這或許是 2019 年年末，國內(nèi)對人工智能最后也是最大的一次把脈。

2019 年 12 月 20 日，由鵬城實驗室、新一代人工智能產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟主辦的為期兩天的「新一代人工智能院士高峰論壇」在深圳開幕。

這次會議延續(xù)去年強大的院士陣容，今年邀請了多達 10 位院士以及諸多人工智能領(lǐng)域?qū)W術(shù)和企業(yè)界的頂級專家，從各自的領(lǐng)域深度剖析了人工智能領(lǐng)域的發(fā)展現(xiàn)狀和未來值得探索的方向。

AI 科技評論從第一現(xiàn)場擷取部分學(xué)者和專家觀點，以饗讀者！由于內(nèi)容較多，本文先呈現(xiàn)部分內(nèi)容，更多信息敬請關(guān)注 「AI 科技評論」隨后的報道。

1、蒲慕明院士：腦科學(xué)與類腦智能研究

作為大會的第一位報告嘉賓，中國科學(xué)院院士、美國科學(xué)院外籍院士蒲慕明帶來了主題為《腦科學(xué)與類腦智能研究》的報告。

中國科學(xué)院院士、美國科學(xué)院外籍院士蒲慕明

蒲慕明院士談到：「我認為下一代人工智能的一個很重要的發(fā)展方向就是，腦啟發(fā)的新型人工智能。我們國家在未來 10 年將啟動的重大項目叫做腦科學(xué)與類腦研究，整體框架為『一體兩翼』，主體是腦認知功能的神經(jīng)基礎(chǔ)，做全腦神經(jīng)連接圖譜，兩翼則是指研究內(nèi)容分為腦重大疾病診斷和干預(yù)、腦機智能技術(shù)研發(fā)兩個方向?！?/p>

他指出理解大腦需要從三個層面上的神經(jīng)連接圖譜分析：

第一個是宏觀圖譜。通過核磁成像的技術(shù)可以看到毫米級的神經(jīng)束，每個神經(jīng)束都有成千上萬的細胞纖維，傳導(dǎo)方向是雙向，但只了解神經(jīng)束的走向?qū)τ诶斫饽X功能并沒有太大貢獻。

第二個是介觀圖譜，空間分辨率要達到微米級別。用特殊方法來標記不同的神經(jīng)元種類，了解不同神經(jīng)元的功能。介觀神經(jīng)連接圖譜是目前神經(jīng)科學(xué)的主要方向。

第三個是微觀圖譜，空間分辨率要達到納米級別。在微觀層面對神經(jīng)元軸突和樹突的分布以及突觸產(chǎn)生規(guī)律的研究可以得到很多有用信息的。

進一步，他認為類腦智能研究中要考慮三個層次的認知：

第一個層次是對外界的認知，包括感知覺、多感覺整合和注意、分類等，是許多動物都擁有的認知能力，對此可以從動物模型中尋找一些信息和啟發(fā)；

第二個層次是對自我和非我的認知，包括自我意識、共情心和理解他者能力，但可能只有靈長類動物才有，因此只能基于靈長類動物進行研究，而這是我國未來在基礎(chǔ)神經(jīng)科學(xué)研究中最有優(yōu)勢的領(lǐng)域；

第三個層次是對語言的認知，這是只有人類才具有的句法、文法以及無限開放式的語言結(jié)構(gòu)，對于研究人類語言的神經(jīng)機制和演化起源，構(gòu)建非人靈長類轉(zhuǎn)基因動物的模型是必要的。

對于這些腦網(wǎng)絡(luò)特性，人工智能未來研究中有可以借鑒但目前還沒有借鑒地方呢？蒲慕明院士認為有五個重要的點：

第一，神經(jīng)元很簡單，有不同性質(zhì)和種類的神經(jīng)元，例如抑制性神經(jīng)元（信息反轉(zhuǎn)）、興奮性和抑制性神經(jīng)元亞型（不同放電特性）；

