人工智能的成就与挑战

人们关心人工智能都聚焦两个问题，一是人工智能现在发展到了什么程度？下一步我们该怎么办？人工智能的发展比较缓慢。当时人工智能主要提出了两个模型，一个是以知识和经验为基础的符号推理模型，用来解决人类理性的智能。但是这个工作进展得比较慢。直到2011年，这个模型才取得较大进展，典型的案例就是IBM做的watson系统，在人机竞赛上打败了人类。

为什么能取得这个结果呢？主要原因是，原来专家系统的知识是非常稀缺和昂贵的，而且要把这个知识放到计算机里面去，用人工的方法输进去难度非常大，所以当时进展比较慢。为什么2011年能取得很大进展呢？最主要的原因就是这里面把互联网的大众知识输入到系统，不需要经过人工加工。

第二个模型是机器学习或者叫做神经网络。当时神经网络在应用上的进展也很慢，最主要原因是当时神经网络输入要靠人工设计或者来编制特征。这种情况下我们要做大规模的系统就很困难。这个问题到本世纪初有了很大的转折，即我们现在讲的深度学习。把神经元网络的层次增加以后，机器学习得到了根本性的改变，从原始的浅层学习变成现在的深度学习。另一个重要改变是我们把原始的数据输进去，不必人工干预，这样就使得深度学习变成一个大众化的，大家普遍能用的工具，不需要拥有专业知识。由于这样的革命性变化，这个技术正被广泛采用。

深度学习最典型的应用是解决问题，即模式识别。围棋为什么能够成功呢？我们把下围棋看成模式识别，通过深度学习围棋程序，2015年以前只能达到业余五段，通过深度学习以后，在两年的时间能够实现三级跳，从业余变成专业，从专业变成世界冠军，现在已远远超过世界冠军。其中最重要的原因就是利用了大量的数据。

从目前來看，我们重要的任务就是把深度学习，以及早期的符号推理模型应用到交通、家庭、健康、教育等领域。我们国家特别强调在金融和智能制造的应用。我们可以看到我们国家的很多独角兽企业，都是借助于深度学习技术，集中在图像处理和语音识别这两个领域。

但是，我们也必须看到深度学习的局限性，也就是我们一方面要充分进一步应用深度学习，但是另一方面尽管它可以在各个领域应用，但是也必然受到多种条件的制约。

现在用大数据建立的识别系统，尽管在某个指标上超过人类，但其他方面跟人类相比差距非常大。计算机的图像识别率即使能达到跟人差不多，但仍有错讹。我们扔一个噪声给计算机就可以让它识别成任何东西，这是它很大的弱点。这个弱点在很多应用场合里面是不允许的，如果在人脸识别、图像识别里面有这样的错误还可以容忍的话，如果这样的错误出现在决策上的话，那是人们不可理解的。

我们目前仍然面临挑战，虽然人工智能取得了一些进展，但仍然有很大的局限性。应对这种局限性，深圳非常重视基础研究，发展新的理论来引领技术的突破，克服目前人工智能存在的局限性并扩大应用领域，这样才有可能真正使得人工智能让人类生活得更美好。

（本文摘编于中国科学院院士、清华大学人工智能研究院院长张钹在第二十届高交会上的演讲。）