人工智慧60 週年紀念活動啟動儀式中國人工智慧學會供圖

　　■本報記者 計紅梅

　　1955年，被譽為“人工智慧之父”的約翰·麥卡錫和明斯基、羅徹斯特、香農等共同給洛克菲勒基金會提交了一份項目建議書，希望能獲得第二年于達特茅斯學院舉辦“人工智慧夏季研討會”的資助。當時，他們認為由10位科學家組成的工作小組在為期兩個月的時間裏就可以在人工智慧領域取得巨大的進步。事實證明，他們嚴重低估了人工智慧的複雜程度。不過，達特茅斯會議正式確立了人工智慧（AI）這一術語，也因此被認為是人工智慧誕生的標誌。

　　經過60年的發展，人工智慧歷經三次浪潮，現在正處於第三個“春天”。“春天”的風正往哪兒吹？在4月22日由中國人工智慧學會發起，聯合中國網際網路協會、中國電腦學會等20多家國家一級學會及協會舉辦的2016全球人工智慧技術大會（GAITC）暨人工智慧60年紀念活動啟動儀式上，來自學術界和産業界的全球人工智慧領域頂級專家們給出了答案。

　　機器感知能力正在超越人類

　　1956年至今，人工智慧的發展可謂起起落落，一方面被視為冉冉升起的新星，另一方面也飽受批評，並遭遇過兩次嚴重挫折。對於過去的60年，微軟亞洲研究院常務副院長芮勇的評價是，“不僅僅是一個輪迴，還是一次昇華。現在正處於第三個春天。”

　　三星電子中國研究院院長張代君則認為：“目前人工智慧的發展還處於比較初級的階段。當下是人工智慧的第三次高潮，而且還會有第四次浪潮的到來。”

　　自2006年以來，人工智慧發展加速。究其原因，百度深度學習研究院“傑出科學家”徐偉認為，大計算能力和深度學習是主要推動力。一方面，經過幾十年的積累，為可觀的計算能力打下基礎，另一方面深度學習的發展提供了靈活、具有快速建模能力的學習系統。這兩者的結合，能夠將大數據背後蘊藏的各種複雜關係快速提取出來。

　　徐偉表示，隨著深度學習逐步在各種人工智慧問題裏深入地使用，在一些特定領域，機器的感知能力正在超越人類的水準。例如，在中文語音識別方面，百度的錯誤率是5.7%，而人類的錯誤率則是9.7%。另外，在人臉識別領域，人類的錯誤率是0.8%，而百度則是0.23%。

　　除百度外，谷歌、微軟、IBM、阿里巴巴、科大訊飛等也是人工智慧領域的佼佼者。美國東部時間2015年12月10日，微軟亞洲研究院視覺計算組在2015 ImageNet電腦識別挑戰賽中憑藉深層神經網路技術的突破，獲得圖像分類、圖像定位以及圖像檢測全部三個主要項目的冠軍。在此次挑戰賽中，微軟亞洲研究院的研究團隊使用了一種深度高達152層的神經網路，比此前成功使用的神經網路層數多5倍以上，將錯誤率降低到了3.5%。而在此前同樣的實驗中，人眼辨識的錯誤率為5.1%。

　　在芮勇看來，人工智慧的屬性包括聚合的智慧、自適應的智慧、隱形的智慧，而微軟在ImageNet挑戰賽中的成功，證明了“深度學習徹底改變了圖像識別領域”。他認為：“人工智慧的下一個60年將是人類+機器，即把兩者更強的地方結合起來，形成增強智慧。”

　　還缺少什麼

　　谷歌人工智慧程式AlphaGo以4：1的戰績擊敗南韓圍棋職業九段選手李世石，被認為是人工智慧發展最新的里程碑。中國人工智慧學會理事長、中國工程院院士李德毅則認為，從此次比賽中可以發現AlphaGo的局限性：AlphaGo僅僅是個圍棋腦，還不是一個圍棋手，更不是一個圍棋機器人，既沒有眼和手，也沒有感知和行為能力。此外，它也沒有情緒和情感，不能分析對手的心理狀態，並在現場和對手展開心理戰，缺失交互認知能力。

　　在李德毅看來，未來機器人給人帶來的影響將遠遠超過電腦和網際網路過去幾十年對世界的改變。而理想中的機器人應該是“有智慧、有個性、有行為能力，甚至還有情感的。”

　　徐偉也認為，深度學習確實給人工智慧帶來了快速的進展，但未來還有很長的路要走。“人類智慧的核心是自我學習和創造的能力。我們看到現在有很多具體的智慧系統，比如AlphaGo，還缺乏一種自我學習和創造的能力。”

　　另外，一個小孩要認識一種物體只需幾幅圖就足夠了，但電腦則需要幾百幅圖。“這是因為人工智慧還很難從少量標注數據中學習。”徐偉説。

　　截至目前，谷歌無人駕駛汽車的行駛里程已超過200萬公里，即使這樣，實現商品化仍然很難。徐偉認為，核心問題是人工智慧系統缺乏常識。“人看到一種路況就知道該怎麼做，但機器缺乏常識性的理解，只能通過人一條一條把每種路況導入系統中去。要想解決這樣的問題，最有效的方式就是放到真實的環境裏去學習。”他透露，最近Facebook和微軟也提出了類似的想法，即創造一個虛擬的環境，讓人工智慧體在這一環境中自己去探索，在與環境的交互中建立常識性知識。

　　“要做像人這樣強大的人工智慧，可能需要從最基礎的東西開始。”徐偉説，“人工智慧需要像幼兒一樣，在一個環境中自主學習感知，擁有行動的能力，同時將語言能力作為核心嵌入到系統中。”

　　下一步的突破

　　從上世紀60年代至今，對於人工智慧的研究主要從兩個層面進行了探索，首先是邏輯層面，即通過邏輯和搜索來完善人工智慧，在發現瓶頸後，又開始了機器學習的研究。

　　香港科技大學冠名講座教授、國際人工智慧學會會士楊強認為，人工智慧的下一步突破將是通用性的人工智慧，即將基於搜索和邏輯的人工智慧方法與機器學習結合起來，形成一個完整的智慧機器。“舉個例子，就是一隻雞可以吃不同的食物，但是下的蛋都是對人類有用的。”

　　在楊強看來，人工智慧的成功需要三大條件，一是高品質的數據，二是能夠開發出先進演算法的人才，三是強大的計算能力。

　　地平線機器人聯合創始人、地平線機器人技術軟體副總裁楊銘認為，深度學習近年來之所以備受關注，是因為一般而言性能的準確度是隨著數據的增長而增加的，但其他機器學習方法隨著數據的增加，性能在某一個點就不再提高了，而對於深度學習還沒有發現這一現象。

　　他表示，深度學習的未來趨勢包括四個方向：學習如何記憶及關注與取捨，把注意力集中到需要關心的細節上，增強學習以及整體任務的序列化。

　　人工智慧要想發展，除了演算法上的改進，還要解決硬體面臨的挑戰。寒武紀科技創始人及首席執行官陳天石表示，現在已處於從資訊時代過渡到智慧時代的開端。在智慧時代，處理器的負載不再是以前的傳統計算，而是深度學習。通用處理器將由此面臨性能和功耗的問題。智慧時代需要深度學習晶片作支撐。