第二，神經(jīng)網(wǎng)絡(luò)有順向、逆向側(cè)向和的聯(lián)接，現(xiàn)在主要是正向的，而加入反向的聯(lián)接會帶來好處，而側(cè)向聯(lián)接尤其重要，并且也是有序的。

第三，神經(jīng)突觸的可塑性。這個方面除了傳遞效率的增強和削弱（LTP 和 LTD）的功能可塑性，突觸的新生和修剪的結(jié)構(gòu)可塑性也非常有用。

第四，記憶的貯存、提取和消退也非常關(guān)鍵，網(wǎng)絡(luò)中特定突觸群的效率和結(jié)構(gòu)修飾便是記憶的儲存，記憶提出是指電活動的再現(xiàn)于儲存記憶的突觸群，而記憶消退則是指突觸功能與結(jié)構(gòu)修飾隨時間消退。另外根據(jù)輸出對學(xué)習(xí)相關(guān)的突觸群修飾，可進行強化學(xué)習(xí)。

第五，赫伯神經(jīng)元集群概念的應(yīng)用，包括細胞群的建立、多模態(tài)信息的整合，不同信息的捆綁、同步的信息震蕩、時間相位差以及輸入信息的圖譜結(jié)構(gòu)等等都可以借鑒

最后，他更是對新型人工網(wǎng)絡(luò)架構(gòu)和機器學(xué)習(xí)算法提出了四點建議：

一是要擺脫深度學(xué)習(xí)網(wǎng)絡(luò)（DNN）的誘惑；

二是要以高效、節(jié)能、半監(jiān)督和無監(jiān)督學(xué)習(xí)為目標，建立全新的人工智能模型和算法；

三是以脈沖神經(jīng)網(wǎng)絡(luò)（SNN）為基礎(chǔ)，加入傳遞延遲，強調(diào)時序信息的重要性；

四是，從簡單的（少數(shù)層）的網(wǎng)絡(luò)為基礎(chǔ)，每次加入一個自然神經(jīng)網(wǎng)絡(luò)的特性產(chǎn)生新的架構(gòu)，然后用新的機器學(xué)習(xí)和算法來檢測效果。

除此之外，他認為 AI 界應(yīng)該提出一個新的機器人或智能標準，從語言和感知覺能力的整合、團隊合作等更多維度去嘗試建立「新圖靈測試」。

2、高文院士：數(shù)字視網(wǎng)膜與云視覺系統(tǒng)演進

本次論壇的又一位院士——中國工程院院士、鵬城實驗室主任高文接著蒲慕明院士對神經(jīng)網(wǎng)絡(luò)的相關(guān)介紹，重點分享了如何利用對神經(jīng)網(wǎng)絡(luò)的理解來改進包括城市大腦或智慧城市系統(tǒng)等現(xiàn)有云視覺系統(tǒng)方面存在的一些問題，他的報告主題是《數(shù)字視網(wǎng)膜與云視覺系統(tǒng)演進》。

中國工程院院士、鵬城實驗室主任高文

首先，他指出了云視覺系統(tǒng)目前存在的兩大主要的挑戰(zhàn)：

第一，雖然視頻數(shù)據(jù)非常多，但是能夠?qū)ζ溥M行規(guī)范并能夠從中挖掘出規(guī)律的大數(shù)據(jù)卻并不多。

第二，這些視頻數(shù)據(jù)中絕大多數(shù)都是正常視頻，而敏感視頻比較少，因而產(chǎn)生的價值并不大。

而深究到底，這兩大問題其實是整個視覺感知系統(tǒng)架構(gòu)造成的直接后果。對此，高文院士等人從高級生命體視覺系統(tǒng)的進化歷史中尋找靈感，在設(shè)計新的第二代城市大腦或者說云視覺系統(tǒng)時，在中間的視覺神經(jīng)通道做工作。他們將這一想法稱之為數(shù)字視網(wǎng)膜。

