李德毅院士：智創(chuàng)未來 未來已來

　　李德毅 中國工程院院士，歐亞科學(xué)院院士，指揮自動化和人工智能專家，中國人民解放軍總參謀部第六十一研究所研究員，中國人工智能學(xué)會理事長，中國指揮和控制學(xué)會名譽(yù)理事長，北京郵電大學(xué)計(jì)算機(jī)學(xué)院院長，中國電子系統(tǒng)工程研究所副所長，國家自然科學(xué)基金委員會信息科學(xué)部主任。主要研究領(lǐng)域?yàn)殡娮有畔⑾到y(tǒng)重大工程的研制和開發(fā)、云模型、人工智能等。

　　2016年帶著我們難忘的記憶，就這樣翻篇了。由我們學(xué)會發(fā)起、全國多個組織積極參與的、紀(jì)念全球人工智能60年的一個個系列活動歷歷在目，在我們身邊發(fā)生的種種無人駕駛的比賽和試驗(yàn)活動還在讓我們激動不已，AlphaGo戰(zhàn)勝人類圍棋冠軍李世石的震蕩被Master的新戰(zhàn)績推向又一個新高潮，時(shí)間就這樣把我們帶入了新的一年——2017年。

深度學(xué)習(xí)會火
無人駕駛會火
機(jī)器人產(chǎn)業(yè)會火
機(jī)器同傳會火
人機(jī)博弈會火
交互認(rèn)知會火
不確定性人工智能會火
智能交通和智慧城市會火

　　然而，對人工智能工作者而言，我們要能夠在社會上人工智能很火的時(shí)候有一點(diǎn)冷思考。在泡沫的下面，有什么是我們要花大力氣去創(chuàng)新、去攻克的呢？中國的優(yōu)勢在哪里？我們要不忘“用人工的方法和技術(shù)，模仿、延伸和拓展人的智能”的初心，繼續(xù)前進(jìn)！

　　在新的一年里，越來越多的人意識到，科技強(qiáng)則國強(qiáng)，人智能則國智，用“智能”作為當(dāng)今社會時(shí)代印記，命名這個時(shí)代，是我們?nèi)斯ぶ悄軐W(xué)會值得高興的一件事。

　　智能可提升創(chuàng)新驅(qū)動發(fā)展源頭的供給能力，我們曾經(jīng)依靠資源、資本、勞動力等要素投入，支撐中國經(jīng)濟(jì)的快速增長和規(guī)模擴(kuò)展，但這已經(jīng)成為歷史，加快從要素驅(qū)動發(fā)展向創(chuàng)新驅(qū)動發(fā)展的轉(zhuǎn)變，人工智能是一種解決方案。

　　在農(nóng)耕社會和工業(yè)社會,人類的生產(chǎn)工具主要是基于物質(zhì)和能量的動力工具，得到了極大地發(fā)展；現(xiàn)代勞動工具轉(zhuǎn)向了基于數(shù)據(jù)、信息、知識、價(jià)值的智力工具，使得人口紅利、勞動力紅利的作用效果不再明顯，創(chuàng)新驅(qū)動發(fā)展成為時(shí)代的最強(qiáng)音，智能的紅利已經(jīng)到來！當(dāng)今，不僅是材料、能源、傳統(tǒng)制造和動力工具，更重要的是基于數(shù)據(jù)、信息、知識、價(jià)值和智能的智力和智力工具，成為人類拓展認(rèn)識世界、改造世界能力的新的切入點(diǎn)。

　　中國是世界第一人口大國，智力資源豐富，中國人的智能和智力的培養(yǎng)和提升，成為智能強(qiáng)國的基礎(chǔ)，智能產(chǎn)業(yè)成為先進(jìn)社會最重要的經(jīng)濟(jì)來源，所以智能已經(jīng)提升到國家戰(zhàn)略的高度，智能科學(xué)技術(shù)對經(jīng)濟(jì)繁榮，國家安全，人口健康，生態(tài)環(huán)境和生活質(zhì)量，比以往任何時(shí)候都重要。

　　在全社會熱烈關(guān)注智能的同時(shí)，我們同樣也要有點(diǎn)冷思考。2016年獲得李克強(qiáng)總理授予“中國政府友誼獎”的美國科學(xué)院院士、美國工程院院士約翰?霍普克羅夫特認(rèn)為：中國擁有全球1/6的人口，卻沒有能擁有全球1/6的智力資源。他的觀點(diǎn)值得我們自我追問，我們?nèi)斯ぶ悄軐W(xué)會還能為智能再多做一點(diǎn)什么？例如說，在推動“智能科學(xué)與技術(shù)”作為一級學(xué)科的論證和普及中，我們能再多做一點(diǎn)什么？

　　我們已經(jīng)告別了人工智能收獲滿滿的2016年，迎接人工智能充滿希望的2017年，智創(chuàng)未來，未來已來，讓我們張開雙臂，熱烈擁抱智創(chuàng)時(shí)代的到來！

張鈸院士：后深度學(xué)習(xí)時(shí)代的人工智能

　　張鈸 中國科學(xué)院院士，教授，博士生導(dǎo)師，智能技術(shù)與系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室名譽(yù)主任。主要研究領(lǐng)域?yàn)槿斯ぶ悄?、人工神?jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)等理論與技術(shù)研究。

　　1956年，在美國達(dá)特茅斯學(xué)院舉行的一次會議上，“人工智能”的研究領(lǐng)域正式確立。六十年后的今天，人工智能的發(fā)展正進(jìn)入前所未有的大好時(shí)期。我今天做的報(bào)告，將通過分析時(shí)代的特點(diǎn)，這個時(shí)代下人工智能與計(jì)算機(jī)的可能命運(yùn)，來重新認(rèn)識人工智能、認(rèn)識我們賴以生存的計(jì)算機(jī)、還有我們自己。

