今天CNCC2016在山西太原盛大開幕，開場演講中，CCF會士、CCF終身成就獲得者，中國科學(xué)院士、清華大學(xué)教授，中國自動化學(xué)會、中國計(jì)算機(jī)學(xué)報(bào)副主編、2011年獲得德國漢堡社會大學(xué)自然科學(xué)博士學(xué)位，2016年獲得杰出合作貢獻(xiàn)獎的清華大學(xué)張鈸院士做了人工智能未來展望，后深度學(xué)習(xí)時(shí)代的報(bào)告，雷鋒網(wǎng)為大家精編如下：

　　今年是人工智能60周年，如果用人生的起步來衡量的話，已經(jīng)進(jìn)入了老年，不過還是有很多人希望人工智能能提供成熟的成果和技術(shù)，用來發(fā)展產(chǎn)業(yè)、發(fā)展經(jīng)濟(jì)進(jìn)行科學(xué)研究。我今天做的報(bào)告，本著這樣的原則，關(guān)于人工智能的優(yōu)點(diǎn)，它的成果我要說夠，對它的問題我要說透……

　　如今人工智能的春天又來了，不過和30年前在日本的那次相比，時(shí)間不同、地點(diǎn)不同，主題也不同，這一次是關(guān)于人工智能第二個(gè)成果，深度學(xué)習(xí)相關(guān)的。

　　我想這一次是不是我們的機(jī)會，我們能不能彎道超車還是又一個(gè)日本的“五代機(jī)”？我的看法是這兩個(gè)可能性都存在，關(guān)鍵我們怎么做。

　　中國有句老話，三十年河?xùn)|，三十年河西，和30年前比現(xiàn)在有何不同？在我眼里兩點(diǎn)，一點(diǎn)是大數(shù)據(jù)，另一點(diǎn)是概率統(tǒng)計(jì)方法（及其理論）。正是因?yàn)檫@兩個(gè)因素催生了現(xiàn)在的深度學(xué)習(xí)大潮。

　　這個(gè)第一點(diǎn)大數(shù)據(jù)我不用宣傳，大家看這個(gè)圖就行。

　　這是在這種啟發(fā)下建立的神經(jīng)網(wǎng)絡(luò)模型，這里神經(jīng)網(wǎng)絡(luò)模型里要著重講下概率統(tǒng)計(jì)方法論，兩個(gè)詞，一個(gè)貝葉斯推理，一個(gè)概率統(tǒng)計(jì)，被“引進(jìn)”了人工智能，并使得人工智能發(fā)生了革命性的變化。

　　其實(shí)很多人不知道，作為對當(dāng)下人工智能有根本性貢獻(xiàn)的概率統(tǒng)計(jì)，30年前的它跟現(xiàn)在的它還有很多不同。就是下圖的四個(gè)里程碑。

　　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，而是要?dú)w功于概念統(tǒng)計(jì)方法的變化。這個(gè)變化使得我們現(xiàn)在能把深度學(xué)習(xí)做好。就是上面四個(gè)里程碑的出現(xiàn)，大家一定要注意上面的四個(gè)里程碑。

　　后來這些里程碑進(jìn)一步發(fā)展成神經(jīng)網(wǎng)絡(luò)了，特別是深度學(xué)習(xí)，使用多層網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。所謂深度，就是層數(shù)比較多。由于用的深度學(xué)習(xí)方法，把模式識別、圖像識別等識別方法的準(zhǔn)確度提高了10%，這個(gè)事情又引起了深度學(xué)習(xí)的熱。

　　為什么呢？因?yàn)樯疃葘W(xué)習(xí)解決了一個(gè)問題，有相當(dāng)一部分人，按中文的說法，我們知其然，不知其所以然。我能識別了了馬，但我們描述不了馬，然后怎么辦？那就用深度學(xué)習(xí)辦法：