他進一步介紹，數(shù)字視網(wǎng)膜的定義包括八個基本要素，按照特征或功能可分為以下三組：

第一組特征是全局統(tǒng)一的時空 ID，包括全網(wǎng)統(tǒng)一的時間以及精確的地理位置兩個基本要素；

第二組特征是多層次視網(wǎng)膜表示，包括視頻編碼、特征編碼、聯(lián)合優(yōu)化三個基本要素；

第三組是模型可更新、可調(diào)節(jié)、可定義，即將模型可更新、注意力可調(diào)節(jié)以及軟件可定義三個基本元素組合到一起。

不同于傳統(tǒng)的攝像頭只有一個流，即一個視頻壓縮流或一個識別結(jié)果流，這種數(shù)字視網(wǎng)膜存在三個流，即視頻編碼流，特征編碼流，模型編碼流，三者各自有分工，有的是在前端可以實時控制調(diào)節(jié)，有的是通過云端反饋出來進行調(diào)節(jié)和控制的。

在過去兩三年中，高文院士等人對此也開展了大量工作，重點實現(xiàn)了以下四個使能技術(shù)方面的重要進展：

第一個使能技術(shù)是高效視頻編碼技術(shù)，其中他們提出的場景編碼技術(shù)成為中國學(xué)者對世界所做出的的一大貢獻，將編碼效率提升到了一個新的水平；

第二個使能技術(shù)是是特征編碼技術(shù)，其中就包括他們與國際專家一同完成的兩個國際標準 CDVS 和 CDVA，而 CDVA 更是為滿足支持深度網(wǎng)絡(luò)而建立的標準。

第三個使能技術(shù)是視頻和特征聯(lián)合編碼技術(shù)，這是由于視頻編碼和特征編碼使用的優(yōu)化模型不一樣，視頻編碼使用的是 2D 優(yōu)化模型，而特征編碼聯(lián)合使用的是 R-A 模型，兩個模型的曲線方向完全是不一樣的，對此他們提出了聯(lián)合優(yōu)化模型，將 R-A 和 2D 變成一個目標函數(shù)，通過求最優(yōu)解就可實現(xiàn)聯(lián)合優(yōu)化。

第四個使能技術(shù)是 CNN 模型編碼技術(shù)，能夠?qū)崿F(xiàn)多模型重用、模型壓縮（差分編碼）和模型更新等優(yōu)勢。

最后，高文院士總結(jié)到，現(xiàn)在的云視覺系統(tǒng)不是太有效，對此我們可以通過類似于像數(shù)字視網(wǎng)膜的新的概念和技術(shù)來使其變得更加有效，包括降低碼率、減少延遲、提高準確率、降低云計算成本以及讓低價值的視頻數(shù)據(jù)轉(zhuǎn)化為大數(shù)據(jù)等。

隨著數(shù)字視網(wǎng)膜已實現(xiàn) 1.0 版本，下一步該如何走向 2.0 版本呢？答案是：采用脈沖神經(jīng)網(wǎng)絡(luò)的思路來做數(shù)字視網(wǎng)膜 2.0。

3、湯曉鷗：人工智能，創(chuàng)新應(yīng)用

兩位重量級院士的精彩報告后，商湯科技創(chuàng)始人、香港中文大學(xué)教授湯曉鷗以一如既往幽默的演講風(fēng)格為大家?guī)砹酥黝}為《人工智能，創(chuàng)新應(yīng)用》的報告。

