某個待研究問題集合的數據分布的復雜程度。因此，我們完全可以借助數學上成熟的非線性理論來度量人工智能問題的復雜性，進而用于衡量人工智能的智能水平。

2.3 反饋是實現人工智能的絕招

“反饋”是人類智能的顯著特征，是控制科學獨到的特色，也是人工智能區別于計算機系統的顯著標志。當一個人舉杯喝咖啡時，他/她通過視覺反饋可以改變手拿杯的位置，從而更順利地享受這一杯咖啡。同樣，通過將聽到的媒體信息或者感覺到的天氣溫度反饋給大腦，人可以調整穿衣。然而，計算機科學沒有“反饋”這一標簽，否則，計算機“死機”就不存在了。人工智能就是要把控制科學與計算機科學“混雜”，期待解決用機器(計算機)模擬人類智能的難題。

反饋的思想貫穿于控制理論的整個發展階段。1943年，Rosenblueth等[14]發表了最早的控制論文章“Behaviour，purpose and teleology”，指出人的行動和目的是從神經系統出發進入肌肉，然后通過感覺再進入神經系統的環形反饋過程。隨后一系列控制理論都以反饋作為基本理論，在現代控制理論、大系統控制與智能控制理論中，反饋思想得以擴展[15]。

2.4 必須讓大數據說話

人工智能早期主要集中在設計各種簡單的線性與非線性模型，但是，隨著社會的發展，需要解決的認知問題逐漸復雜化，早期的理論和方法難以處理復雜的非線性問題。對于認知領域的復雜非線性問題，孤立的個體探尋其規律不足以建立可靠的模型，究其原因，在于個體獲取的數據/信息不足以認識復雜非線性問題的本質，必須借助大數據，同時結合個體經驗，才能解決復雜的人工智能問題。

一方面，大數據樣本分布廣泛，讓機器學習模型很難過擬合，這種優勢有助于在受限場景下取得超越人類的學習效果，比如語音識別、圖像識別等達到或者超過了人類識別的水平；另一方面，大數據并非唾手可得，一些成本較高的領域數據極為稀少，即便有大數據也不一定能用，例如主觀性較強的應用、信息采集的個體差異大且不具備獨立同分布規律、優化目標不明或推理路線不清等。

大數據時代數據規模、質量等的改善，使得諸多機器學習算法的建模效果大幅提升，特別是在機器學習算法缺少良好建模方法的情況下，需要大量數據才能擬合[16]。如果直接斷言大數據和機器學習的深度結合就可以創造出全能強大的人工智能，則會陷入一種過度依賴數據驅動的方向，換言之就是過度神化數據驅動可能導致方向性錯誤。

2.5 人工智能最適合用于制造業

從制造業生產線上采集的數據質量非常高，這些數據除了存在隨機噪聲以外，只有系統噪聲，此外，這些數據幾乎是以連續方式呈現的。對比從互聯網上采集的數據，我們發現制造業數據的質量遠遠高于互聯網數據，互聯網上的數據經常存在偽裝、突變。由于人工智能不擅長利用偽裝、突變數據，因此從尋找制造業規律、減少操作人員腦力勞動、解決網絡化制造等角度考慮，人工智能應用到這一領域是非常合適的，遺憾的是中國人工智能界和制造業企業家目前還沒有充分認識到這一觀點。

人工智能用于制造業能起到事半功倍的效果，工業制造是與國家生產力產出直接相關的行業，在國民經濟中的作用舉足輕重。美國Softweb Solutions公司首席策略官Vibhu Bhutani表示：建立完整智能制造系統的基礎是單體機器可以為人工智能訓練收集高質量的數據。制造業的數據有著非常良好的標準和質量積累，對于訓練人工智能模型有很大的優勢。制造業生產過程流程明確、任務清晰，而人工智能一旦成功應用于制造業，一些復雜腦力勞動完全有望借助機器來完成。例如，2017年，著名人工智能學者、前百度首席科學家Andrew Ng創建的LANDING.AI公司，其近期的機器視覺產品可以對工業產品的微小瑕疵進行超越人類肉眼水平的監測。

未來制造業的一個重要的發展方向是智能工業設備和人工的結合，實現網絡化協同制造[17]。工業智能技術的升級并不意味著完全替代人類的作用，2017年麻省理工學院(MIT)和Rochester大學研究人員也正式提出了新的人機協同制造概念，通過簡單的語言交互，人類可以即時控制機器完成非預先編程的動態任務。

水力旋流器入口設為速度入口，連續相介質為水，流速為3 m/s，設定顆粒入口處的射流源為面源，顆粒入口速度與液相入口速度相同，離散相密度為2 600 kg/m3，且顆粒粒徑分布服從Rosin-Rammler分布[11]；溢流及底流出口均為壓力出口，壓力設置為0，設置溢流口為逃逸，底流口為捕集；壓力-速度耦合方式為SIMPLE，壓力離散格式為PRESTO。其他控制方程的離散格式均采用QUICK格式。設置重力加速度為9.81 m/s2。