后深度學(xué)習(xí)時(shí)代的前提

　　我們看到如今人工智能的春天又來了，不過和三十年前日本興起的人工智能熱潮相比，發(fā)生了如下變化：時(shí)間不同、地點(diǎn)不同、主題也不同。這次人工智能的大發(fā)展與深度學(xué)習(xí)緊密相關(guān)，體現(xiàn)在：

（1）從知識情報(bào)處理到深度學(xué)習(xí)；
（2）從第五代計(jì)算機(jī)（日本提出的概念）到類腦計(jì)算機(jī)；
（3）從大容量知識庫到大數(shù)據(jù)；
（4）從高速符號推理機(jī)到類腦芯片；
（5）從自然語言理解到感知（機(jī)器人）。

　　與三十年前的人工智能熱潮相比，此次大發(fā)展的不同點(diǎn)還在于：一是大數(shù)據(jù)；二是概率統(tǒng)計(jì)方法（及其理論）。正是因?yàn)檫@兩個因素催生了當(dāng)前的深度學(xué)習(xí)大潮?？梢哉f，大數(shù)據(jù)與概率統(tǒng)計(jì)方法共同推動了神經(jīng)網(wǎng)絡(luò)模型的創(chuàng)建和發(fā)展。特別是概率統(tǒng)計(jì)方法中的貝葉斯統(tǒng)計(jì)學(xué)，將它“引進(jìn)”人工智能領(lǐng)域，促使人工智能發(fā)生了革命性的變化。

　　我們現(xiàn)在能夠做深度學(xué)習(xí)，能夠在幾百萬、幾千萬的參數(shù)下做優(yōu)化，很多人都以為是計(jì)算機(jī)變快，其實(shí)不完全是，還要?dú)w功于概率統(tǒng)計(jì)方法的變化。這個變化使得我們現(xiàn)在能把深度學(xué)習(xí)做好。所謂深度，就是網(wǎng)絡(luò)層數(shù)比較多。由于使用深度學(xué)習(xí)方法，把語音識別、圖像識別等的識別準(zhǔn)確度提高了10%左右，引起了深度學(xué)習(xí)的進(jìn)一步發(fā)展熱潮。

　　為什么呢？因?yàn)樯疃葘W(xué)習(xí)可以解決一些不能清楚表述的問題，也就是說“知其然，不知其所以然”  的問題。第二個，它能針對不確定性的問題，針對不斷的變化而不斷的再學(xué)習(xí)。另外，深度學(xué)習(xí)還有一個完全改變傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的作用，它不僅僅做函數(shù)映射，更重要是能自動提取多層次重復(fù)的模式（特征），不依賴于人工設(shè)計(jì)的特征。使模式識別的能力達(dá)到新的高度。

　　可以這么說，深度學(xué)習(xí)可以幫助我們解決在給定的大數(shù)據(jù)情境下，在感知信息處理上，有可能達(dá)到人類的水平甚至超過人類。

后深度學(xué)習(xí)時(shí)代的人工智能

　　后深度學(xué)習(xí)時(shí)代的人工智能，就是要把人工智能從狹義的、只能解決一定范圍內(nèi)的問題，推廣到更寬廣的范圍，這就是我們現(xiàn)在所謂的弱人工智能、強(qiáng)人工智能、以及通用人工智能。這項(xiàng)工作面臨三個主要挑戰(zhàn)：

（1）第一個挑戰(zhàn)是概率統(tǒng)計(jì)方法帶來的困難。我們剛剛說過概率統(tǒng)計(jì)方法給人工智能帶來革命性的變化，但是它也同時(shí)給人工智能帶來極大的挑戰(zhàn)，這也是來自概率統(tǒng)計(jì)本身的原因—它通過大量的數(shù)據(jù)，只能抽取出重復(fù)出現(xiàn)的特征，或者是數(shù)據(jù)中間的統(tǒng)計(jì)關(guān)聯(lián)性；找出來的并不是本質(zhì)上的特征、語義上的特征；找出來的關(guān)系，也并不都是因果關(guān)系，而是關(guān)聯(lián)關(guān)系。也就是說深度學(xué)習(xí)區(qū)分物體的依據(jù)是重復(fù)的模式，而人類大腦區(qū)分物體的依據(jù)是語義上的特征，兩者有本質(zhì)的區(qū)別，當(dāng)然存在一定的關(guān)聯(lián)性。

（2）第二個挑戰(zhàn)是生數(shù)據(jù)帶來的問題。大數(shù)據(jù)有很多好處，但是大數(shù)據(jù)也帶來很大困難。我們現(xiàn)在使用的大數(shù)據(jù)跟以前的海量數(shù)據(jù)不一樣，其中大量的數(shù)據(jù)是生數(shù)據(jù)。網(wǎng)絡(luò)采集的數(shù)據(jù)都是摻雜了很多噪聲、虛假信息、垃圾信息等等，這種數(shù)據(jù)叫生數(shù)據(jù)。當(dāng)前的機(jī)器學(xué)習(xí)方法對于生數(shù)據(jù)的處理，與經(jīng)過預(yù)加工的數(shù)據(jù)相比，魯棒性表現(xiàn)相對很差。

（3）第三個挑戰(zhàn)是推廣能力、領(lǐng)域遷移。當(dāng)前的深度學(xué)習(xí)方法都是就事論事，都很難推廣到不同領(lǐng)域，這也就是面臨的主要挑戰(zhàn)。我們要從一個弱的人工智能推廣到強(qiáng)人工智能，必須要克服領(lǐng)域遷移的困難。