商湯科技創(chuàng)始人、香港中文大學(xué)教授湯曉鷗

「我現(xiàn)在都不知道怎么做演講了，大家往往只記得我講的笑話，其實我也提到了一些深奧的人生哲理?！?/p>

臺下非?！笐?yīng)景」地發(fā)出一陣歡笑聲。

呼應(yīng)主題，湯曉鷗教授首先分享了他對于「創(chuàng)新應(yīng)用」的理解：

創(chuàng)新，便是做別人沒有做過的事情，帶來的結(jié)果是花錢，所以從這個意義上來說，創(chuàng)新的主要目的就是把錢花出去，這似乎是大學(xué)的功能；

應(yīng)用，則是要把創(chuàng)新落地到產(chǎn)品中，然后把產(chǎn)品賣出去，核心是賺錢，這是公司應(yīng)該做的事情。

然而創(chuàng)新和應(yīng)用這兩個看似矛盾的點如何并存于公司呢？他指出，對于于世界上絕大多數(shù)公司尤其是創(chuàng)業(yè)公司而言，根本無法像谷歌等大公司通過已經(jīng)成熟的業(yè)務(wù)應(yīng)用來賺取大量的收入，從而為每年用于創(chuàng)新所投入巨額的研發(fā)費用買單。那該如何找到自己的生存模式 ？

商湯便通過與各行各業(yè)進行合作，以 AI+賦能來找到平衡創(chuàng)新和應(yīng)用的方法論。他進一步以上班族「從早上八點到晚上十點」一天的日常需求，如駕車上班、樓宇辦公、午餐、外出開會、游戲娛樂、就醫(yī)問診、休閑購物等生活場景，介紹了商湯與相關(guān)行業(yè)在自動駕駛、智慧園區(qū)、室內(nèi)導(dǎo)航、智慧零售等各應(yīng)用領(lǐng)域的合作與開發(fā)成果。

基于自身的實踐經(jīng)驗，湯曉鷗教授也針對「創(chuàng)新 or 應(yīng)用」這一兩難的議題給出了自己的經(jīng)驗和思考：我們最初理解的創(chuàng)新一般都是出論文，做研究，在實驗室里做別人沒有做過的東西，然而這樣的創(chuàng)新一旦放到市場上往往是不被接受的。

因此，他認為最終的創(chuàng)新其實不僅僅是技術(shù)的創(chuàng)新，還應(yīng)該包括公司中工程的創(chuàng)新、產(chǎn)品的創(chuàng)新甚至是商務(wù)模式的創(chuàng)新、銷售模式的創(chuàng)新、合作伙伴合作方式的創(chuàng)新以及整個公司管理模型的創(chuàng)新在內(nèi)的綜合性創(chuàng)新。

「這樣我們才能夠在殘酷的市場環(huán)境中生存下來，才能在無比強大的競爭對手面前找到自己的一塊生存空間。而前面，包括商湯科技在內(nèi)的很多公司前面，還有很長的路要走?！?/p>

4、王海峰：自然語言處理前沿

百度首席技術(shù)官、深度學(xué)習(xí)技術(shù)及應(yīng)用國家工程實驗室主任王海峰博士帶來主題為《自然語言處理前沿》的報告，分享了他研究近 30 年的心得與觀點。

百度首席技術(shù)官、深度學(xué)習(xí)技術(shù)及應(yīng)用國家工程實驗室主任王海峰

「自然語言處理是人工智能非常重要，也是非常熱門的方向?！雇鹾７宀┦勘硎?，自然語言處理是用計算機來模擬、延伸及拓展人類語言能力的理論、技術(shù)及方法，在國家《新一代人工智能發(fā)展規(guī)劃》中也被列為共性關(guān)鍵技術(shù)。

接著王海峰博士回顧了從基于人工規(guī)則到基于深度學(xué)習(xí)模型的自然語言處理的研究發(fā)展歷史：

基于人工規(guī)則的自然語言處理需要領(lǐng)域?qū)＜?、領(lǐng)域知識，并把這些知識建模到計算機系統(tǒng)中去，開發(fā)和遷移成本都非常高；