2.6 對人工智能必須冷思考

盡管人工智能改變了很多領域的商業模式，但是，在“人工智能熱”的背后，要進行深度的“冷思考”[18]。我們要清醒地認識到，人工智能并不是萬能的。人工智能說到底是掌握在人類手里的技術，是否能夠發揮人工智能的能力，取決于人對當前任務和問題的認識程度。

以人機圍棋對弈等對抗游戲為例。圍棋是一個回合制游戲，局面信息對雙方公開，屬于完全信息，并且玩家行為邊界確定；而以星際爭霸為代表的實時戰略性游戲中，實時性、對抗性都更強，并且雙方都不能完全掌握局面信息，玩家行為邊界不確定?？梢钥吹剑m然都是人機對抗，但是應用任務不同，背后的科學問題本質上也不同，一個是有限狀態空間中的戰術決策問題，另一個是無限狀態空間中的戰略決策和規劃問題。所以，人工智能盡管很強，但是也不能解決所有問題，如果某個問題從理論上講人工智能無法解決，那么就不要盲目試探[19]。

如何確定人工智能是否適合于當前的任務呢？從理論角度講，這是可學習理論研究的范疇。明確了問題是否可學習之后，就需要從實踐角度思考，如何實現學習？我們提出兩個相輔相成的技術路徑，一是需要對問題進行合理近似，二是需要發展人機共融的智能技術。

現實世界是非線性復雜系統，往往不能求得最優解，實踐中為了得到較為滿意的解決方案，需要對復雜系統線性化、離散化。對于求解仍然存在難度的問題，需要加入人類經驗和決策，形成人在回路的增強智能。2017年，中國自動化學會成立混合智能專業委員會，在大會上鄭南寧院士指出：“協作與認知”需要混合增強智能，解放人的創造力，發揮機器智能的計算力，相互彌補，共融共生[20]。

3 深入思考人工智能未來

縱觀人工智能科學、技術和應用的發展歷史，可以發現，人工智能從來不缺技術。我們有數不清，至少數以萬計的機器學習、模式識別算法，也有不計其數的符號邏輯模型以及符號推理算法。同時，我們也發現：針對一個確定的認知問題，某種算法比較有效的情況下，很快其他大量的算法經過改造和革新，解決這類問題也非常有效。

那么，未來的人工智能究竟缺什么？個人認為，未來我國人工智能發展最值得我國政府關注的是基礎理論、產業應用和商業模式。

3.1 引領未來發展的基石是人工智能基礎理論

建議我國政府下大力氣，投入重金解決符合行業需求的人工智能基礎理論問題，實現定向人工智能理論的原始創新。值得注意的是，研究定向人工智能原創理論不需要人海戰術，科學史上研究理論的歷來是小而精且能做到深耕多年的少數人。

眾所周知，“條條大路通羅馬”，減輕人類腦力勞動負擔的技術途徑千差萬別，既然人工智能是“人造的智能”，那么對同樣一個減輕人類腦力勞動的具體任務，不同的“人工智能工匠”會造出不同的“智能的計算機系統”，這些“系統”會實現“異曲同工”的效果。技術是不斷迭代優化的，過去的歷史表明任何一種新的人工智能技術總是“各領風騷三五年”。哪怕是深度學習技術，其奇妙之處在于精細的特征提取，這是深度學習的底牌。但在同樣的軟件和硬件代價下，深度學習能達到的學習效果，其他多種機器學習方法都能達到同等效果；而其他機器學習方法解決不了的人工智能難題，深度學習也不能解決。

3.2 未來值得重點關注的人工智能產業應用

建議我國政府在公共服務、戰略安全、國計民生等領域加大投入，強化人工智能產業應用。從國際人工智能的現狀和理論技術可用的水平來看，以下5個方面的人工智能產業最有可能產生規模應用，在未來值得重點關注。

3.2.1 智慧醫療

我國作為新興市場國家的領頭羊，人工智能醫療始終保持高速發展態勢。目前，我國智慧醫療發展歷經計算智能階段，正處于從感知智能向認知智能過渡的發展階段，不同細分領域的技術發展情況和落地應用成熟度有所不同。AI醫學影像是人工智能在醫療領域應用最為廣泛的場景，率先落地、率先應用、率先實現商業化。手術機器人、藥物研發、精準醫療等領域已有部分落地應用，但因成本或技術原因，尚未實現規?；占埃磥碓鲩L空間較大。受2020年初開始的新冠肺炎疫情影響，人工智能在公共衛生領域，特別是傳染病的預防與控制方面發揮重要作用，傳染病大數據分析預警系統、疫情排查系統、智能測溫機器人、消毒機器人、語音服務機器人等在戰“疫”一線被廣泛應用。在這一領域，遠程醫療、智慧健康、高端醫療設備應重點關注。