　　這樣使我們做模式識別可以達(dá)到很高的水平，后來這些用到模式識別、用到語音，包括用到文本（現(xiàn)在正在做，但是效果不如前面，但也有一些效果），效果都很不錯(cuò)。

　　我們可以這么來說，深度學(xué)習(xí)這個(gè)第二個(gè)人工智能提供出來的成果，可以幫助我們解決在給定的數(shù)據(jù)庫下，有了可利用的大數(shù)據(jù)，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的水平。

　　后深度學(xué)習(xí)時(shí)代的人工智能，就是想把人工智能從這個(gè)狹義的，只能解決一定范圍的方法，推廣更寬廣的范圍去，這就是我們現(xiàn)在講所謂弱人工智能、強(qiáng)人工智能、以及通用人工智能。那我們要做這個(gè)工作面臨什么挑戰(zhàn)？基本上面臨三個(gè)挑戰(zhàn)。

　　1）一個(gè)是概念統(tǒng)計(jì)方法帶來的困難。

　　我們剛剛說概率統(tǒng)計(jì)方法，對人工智能起到了革命性的變化，但是也給人工智能帶來極大的挑戰(zhàn)，這就是概念統(tǒng)計(jì)本身的原因——通過大量的數(shù)據(jù)，它只能搞出來重復(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，它找出來的不是本質(zhì)上的特征、語義上的特征，它找出來的關(guān)系，也不是因果關(guān)系，而是關(guān)聯(lián)關(guān)系。

　　這樣做的后果是什么？這里有深度網(wǎng)絡(luò)做出來的手寫數(shù)字識別系統(tǒng)，各種各樣的2它都能認(rèn)出來，它聲稱它這個(gè)性能超過了人，識別能力很超前。

　　但你們看，當(dāng)我們用這種噪聲去欺騙它，它可以用99.99%的置信度確認(rèn)它是2，這在人是不可能發(fā)生的，為什么機(jī)器會發(fā)生，因?yàn)闄C(jī)器去認(rèn)識這種0和1，不是根據(jù)0和1本身的性質(zhì)來認(rèn)識，而是通過黑白分布的統(tǒng)計(jì)性質(zhì)來認(rèn)識它，因?yàn)檫@排噪聲跟2的統(tǒng)計(jì)是一樣的，所以才有這樣的錯(cuò)誤。

　　這個(gè)在模式識別上沒有問題，但如果用到?jīng)Q策就會出現(xiàn)大錯(cuò)，它甚至可以把一塊石頭看成是馬。這個(gè)問題非常嚴(yán)重，也就是說深度學(xué)習(xí)區(qū)分的是重復(fù)的模型，但大腦區(qū)分的是語義的特征，這兩種區(qū)分有本質(zhì)的區(qū)別，但是有關(guān)聯(lián)。

　　2）第二個(gè)，生數(shù)據(jù)帶來的問題。

　　大數(shù)據(jù)有很多好處，其實(shí)大數(shù)據(jù)帶來很大問題。我們現(xiàn)在大數(shù)據(jù)跟以前的大數(shù)據(jù)不一樣，大量的數(shù)據(jù)是生數(shù)據(jù)。我們看網(wǎng)絡(luò)上傳來的數(shù)據(jù)都是摻雜了很多噪聲，有騙人的，有各種垃圾，這種數(shù)據(jù)叫生數(shù)據(jù)。大家看下機(jī)器對于生數(shù)據(jù)和經(jīng)過加工的數(shù)據(jù)的魯棒性表現(xiàn)相對很差，不像人。

　　如果我們用右邊的圖去訓(xùn)練這個(gè)神經(jīng)網(wǎng)絡(luò)，它能很好認(rèn)識的貓；如果用左邊的圖，它很難認(rèn)識，因?yàn)樗�不知道貓�(jiān)谀膬骸＿@個(gè)吳教授在我們學(xué)校做報(bào)告的時(shí)候，我跟他開玩笑說，你老說你的好成果，不說你的毛病，它為什么能在貓臉與人臉的識別上都識別地非常好，因?yàn)樗�用�?xùn)練例的時(shí)候，是經(jīng)過精心挑選的，沒有背景，沒有經(jīng)過加工。因此，這三樣?xùn)|西的識別都做地非常好。但如果正例、負(fù)例都隨便取，那它的識別率只有百分之十幾，幾乎不認(rèn)識，可見機(jī)器跟人的認(rèn)識形式是很不一樣，它非常不魯棒。