到了基于統(tǒng)計的自然語言處理時期，一定程度上可以實現(xiàn)自動訓(xùn)練、模型選擇，當時也出現(xiàn)了很多特征工程師專門去建設(shè)各種特征；另一方面，大量的統(tǒng)計機器學(xué)習(xí)的模型在不同的應(yīng)用中會取得不同效果，所以模型本身的選擇具有一定的局限性。

到了深度學(xué)習(xí)時代，自然語言處理變得更簡單、更標準化和自動化，一套模型針對不同的數(shù)據(jù)就可以得到比較好的結(jié)果，所以說深度學(xué)習(xí)跟以前的機器學(xué)習(xí)模型相比，一個很重要的特點就是有一套可以適用于不同領(lǐng)域、不同應(yīng)用的方法，這與人腦很像。

他進一步指出，算力、算法和數(shù)據(jù)是驅(qū)動自然語言處理技術(shù)突破的三大要素，而隨著自然語言處理技術(shù)的飛速發(fā)展，該研究領(lǐng)域也呈現(xiàn)出很多新的變化，如從傳統(tǒng) NLP 進行層級式結(jié)構(gòu)分析，演變到直接的端到端語義表示；從過去局限于理解句子，發(fā)展到現(xiàn)在多文本、跨模態(tài)的內(nèi)容理解；機器翻譯實現(xiàn)了質(zhì)量飛躍、從科幻理想落地現(xiàn)實應(yīng)用等。

隨后，王海峰系統(tǒng)梳理了百度在預(yù)訓(xùn)練語言模型、機器閱讀理解、多模態(tài)深度語義理解、機器翻譯等自然語言處理技術(shù)發(fā)展，及開源開放、推動產(chǎn)業(yè)應(yīng)用的豐碩成果。

5、五大院士把脈：人工智能的發(fā)展現(xiàn)狀以及未來能夠做哪些嘗試

在上午場的Pannel環(huán)節(jié)，蒲慕明院士、高文院士，與美國工程院院士、南方科技大學(xué)學(xué)術(shù)副校長兼教務(wù)長張東曉，中國工程院院士、北京航空航天大學(xué)學(xué)術(shù)委員會主任趙沁平，中國工程院院士吳建平一同登臺，就「人工智能的發(fā)展現(xiàn)狀以及未來能夠做哪些嘗試」這一議題表達自己的觀點。

吳建平院士：互聯(lián)網(wǎng)與人工智能之間是相通的

吳建平院士：我雖然研究的是互聯(lián)網(wǎng)，不是做人工智能的技術(shù)人員，但互聯(lián)網(wǎng)作為人工智能發(fā)展依賴的技術(shù)之一，我也談?wù)勎业目捶ā?/p>

今年是互聯(lián)網(wǎng)的 50 周年，是我們算機科學(xué)界是非常重大的紀念節(jié)日，而實際上在互聯(lián)網(wǎng)的發(fā)展歷程中，我們能夠找到人工智能的明顯痕跡?，F(xiàn)在很多通信手段都要在互聯(lián)網(wǎng)高層的協(xié)調(diào)下才能工作起來，如果沒有互聯(lián)網(wǎng)，通信系統(tǒng)便都是獨立的，那不可能有開發(fā)人工智能的重大機會。因而，除了算力和摩爾定律，我認為互聯(lián)網(wǎng)同樣是人工智能發(fā)展的巨大因素之一。

與此同時，人工智能對于互聯(lián)網(wǎng)也意義重大，比如從 3 年前到現(xiàn)在，互聯(lián)網(wǎng)仍然使用的兩個著名路由控制：OSPF 和 BGP。二者都在 80 年代末期成為國際標準，其中涵蓋的機理大量采用了人工智能，其中以 OSPF 為典型，在任何圖譜結(jié)構(gòu)都能實現(xiàn)最優(yōu)的路由控制，不管采用什么方式都能達到最優(yōu)。

