[導讀]11月25日，模式識別與人工智能學科前沿研討會在自動化所召開。會上，譚鐵牛院士做“人工智能新動態”報告，回顧了近代以來歷次科技革命及其廣泛影響，并根據科學技術發展的客觀規律解釋了當前人工智能備受關注的深層原因。報告深入分析了其當前存在的局限性和面臨的瓶頸問題，整理并列舉了2017年人工智能的十件大事，全方位、多維度展示了人工智能所取得的最新進展。基于對這些事件的深入分析，報告總結了人工智能未來的發展趨勢和值得關注的研究方向。

　　以下內容由楊紅明、張煦堯根據譚鐵牛院士報告整理。

　　在科學研究中，從方法論上來講都應先見森林，再見樹木。為了更好地帶領大家認識人工智能的發展趨勢，報告回顧了近代世界科技發展的歷史進程，主要包括從16世紀到現在，世界上發生的兩次科學革命與三次技術革命。

　　報告指出，這五次科技革命對人類文明進程帶來了根本性的變革，也影響了整個國際格局的調整，伴隨著大國興衰。過去的五次科技革命，我們國家都沒有占據主導地位甚至嚴重缺席，因此我們國家的GDP從曾經占全球的三分之一以上下滑到新中國建立前僅占全球大約百分之幾，我們應該從這慘痛的經歷中吸取教訓。

　　最近的一次科技革命是一次技術革命，其開始于上世紀四十年代，以1946年計算機的出現為標志，距今已有六十多年。這六七十年中科學技術沒有大的突破與進展，沒有取得能夠與上個世紀上半葉相提并論的科學與技術成果，譚老師將這段時間稱為科技革命的空窗期。

　　報告認為，科學沉寂了大概60多年，新一輪的科技革命正處于孕育過程中并且已經曙光可見。新一輪的科技革命會是一次技術革命，而且人工智能有望引領這一輪新的技術革命。以1776年蒸汽機的發明為標志的第一次科技革命解放了人類的體力，使人類社會發展進入第一次重大飛躍，其為第一次機器革命。現在以人工智能為代表的第二次機器革命，以及以其為主要核心技術驅動的新一輪技術革命和產業變革將極大的拓展人的腦力，成為人類社會發展進程的又一次重大飛躍。相比較而言，腦力的拓展比體力的拓展更為重要。

　　報告還回顧了人工智能60多年的發展過程，并指出應該從曲折的發展過程中吸取教訓，不要給人工智能設置不切實際的過高目標，尤其是在人工智能特別火爆的時候。報告指出，這兩年人工智能有些過火，應降降溫，回歸理性。

　　圖1 人工智能發展歷程

　　報告分析了人工智能的發展現狀，指出現有進展主要體現在專用人工智能方面，而且現有人工智能仍存在一些局限性，將其總結為以下四點：有智能沒智慧，有智商沒情商，會計算不會“算計”，有專才無通才。

　　報告進一步分析并給出了造成這些局限的瓶頸問題，這些瓶頸問題主要包括：

　　(1)數據瓶頸：深度學習需要大量的數據;

　　(2)泛化瓶頸：這是模式識別、計算機視覺、人工智能方法面臨的一個共同的問題，現有方法在一些實際問題中仍無法取得理想的泛化性能，或者訓練好的模型用在變化的環境或領域其泛化性能明顯下降;

　　(3)能耗瓶頸：人的大腦盡管是一個通用的人工智能系統但是能耗很低(只有20瓦)，但現有計算機上實現的人工智能系統能耗很高;

　　(4)語義鴻溝瓶頸：目前語言服務大多為簡單查詢，不涉及語義推理問題，缺乏真正的語言理解能力，比如一些有歧義的自然語言句子，人很容易根據上下文或常識理解其真正含義，計算機卻很難理解;

　　(5)可解釋性瓶頸：現有人工智能系統都是知其然而不知其所以然，其過于依賴訓練數據，缺乏深層次數據語義挖掘。報告指出，可解釋性非常重要，人工智能不僅要知其然還要知其所以然，知其然只是淺層智能，知其所以然才叫深層智能;

　　(6)可靠性瓶頸：現有人工智能系統可靠性較差，有些錯誤識別結果會帶來致命后果，比如2016.7特斯拉自動駕駛(Autopilot)功能不能正確識別反光條件下的卡車導致致命車禍。

　　報告指出，正是因為現在還有這么多瓶頸需要突破，所以人工智能還有很多局限，人工智能還有很多不能，有些事情人工智能可能永遠都不能。基于此，報告列舉了當前各界關于人工智能的一些炒作和誤解，并對其進行了反駁與澄清，這對我們正確認清人工智能現狀有重要的指導意義。

　　盡管人工智能有一些炒作和誤解，但不能否認人工智能在今年又取得了巨大的進步。報告列舉和解讀了2017年人工智能值得關注的事件。這些事件涵蓋了國家政策、學術界、產業界、社會科學領域等各個方面，全方面、多維度地為我們展現了人工智能2017年所取得的新進展。這些事件具體包括：

　　(1)中國政府發布《新一代人工智能發展規劃》，這一消息不僅在國內備受關注，在國外也引發了很大關注;

　　(2)Nature發表DeepMind的圍棋人工智能新成果AlphaGoZero (2017年10月，AlphaGoZero不需棋譜數據和先驗知識，通過強化學習算法創新以100：0戰勝AlphaGo)，其探索了特定應用中不依賴領域數據，通過自我學習獲得強大推理決策能力的人工智能技術發展新路線;

　　(3)Science發表概率生成模型RecursiveCortical Network，在驗證碼識別任務上超越了深度學習方法，其意義在于試圖探尋一條非深度學習框架的通用人工智能道路，實際上也是試圖從大腦的機制中尋找啟發;