　　3）第三個(gè)，推廣能力，領(lǐng)域遷移。

　　這兩種方法都是就事論事，都很難推廣到不同領(lǐng)域，這就是我們的挑戰(zhàn)。我們要從一個(gè)弱的智能到通用智能，必須要克服這種困難，如果解決這種困難，目前來講兩個(gè)解決辦法。

　　1）一個(gè)辦法，是人工智能的這兩個(gè)方法結(jié)合起來，因?yàn)檫@兩個(gè)方法是互補(bǔ)的。

　　因?yàn)橹�識驅(qū)動跟語義掛鉤，是理解；數(shù)據(jù)驅(qū)動是黑箱的方法，不理解，但可以保持從數(shù)據(jù)中提取模型。那么，前面那個(gè)必須有人工做模型，這個(gè)地方關(guān)鍵在哪兒？知識驅(qū)動方法是用離散的符號表示，深度學(xué)習(xí)是用高維空間里頭的向量，這兩個(gè)東西我們?nèi)绻�能把�?ldquo;溝通”起來，就會把人工智能推動非常大地一步，現(xiàn)在世界上很多機(jī)構(gòu)也在做這件事。

　　2）另外一個(gè)辦法，就是回到神經(jīng)網(wǎng)絡(luò)的本源。

　　它是根據(jù)神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)借助于人腦神經(jīng)的工作機(jī)制來形成的，人的神經(jīng)網(wǎng)絡(luò)有一套辦法，這套辦法可以借鑒到現(xiàn)在的人工神經(jīng)網(wǎng)絡(luò)來，這個(gè)工作，世界上也有很多機(jī)構(gòu)在做。

　　我們一般把計(jì)算方法、深度學(xué)習(xí)，這兩個(gè)東西如果能夠溝通起來，現(xiàn)在主要做的溝通，這兩個(gè)方法結(jié)合起來就會把人工智能推廣大大的應(yīng)用。

　　第二個(gè)，我一個(gè)文本看起來洋洋灑灑數(shù)萬頁，我為什么知道這里面說的是什么，因?yàn)椴煌�局部的，我怎么從局部的信息，把它整合成為全局的認(rèn)知，這個(gè)大腦里面也有一套辦法，這里面也涉及到很多研究。如果我們把這些研究移植到這個(gè)地方來，把人工智能往前走一步。

　　現(xiàn)在對計(jì)算機(jī)有這么幾個(gè)批評，一個(gè)你能耗太大，大腦這么大強(qiáng)，才25W，你這一個(gè)計(jì)算機(jī)得多少？另外一個(gè)批評，就是對馮諾依曼結(jié)構(gòu)，人腦里面是處理跟存儲在一起，你處理跟存儲分開，所以對對現(xiàn)在的計(jì)算機(jī)說三道四。

　　我想給大家吃一個(gè)定心丸，現(xiàn)代的計(jì)算機(jī)，我們這個(gè)人工智能學(xué)會（里的人）還是可以靠它維持很長時(shí)間的。首先，現(xiàn)在大家討論最熱的一個(gè)是個(gè)量子計(jì)算、一個(gè)是類腦計(jì)算。大家不要量子計(jì)算一出來現(xiàn)在的計(jì)算就不行了，不對了。因?yàn)榱孔铀惴�，目前只有一個(gè)算法，它就是因子分解，它可以把指數(shù)變成多樣性，其它的都沒用。其它的，這個(gè)計(jì)算機(jī)即使它出來，只有涉及到因子分解那些算法，它有可能加快，其他它目前還沒有算法，算不了。所以量子計(jì)算機(jī)現(xiàn)在絕對代替不了現(xiàn)在的計(jì)算機(jī)，就像量子通訊代替不了現(xiàn)在的通訊一樣。