這其實就表明了，很多技術(shù)之間都是相通以及相互支援的：這一點值得我們深思。

趙沁平院士：為什么現(xiàn)在的人工智能都是弱人工智能？

趙沁平院士：我從 90 年代初期就開始做人工智能，當時人工智能還處于基于符號推理、知識處理的階段，當然也有神經(jīng)網(wǎng)絡(luò)，但神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)還比較少，還比較弱勢。而現(xiàn)在，神經(jīng)網(wǎng)絡(luò)的取得了突破性的進展，并且得到了很深刻的應(yīng)用。

腦科學(xué)是人工智能的研究方向之一，然而在人工智能中，人腦其實可以看做一個「黑箱」，而神經(jīng)網(wǎng)絡(luò)的研究將這個「黑箱」打開了一點，能夠看到視覺神經(jīng)，這是從腦科學(xué)角度比較初步地研究人工智能。

蒲慕明院士在演講中提到繪制人腦的圖譜非常復(fù)雜，我對此有兩個建議：

一個建議是不直接繪制成人的腦圖譜，而是繪制從胚胎開始一直到成人的腦圖譜，因為這體現(xiàn)了人腦圖譜的發(fā)展過程。與此同時，我們還要繪制到低級動物到高級動物的腦圖譜，不僅是靜態(tài)的，也要是動態(tài)的，當然這是需要全世界的腦科學(xué)家們共同長期努力的結(jié)果；

另一個建議是把人腦當成「黑箱」，不斷地吸取腦科學(xué)研究的成果，并將這些成果及時地引入到人工智能算法等此類研究上。不止是腦科學(xué)，還要借鑒行為學(xué)研究、認知科學(xué)等學(xué)科，當然這是從更宏觀的層面來看。

除此之外，我還有兩個思考：

第一個思考是，為什么現(xiàn)在的人工智能都是弱人工智能？很多做人工智能的人的回答都是算法不夠通用、算法不夠強大。這當然是一個因素，包括人也是一樣，人再能干也是有行業(yè)之分，更何況是計算機和算法。雖然不存在完全通用的算法，但是可能存在相對通用的，其中的關(guān)鍵在哪？在于知識的學(xué)習(xí)和積累。

比如一個小孩子從一開始只會吃奶到后來會用筷子，他學(xué)習(xí)和打通的是什么？可能是信息通路和腦的組合，這是值得研究的方向。

而在知識的積累方面，尤其是現(xiàn)在神經(jīng)網(wǎng)絡(luò)面臨數(shù)據(jù)欠缺的問題，這也會成為重要的研究方向，包括如何組織知識，如何將領(lǐng)域知識變成語言知識以及如何通過神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)來將這些知識「為 AI 所用」，這都是值得研究的。

第二個思考是，人工智能能不能達到像人一樣的智能水平，能夠?qū)⒅R逐漸通過自己的學(xué)習(xí)和演化組織成人腦那樣的一輩子可用的知識？

目前還有很多我們可以研究的方向，我希望領(lǐng)域內(nèi)的研究者不要一哄而上研究熱門方向，而是要選擇相對冷的方向，我相信整個人工智能領(lǐng)域應(yīng)該是波浪式的發(fā)展、螺旋式的發(fā)展，而這需要我們所有人從各個方面和各個領(lǐng)域來一起為這個目標努力。

張東曉院士：人工智能的未來是「AI+X」，還是「X+AI」？

張東曉院士：我雖然不是人工智能的專家，但我對機器學(xué)習(xí)還比較熟悉。

今天非常高興看到 AI 在各行各業(yè)的應(yīng)用，「AI+X」中的「X」的可以是交通、能源、交融、教育等各行各業(yè)，有的應(yīng)用已經(jīng)非常成熟了，有的應(yīng)用現(xiàn)在還剛剛開始。

