什么是第三代人工智能，其發(fā)展趨勢是什么？

人工智能從1956年第一次提出來，人工智能已經(jīng)發(fā)展了63年多，最初的第一代人工智能是用計算機來解決問題，第二代是以AlphaGo為標志的深度學習，但是深度學習是基于真正的大數(shù)據(jù)，在目前似乎也遇到了瓶頸，于是，科學家們提出了第三代人工智能，但是目前來看，還沒有人真正明確第三代人工智能是什么，但是其趨勢是清晰的。

下面是清華大學人工智能研究院院長、中國科學院院士張鈸在《邁向第三代人工智能的新征程》中對三代人工智能的詮釋。

第一代人工智能提出符號模型，以知識經(jīng)驗為基礎的推理模型，這是人工智能的第一個重大突破。這個突破后來產(chǎn)生了一個結果，就是這個理論提出時有個非常樂觀的估計，1956年由西蒙提出，基于這種模型，十年之后機器可以打敗所有棋手，二十年以后機器取代人類所有的工作。實際并不是這樣，六十年以后機器才打敗棋手，機器究竟代替人類的所有工作是什么時間，可能還很遙遠，這也是人工智能的另外一個特點，往往被高估。

人工智能的第一代模型，有優(yōu)點，但是也有很大局限性。這個優(yōu)點是顯然的，因為它是模仿人類的，它可解釋，魯棒性很強，但是它的局限性也非常大。因為最大的問題是人類的知識經(jīng)驗，很難準確表達，這就是產(chǎn)生的后來人工智能冬天的根本原因。當時的應用很有限，幾乎沒有推廣，但是，有了大數(shù)據(jù)以后，這個問題得到了很大改善，特別是機器的能力提高以后，可以把大量的數(shù)據(jù)作為知識放在機器里，這就是最典型的沃森系統(tǒng)。

沃森系統(tǒng)可以做癌癥的免疫治療，這里面用多少知識呢？100萬個醫(yī)學雜志中抽取的2500個摘要，400萬病人的數(shù)據(jù)，再加上1861年以前所有藥物的專利，它有醫(yī)學知識，并聯(lián)的數(shù)據(jù)再加上藥物知識，就可以做癌癥的免疫治療。當然了，很多慢性病的治療和管理，這個系統(tǒng)也做得很好，中國的國內也有大量這方面的工作在探索和研究。

第二代人工智能，一個最重要的成果就是深度學習。也就是說，第一代人工智能提出來，如果能夠很好地利用人類的知識，就可以建立很好的人工智能系統(tǒng)，如果我們有充分數(shù)據(jù)，也有可能建立起有用的人工智能的系統(tǒng)。

深度學習為什么這么受重視？一個很重要的原因，它有兩個重大變化。當網(wǎng)絡層次增加以后，有兩個重大變化：第一個變化，輸入只要原始數(shù)據(jù)，不需要預處理。第二個是性能提高很多，這就造成了深度學習的重大突破。也就是說，它從一定意義上有通用工具，對領域的知識要求不高，同時能夠處理大數(shù)據(jù)。

這就帶來很大的變化，大家也看到了，語音識別，2001年時它的識別率停留在80%，也就是20%的誤識別率；2016年誤識率就降到了5.9%，達到專業(yè)速記員的水平，到了2017年，所有產(chǎn)品包括谷歌、微軟，包括中國的訊飛、百度，用的全是深度學習。

變化更大的是圖像識別。有一個標準的圖像識別數(shù)據(jù)集 ImageNet，大家知道，2011年，它的誤識率是50%，有一半認錯了。但是四年以后，2015年就超過了人類水平，原因也是利用了深度學習。

最后一個，給大家印象最深就是AlphaGo，大家都知道了。因此就有很多估計，十年之內代替40%以上人類的工作，三五年里面，智能駕駛車就可以量產(chǎn)，等等，剛剛李院士說到了這個問題，他分析得很深刻。實際三五年里面不可能量產(chǎn)。

技術已經(jīng)完全成熟，我們現(xiàn)在的研究已不成熟，主要是應用問題。為什么在人工智能上往往產(chǎn)生樂觀估計？主要原因有兩個：一個是對發(fā)展人工智能的困難性估計不足，對取得的成果估計過高。一個估計不足，一個估計過高，就產(chǎn)生了問題。另外一個很重要的原因，受歷史事件的影響。過去我們發(fā)現(xiàn)，有了蒸汽機以后就產(chǎn)生了工業(yè)革命，有了電動機發(fā)動機以后就產(chǎn)生了電氣革命，有了計算機以后產(chǎn)生了信息革命，大家很希望有一個東西出來以后引起人工智能的革命。