　　我想給大家吃的第二個(gè)定心丸，現(xiàn)在講的類腦計(jì)算，正確地講叫BrainInsoired Computer，而不是Brainlike，大腦你都不知道什么樣子，你like誰呢。

　　如何建造計(jì)算，實(shí)現(xiàn)人工智能的兩種途徑，計(jì)算機(jī)方式或者學(xué)大腦的方式。數(shù)據(jù)提高了，加一個(gè)網(wǎng)絡(luò)芯片，目前做這個(gè)工作的人基本上都得保留一些馮諾依曼架構(gòu)，不能把馮諾依曼立馬取消了。當(dāng)然也有人直接從右邊往左邊做，這個(gè)是屬于基礎(chǔ)研究的一類，我們要做的話，這個(gè)類腦就需要學(xué)科的交叉，我特別推薦要數(shù)學(xué)、認(rèn)知科學(xué)、心理學(xué)、神經(jīng)科學(xué)和語言學(xué)等。

　　最后說一下，人工智能究竟有多大的希望呢？取決于我們對認(rèn)知的世界的認(rèn)知，取決于我們對自身的了解多少？

　　好了，我們把我們對自身的了解分成兩個(gè)部分，左邊部分是“我們知道we know”，右邊那部分叫做“我們不知道”，所以我們把它畫大一點(diǎn)。

　　比如說下國際象棋，就是我們能說清楚，我們知其所以然，又知其所以然，這個(gè)用傳統(tǒng)的人工智能模型可以解決它。

　　這是黑箱，感知就是這樣，我們知其所以然，不知其所以然，我們知道那是張三，但我們說不清楚張三鼻子多高眼睛多大，那怎么辦，用深度學(xué)習(xí)。

　　從黑箱到白箱中間有個(gè)灰色地帶，好多問題有的說清楚，有的說不清楚。最典型的就是圍棋，圍棋有一部分能說清楚，而象棋都能說清楚，馬為什么這么走，卒為什么要向前走，圍棋絕大部分一顆白子為什么要落在這個(gè)地方，大師也說不清楚，他會說這是我的棋感。

　　棋感怎么做？這就是Alpha Go的重大貢獻(xiàn)，把棋感當(dāng)作模式識別來做，你看到這個(gè)版面以后，你就應(yīng)該知道怎么落子，這個(gè)版面就是一個(gè)模式，現(xiàn)在我們現(xiàn)在可以說，大師下圍棋下得好，不是因?yàn)樗�太聰明了，而是他的模式識別能力非常強(qiáng)，棋子有一點(diǎn)點(diǎn)變化，他就知道變了，就知道我的策略要變，這個(gè)就是用傳統(tǒng)模型+深度學(xué)習(xí)，Alpha Go就是這么做的，蒙特卡洛搜索＋深度學(xué)習(xí)。這就是我們不知道的知道。

　　比如情感、意識等等，這個(gè)也能夠用深度學(xué)習(xí)的方法來模擬，至少做到表面模擬。人工智能能做的這么多，這就是人工智能的厲害之處，為什么大家注意到，過去除了白色的部分，其它部分我們都不能做，人工智能能夠做這一切。

　　我們都不知道怎的情況下怎么做呢？腦科學(xué)研究覆蓋了所有，所以，我們的信息是建立在這個(gè)基礎(chǔ)上，我們不知道的我們不知道，變成我們知道的我們不知道，再把它變成我們知道的我們知道。傳統(tǒng)的算法只占在白色部分的一小部分，也就是說可以建立數(shù)學(xué)模型的問題，所以，我們?yōu)槭裁凑f人工智能寄予這么大的希望，原因就在這兒。

　　我說這么多，謝謝大家。