　　(4) Hinton提出的Capsule網絡新概念，探索對傳統神經網絡的變革思路，該方法希望提高數據的使用效率，同時朝著建設可解釋的人工智能系統來提供思路，并試圖把相互關聯的多模態的信息做統一的表達;

　　(5)谷歌、微軟分別發布創作AI算法的AI系統AutoML和DeepCoder(谷歌CEOSundar Pichai在2017年I/O 大會展示了AutoML，試圖通過自動創建機器學習系統降低AI人員成本;2017年2月微軟研究院與劍橋大學合作成果DeepCoder：一種能根據問題的輸入輸出自動編寫解題程序的算法)，譚老師認為如果這方面取得成功將是革命性的變化，但其取代人工智能研究者不太可能;

　　(6)Google、Microsoft、百度、IBM等科技巨頭全面轉型人工智能發展戰略，比如2017谷歌I/O大會明確提出發展戰略從“Mobilefirst”轉向“AIfirst”;

　　(7)百度Apollo計劃開放自動駕駛平臺，提供一套完整的自動駕駛軟硬件和服務的解決方案，將會對全球自動駕駛產業發展產生深遠影響;

　　(8)寒武紀發布人工智能芯片和系列產品，AI芯片在華為Mate10手機得到成功應用，這對于AI芯片大規模進入消費級市場具有標志性意義;

　　(9)曠視科技等創業公司刷新人工智能融資紀錄，表明人工智能技術巨大的產業發展潛力;

　　(10)《Nature》開始關注人工智能社會倫理問題，808名科研人員簽署23條“阿西洛馬人工智能原則”，推動人工智能健康發展。

　　圖2 簡單膠囊網絡CapsNet

　　通過詳盡整理與深入分析人工智能領域中值得關注的熱點事件，報告進一步探索和總結了人工智能發展的新動向、新趨勢以及一些值得關注的研究方向。

　　報告還分享了以下內容并對其做了細致的解讀，主要包括以下方面：

　　(1)從專用人工智能到通用人工智能是大勢所趨，一些科技巨頭包括國家機構都在布局通用人工智能的研究，比如GoogleDeepMind創始人DemisHassabis宣布朝著“創造解決世界上一切問題的通用人工智能”這一目標前進，微軟成立人工智能實驗室以挑戰通用人工智能為主要目標;

　　(2)可解釋的人工智能系統備受關注，也將成為突破統計學習瓶頸問題的一個重要方向。DARPA的報告里面把過去幾十年人工智能技術的發展和創新分成幾個波次，第一個波次是基于規則的，例如以專家系統為代表的系列方法和技術;第二個波次就是當前以大數據驅動為代表的統計學習;同時，他們認為第三個波次很可能是可解釋的人工智能，就是人工智能要知其然還要知其所以然，以此可見人工智能可解釋性的重要意義;

　　(3)小樣本甚至零樣本學習成為提高人工智能系統泛化能力的一個重要方向。最近提出的生成對抗網絡、膠囊網絡、生成模型等都是為了降低對訓練數據的需求，提高人工智能系統泛化能力的有益嘗試;

　　(4)非深度神經網絡計算模型成為機器學習創新的一個重要方向。當前深度學習理論基礎薄弱、模型結構單一、資源消耗過高、數據依賴性強，以非神經網絡、資源節約型機器學習模型有望成為下一個突破口;

　　(5)腦科學與人工智能深度融合、協同發展、相得益彰，IBM的TrueNorth芯片、美國DARPA的MICRONs研究項目、以及最近Science和Nature雜志上發表的一些受腦啟發的智能計算模型都是這方面的典型例子;

　　(6)人機混合智能是未來的主流智能形態。隨著人工智能的發展，機器會從作為我們的工具提升成為我們的伙伴和合作者，這是一個發展趨勢;

　　(7)情感計算使人工智能更有“溫度”。譚老師認為情感計算方面一定會受到越來越多的關注，因為只有情感，人工智能才更有溫度，更善解人意;

　　(8)人工智能產業生態系統的構建成為競爭的制高點。眾多科技巨頭不斷相繼發布他們的平臺，實際上就是想構建生態和占領生態，從而為自己企業未來發展搶占先機，這是一種戰略的謀劃和布局;

　　(9)AI的普適應用將重塑人類經濟社會的格局，因為AI帶來的影響是深遠的，不一定要等到通用人工智能實現的那一天，專用人工智能就已經帶來了一些革命性的變化。人工智能將是未來十年最具變革性的技術，無處不在的人工智能將成為趨勢;

　　(10)人工智能科技教育將面向社會大眾普及，國務院《新一代人工智能發展規劃》指出實施全民智能教育項目，在中小學階段設置人工智能相關課程，逐步推廣編程教育，鼓勵社會力量參與寓教于樂的編程教學軟件、游戲的開發和推廣;

　　(11)人工智能的社會影響將會受到更加廣泛的關注，人工智能社會學和倫理的研究提上議事日程。

　　《Science》2017年發表一篇新型生成式組成模型RCN，使用小樣本學習在CAPTCHA驗證碼識別上獲突破性進展，遠遠超過深度學習模型。

　　報告總結指出：2017年人工智能在國家規劃、創新理論、技術應用、產業生態、企業融資、倫理規范等方面都取得重要進展;人工智能未來發展值得關注的方向包括通用智能、類腦智能、可解釋的智能、人機混合智能、情感智能等，需要著力突破在數據、能耗、泛化性能、可解釋性、可靠性等方面的瓶頸問題;現有人工智能的發展水平雖然還遠不足以威脅人類的生存，但其社會影響應得到高度重視。