CCAI 2019 | 張鈸：走向第三代人工智慧

ccai2019

2019年中國人工智慧大會（Chinese Congress on Artificial Intelligence 2019，簡稱“CCAI 2019”）將於在9月21日-22日在青島召開。

6月24日，由人民網研究院編撰的移動網際網路藍皮書《中國移動網際網路發展報告（2019）》正式釋出。報告指出，人工智慧與產業結合推動爆發式增長，是未來我國移動網際網路發展的重大趨勢之一。人工智慧有望作為一項基礎性技術支撐，賦能各行各業，形成新一波高速發展浪潮。

“人類正在走向智慧時代”。一方面，全球科研機構、科技公司都在人工智慧研發方面投入越來越多的精力，一場賭注未來、搶佔產業先機的新競賽已經鳴槍起跑；另一方面，不論是戰勝圍棋冠軍的AlphaGo，還是獲得公民身份的仿人機器人索菲亞，人工智慧在應用領域的一系列表現，讓世人對它的理解，從科幻電影裡酷炫非凡的特技效果，變成了更多實實在在、觸手可及的真實場景。

關於人工智慧，從來不缺少觀點與爭論。但行業的發展，離不開的是清醒的認識與洞見。在這方面，老一輩人工智慧科學家張鈸堪稱典範。

張鈸是計算機專家、中國計算機學會會士，2014年獲得中國計算機學會終身成就獎。他還是中國科學院院士，清華大學人工智慧研究院院長。從事人工神經網路、遺傳演算法、分形和小波等理論研究，並聚焦模式識別、知識工程、智慧機器人與智慧控制等領域的應用技術研究。

作為人工智慧領域的專家， 張鈸擔任此次人工智慧大會的榮譽主 席，將出席大會並做題為《走向第三代人工智慧》的專題報告 ，瞭解他對行業的思考與洞見，有助於我們更科學地看待人工智慧的前景。

近年來人工智慧的突破及其侷限性

影像識別、語音識別和圍棋，堪稱近年來人工智慧發展的“代表作”：

2015年，微軟宣佈在ImageNet的影像識別上，電腦系統識別能力已經超越了人類：人類錯誤率為5.1%，而微軟的深度學習系統可以達到4.94%；

2016年，搜狗、百度和科大訊飛宣佈，各自的中文語音識別準確率均達到了97%，高於人類；

2016年及2017年，AlphaGo以壓倒性優勢接連擊敗當前最好的人類棋手李世石與柯潔。

在張鈸看來，人工智慧之所以能取得這些成績，主要來自三方面的原因：一是大資料，二是計算能力，三是演算法。

以圍棋為例，一個人類棋手一生能夠經歷的棋局量級能達到百萬，可AlphaGo在三個星期內就學習了7000萬局人類棋局，還“左右互搏”，自己與自己下，量級達到幾十億級。這兩項資料可謂雲泥之別，人類棋手在坐到棋盤前就已經輸了，難怪柯潔在敗北後也只好感慨：“它太完美，我看不到希望。”支撐AlphaGo在如此短的時間內“消化”掉幾千萬局棋局的，正是強大的學習演算法。

雖然當前人工智慧的進步讓人刮目相看，但是張鈸認為，這些成功是因為場景都滿足了以下五個條件：

第一，資料充足，不僅是說數量大，還要具備一定的多樣性，且不能殘缺；

第二，確定性；

第三，具有完全的資訊，這是最重要的；

第四，靜態，包括按確定性的規律演化，具有可預測性。

第五，特定領域和單任務。

反之，一旦不能滿足上述全部條件，計算機做起來就會感到困難。

比如，AlphaGo之所以能在圍棋上吊打人類，就是因為圍棋屬於完全資訊博弈，它雖然複雜，但本質上只需要計算速度夠快，計算機就可以學習掌握。但在日常生活中，人們的所有決策都是在不完全資訊的條件下完成的，這就使得計算機的應用場景明顯受限。別的不說，如果把圍棋換成麻 將，計算機就會感到棘手，因為麻 將（以及其他牌類）屬於不完全資訊博弈。

此外，靜態的條件也過於理想。它要求事態按照確定的規律來演化，具有可預測性。但現實往往不是這樣，比如路況，本身就是一個複雜的場景，不具備可預測性，可見在複雜路況下自動駕駛還有很長的路要走。

什麼是“智慧”該有的樣子？

既然當前人工智慧取得的成果還存在不少侷限，那麼，什麼才是“智慧”該有的樣子？

張鈸的答案是：要有理解。

當前人工智慧的能力範圍，受限於他所提到的上述五個條件，恰恰說明計算機是依靠不斷重複計算和學習來達到眼前效果的，現在的人工智慧是沒有理解的人工智慧。

以問答系統為例，計算機之所以能夠給出問題的答案，並不是因為它理解了人類在說什麼，而是依靠大量的資料檢索，尋找或匹配出了與問題相對應的答案。它可以回答“美國總統是誰”，但如果你問“川普是個人嗎”，它大概會懵掉。

會檢索、檢索快，在張鈸看來還遠談不上智慧。現在的深度學習本質上是基於機率統計的學習，簡單來說，就是尋找那些重複出現的模式，重複多了就會被認為是規律和真理，所以大資料也會出現不理想甚至是錯誤的結果。

因此張鈸提出，人工智慧的核心應該是知識表示和不確定性推理。對人工智慧來說最重要的能力是知識，而非資料。機器應用資料的能力已經超過了人類，但人類在應用知識方面要強於機器，如果兩者無法結合，人工智慧就無法很好地與產業結合。他認為，有理解的人工智慧是可以做出來的，只不過這需要時間。

人工智慧未來的方向？

張鈸表示，人工智慧實際上經歷過兩代，第一代是符號推理，第二代就是目前的機率學習，它最大的問題是不可解釋和不可理解。

為什麼人工智慧需要可解釋性？

假如人工智慧將來越來越多地應用到實踐中，那麼人類就必須要知道，計算機是如何“想”的。

比如智慧駕駛汽車要上路，如果人類不清楚工作原理，那如何放心的把生命安全託付給計算機？

因此張鈸提出要建立可解釋、魯棒性（即效能穩定，抗干擾能力強等狀態）強的人工智慧理論和方法，發展安全、可靠和可信的人工智慧技術。他提倡發展第三代人工智慧，這還需要電腦科學與數學、腦科學等的結合與突破。