無論是將人工智能視作工具還是平臺，我都覺得它應(yīng)該不能包治百病，不能解決所有的問題，就像剛剛趙院士講到的，當年計算機語言也是一個工具和平臺。

人工智能將來的應(yīng)用應(yīng)該是「AI+X」，還是「X+AI」？我覺得這是值得我們考慮和深思的問題。

比如我現(xiàn)在從事的能源行業(yè)，機器學(xué)習(xí)等人工智能技術(shù)還需要很強的行業(yè)背景和行業(yè)知識，而如果使用現(xiàn)有的機器學(xué)習(xí)算法來做學(xué)習(xí)和預(yù)測，效果可能就不是那么好了，甚至?xí)霈F(xiàn)很多非物理的答案。比如說濃度可以是負的，壓力也是可以超過正常的范圍。而一旦加上行業(yè)的知識，比如說物理原理+專家的知識+工程控制條件，算法得到的學(xué)習(xí)效果就非常好，比如說在可解釋性、可拓展性，遷移學(xué)習(xí)等各個方面都會取得非常好的效果。

現(xiàn)在可能我們需要像商湯、百度這樣的公司，但是我覺得更需要一些行業(yè)的、專業(yè)的公司，這樣才能更好地推動推動 AI 在不同行業(yè)中的應(yīng)用，才能改變整個應(yīng)用的前景。

蒲慕明院士：絕大多數(shù)做腦科學(xué)/AI 的科學(xué)家都是游客

蒲慕明院士：我先回答一下趙院士的問題和提出的建議，假設(shè)人類大腦結(jié)構(gòu)搞清楚了，不光是成年人的結(jié)構(gòu)，還包括結(jié)構(gòu)怎么形成，每個人有不同的網(wǎng)絡(luò)、不同的能力、不同的創(chuàng)造力是怎么形成？這其實是無盡的科學(xué)問題，下個世紀可能都解決不了，但是是大家努力的方向。

趙院士又提到很關(guān)鍵的問題，就是智能，包括自主力、創(chuàng)造力和思維等怎么樣在人工系統(tǒng)中實現(xiàn)？以及能不能實現(xiàn)？這是一個問題。而從傳統(tǒng)的人工智能來看，圖靈說「我不知道什么叫機器，什么就像人，我只要在平面上跟我對話，分不清楚是人還是機器，它就達到了人類語言的能力」。假設(shè)有機器人可以和我們聊天、可以同憂樂并且也能體現(xiàn)創(chuàng)造性的思維，我們就可以說：它從系統(tǒng)上反映了人的層面。至于它是不是有自我意識和更高級的創(chuàng)意在那里，這其實并不是科學(xué)的定義。

下面我主要就腦科學(xué)方面談?wù)勎业目捶ā?/p>

我國是在全世界的人工智能應(yīng)用是領(lǐng)先的，數(shù)據(jù)和市場都大，但是我們更要看到人工智能十年、二十年之后的發(fā)展。走在人工智能前沿的大公司看到的并不是今年或明年要賺多少錢，而是十幾二十年后是否還能領(lǐng)頭。這就需要投入一批科研人員做前沿研究，而類腦人工智能便是啟發(fā)于腦科學(xué)的其中的一個非常好的方向。這也是為什么現(xiàn)在像谷歌、微軟等大公司都雇了一大批神經(jīng)科學(xué)的人才去做這方面的研究，會是因為他們意識到這一方向的前景和重要性。

然而就腦科學(xué)而言，全中國的科研人員僅為美國的二十分之一（同樣水平的科研人員）、歐洲的三分之一或者四分之一。

并且現(xiàn)在存在的一個非常關(guān)鍵的問題是做腦科學(xué)和做人工智能的研究者來自兩個不同的領(lǐng)域，彼此之間很少交流。就目前來看，我國這兩個領(lǐng)域的科研人員彼此之間還很難進行「對話」，所以我希望鵬城實驗室能夠帶頭建立一個機制，讓兩個領(lǐng)域的人開展交叉學(xué)習(xí)，讓人工智能領(lǐng)域的人學(xué)學(xué)腦科學(xué)，讓腦科學(xué)領(lǐng)域的人學(xué)學(xué)人工智能。