3.2.2 智能教育

目前，我國智慧教育尚處于起步發展階段，截止2020年，中國38家人工智能教育領域的代表企業累計融資金額接近60億美元?；ヂ摼W的發展，催生了在線教育多種模式的應用落地，部分解決了教育資源分布不均勻問題，教育趨向于數字化、網絡化和智能化。構建數字化的教學環境，旨在將已形成的巨量數字化信息結構化，通過區塊鏈技術支撐的教育信息共享，可在有效整合教育資源的同時，實現跨平臺、跨區域優質教育資源共享。此外，通過技術迭代、數據積累和知識圖譜、模型算法的完善可以讓教育數據流動起來、讓教研“活”起來。在這一領域，交互/沉浸式課堂、遠程教學應重點關注。

3.2.3 智慧金融

在技術創新的引領下，我國金融行業逐漸邁入智能化時代，智慧金融在證券、銀行、保險、理財、支付等領域的實踐有效地拓展了金融服務的覆蓋面。我國的移動支付每年22萬億以上，是美國市場的20倍。但我國目前尚無完備的電子商務服務、集成平臺以及健全的金融科技生態系統，雖然已初步形成涵蓋金融基礎設施、資本市場投融資、支付清結算體系，但金融科技生態圈智能化水平相對不足。建議重視智慧金融服務，對金融服務進行科技創新和流程再造，加速金融機構的數字化轉型，同時對大數據、人工智能、區塊鏈技術進行研究與應用，促進銀行企業金融領域的業務創新和發展。在這一領域，金融漏洞挖掘、惠民金融、供應鏈金融應重點關注。

3.2.4 智能制造

2013年德國政府發布的《實施“工業4.0”戰略建議書》中指出，智能制造時代是實體物理世界與虛擬網絡世界融合的時代。以德國工業4.0為代表的智能制造技術凸顯了人工智能在制造業的奇妙之處，正在顛覆傳統制造的理念。智能制造作為制造業發展的方向，也是人工智能的一個重要應用領域，其核心是制造業基于數據分析的轉型，用人工智能方法減少人的腦力勞動。目前國內在智能制造領域面臨發展模式創新不足、技術能力尚未形成、融合新生態發展不足、核心技術/軟件支撐能力薄弱等問題，相應的核心軟件、技術標準、支撐平臺以及智慧企業需要進一步完善并形成突破，應積極發揮人工智能在“三步走”實現制造強國戰略目標中的引領作用。在這一領域，網絡協同制造、智能工廠應重點關注。

3.2.5 智能交通

國內智能交通產業處于穩步增長階段，在國家政策的支持下，隨著5G等技術推動，智能硬件產業不斷升級優化，智能網聯汽車行業方興未艾。目前，國家層面對智能交通的投入集中在新型車路協同基礎設施上，如多模RSU基站和交通流感知設備等。需要指出的是，我國實時交通數據的融合和精確感知技術還不成熟，手機通信數據、停車數據、氣象數據等都沒有形成有效的大數據。自動駕駛或者輔助駕駛相關技術不夠完善，行駛過程中不免因其他非智能汽車的干擾而造成危險。交通信息服務正逐步發展成眾包模式，現有交通控制策略急需轉變，對于交通系統運行狀態安全狀態辨識、應急響應與快速聯動技術、交通狀態的研判和主動安全保障技術仍需要進一步完善。在這一領域，智能路樁、自動駕駛應重點關注。

3.2.6 軍事智能

人工智能是賦能增效性“技術群”，對武器裝備、指揮控制及作戰實驗等的效能提升具有聯動作用，軍事鏈條中一個環節的增強往往會帶來整體軍事鏈條的升級。軍事智能研究目前集中在傳統監視、偵察、威脅評估、水雷戰、網絡安全、情報分析、指控、教育和訓練等。在新型作戰理論、智能作戰樣式、創新指揮控制方式、軍事智能芯片、復雜對抗博弈環境下的軍事智能等方面，目前的理論儲備和技術發展較為薄弱。此外，在國際范圍內人工智能深化應用的大背景下，逆向應用人工智能，辨識并抵御基于人工智能的惡意攻擊、網絡空間干擾等對捍衛國家戰略安全意義重大。在這一領域，博弈對抗、反人工智能、智能武器應重點關注。

3.3 創造價值的關鍵是人工智能應用的商業模式

建議我國政府集中力量投入引導資金，解決人工智能未來產業化的商業模式問題，要創建或者強化國立研究“創造人工智能產業化的商業模式”的機構[22]。不應該只以中國有“BAT”為榮，要深入思考未來新的人工智能商業模式。通過政府和企業的結合，盡快培育出“中國的GE”“中國的西門子”“中國的IBM”“中國的Google”和“中國的ORACLE”等。