無論是做腦科學(xué)還是做人工智能的科研人員，我認為可以分為三類人：

第一類是探險家，這類人非常少，并且其中絕大多數(shù)探險家都在歐美國家；

第二類是導(dǎo)游，他們是領(lǐng)軍式的科學(xué)家，以前做過探險家，找到過一方天地，可以帶一批人去看看好風(fēng)景，這其實是我們非常需要的，但是往往大多數(shù)導(dǎo)游也是國外的；

第三類是游客，絕大多數(shù)科學(xué)家屬于這一類，他們被導(dǎo)游帶著玩山游水，找到一個好玩的地方可能去附近探索一下，但是也不敢走太遠，怕掉隊，就只能一直跟著導(dǎo)游走。

現(xiàn)在有年輕的科學(xué)家跟我說，他們每年都需要發(fā)論文、評職稱、申請獎項，哪敢冒探險家的風(fēng)險？但我認為，做「 50% 的游客+ 50% 的探險家」是能夠做到的。

高文院士：現(xiàn)在計算機走不了太遠，未來有兩條出路

高文院士：我講兩個觀點。

第一個觀點，蒲院士在報告里講提到希望建立「新圖靈測試」機制，這其實是個非常好的建議，對于評價人工智能能不能真的做到位、能否和人類的能力相當很有意義。

因為在圖靈那個年代，環(huán)境和技術(shù)實現(xiàn)的條件和現(xiàn)在沒法比，所以圖靈測試只對自然語言對話的一種測試，可能實際上圖靈想的東西肯定不是局限于哪一點，但是落到紙上就是基于自然語言的對話，并以此來判定機器能不能達到人類的能力。但是現(xiàn)在的場景下，圖靈測試應(yīng)該不僅限于自然語言的交互，還應(yīng)該包括視覺交互等方面。

現(xiàn)在我們也希望給組內(nèi)的專家一些課題，希望他們重新設(shè)計一個新的圖靈測試，把所有和視頻、圖像、自然語言融合在一起，然后再去測試。

而圖靈測試以外時，圖靈當時還有一段非常巧妙的描述，讓一個機器學(xué)習(xí)，怎么學(xué)習(xí)呢？——兒童學(xué)習(xí)級，分為 1 歲的機器、2 歲的機器，隨著年齡的增長，機器的學(xué)習(xí)能力也往上增長。

所以圖靈的希望其實更是，機器能夠像人一樣成長。但是現(xiàn)在搞機器學(xué)習(xí)的研究者，基本上就是把這件事忘了，上來就是識別人臉之類的。

從做人工智能回到本源，研究像人的成長過程這樣的學(xué)習(xí)，可能對發(fā)現(xiàn)強人工智能會有幫助。

第二個觀點，我非常同意蒲院士說的腦科學(xué)和人工智能的交叉研究。

他在報告中也提到，他之前在《自然》上發(fā)了一篇論文，非常長，但是引用率很低。我當時就在想，可能他沒怎么參加過人工智能的會議，如果經(jīng)常參加的話引用率可能就上去了。

所以兩個領(lǐng)域的研究者聯(lián)合起來，去做一些學(xué)習(xí)和研討，這是非常好的思路。

我之前也在一些場合說過，現(xiàn)在計算機往前走，肯定走不了太遠，會面臨各種各樣的限制，要想變得更強大，只有兩條出路：一條是采用類腦模型做的加速器，來處理人工智能當前無法解決的問題；另一條是結(jié)合量子學(xué)，是采用全新的計算方式——算力上去了，一些大的、難的問題就能解決。而這兩條出路，都需要人工智能與其他學(xué)科的交叉研究。