現(xiàn)在的問題是，有沒有？至今為止，還沒有發(fā)現(xiàn)人工智能里面的蒸汽機和計算機。曾經(jīng)最開始寄希望于符號模型，結果發(fā)現(xiàn)符號模型也沒有那么管用。第二次發(fā)現(xiàn)的是大數(shù)據(jù)+深度學習，以為大數(shù)據(jù)+深度學習就是人工智能的蒸汽機和計算機，為什么這樣？

這不能不考慮到人工智能的特點，我們說深度學習根本不是AI的通用機?，F(xiàn)在大家在尋找通用的人工智能，到底有沒有，還有爭論，不去管它，但至少深度學習不是人工智能。這個非常明顯，第一代人工智能也好，第二代人工智能也好，它的應用場景必須滿足以下五個條件。

從正面來講，所有的應用場景，如果滿足以下五個條件，計算機絕對能夠戰(zhàn)勝人類，不管這個問題多么復雜：具有豐富的數(shù)據(jù)或知識，完全信息，確定性信息，靜態(tài)，單領域和單任務。

最明顯的例子是圍棋，圍棋多么復雜，但是圍棋滿足這五個條件，所以計算機戰(zhàn)勝在圍棋上戰(zhàn)勝人類是早晚的事情。所以從正面來講，如果你滿足這五個條件，不管多復雜，計算機絕對戰(zhàn)勝人類。長遠來看，如果你的應用場景不完全滿足這五個條件，其中有些條件不滿足，你這個工作就變成困難。自動駕駛為什么如此困難？根本的原因在這里。為什么我們難以做出來廉價、可靠的自動駕駛呢？背后的原因就在這里，因為自動駕駛很多條件都不滿足，它不是完全信息，它不是確定性信息，它不是靜態(tài)的環(huán)境，或者是按照確定性規(guī)律演化的，它的很多東西是不可預測的，它也不是單領域的，里面有人駕駛的車、行人、其它車輛。所以剛剛李院士提出來專用道，就是把這些東西弄干凈，變成單領域。所以我們一直說，如果有些條件是不符合這五條，你就需要下功夫。

現(xiàn)在人工智能能夠在這些領域里面得到應用，換句話說，這些領域里面有很多應用產(chǎn)品符合剛才講的五個條件。如果這些領域里面的應用場景符合五個條件，大家大膽去做，絕對會超過人。根據(jù)現(xiàn)在計算機強大的力量，是可以做到這一點的。但是，這些應用里面，也有大量不符合那五個條件的，大家必須下功夫，不能指望靠現(xiàn)在的第一代、第二代人工智能去解決它。

舉個簡單的例子，復合場景下的決策，完全信息條件下的決策或者完全信息下的博弈，計算機戰(zhàn)勝人類是絕對的。下面一個問題，不完全信息的博弈及打牌，大家都知道，今年5月份對撲克牌這個問題也解決了。換句話說，6人無限注的德州撲克，計算機能戰(zhàn)勝人類，這就意味著概率意義下的不確定性，機器也可以戰(zhàn)勝人類。但是人類的決策環(huán)境都不符合前面兩個條件。所以在復合環(huán)境下的博弈或者復雜環(huán)境下的決策，機器跟人類還差得比較遠。從這里來講，應用場景是極為重要的。

第二個，我們必須要重視的，用數(shù)據(jù)驅動的方法做出來的系統(tǒng)，有大量毛病，或者說這些毛病是根本性的，是極為危險的。這里面列出來的，簡單舉個例子，一個圖像識別系統(tǒng)，都可以說它的識別率超過人類，但是這個圖象識別系統(tǒng)跟人類的感知完全不同。

就是這樣的系統(tǒng)，你給它噪聲，它可以識別為知更鳥。你給它一個噪聲，它可以識別為獵豹。換句話說，模式識別系統(tǒng)并沒有達到人類認知的水平，只達到低等動物的水平，所以感知這個詞翻譯得非常好，感覺+知覺，低等動物只有感覺，沒有認知。所以機器現(xiàn)在達到的水平是低等動物的水平，它可以分辨不同的物體，但是它本質上不認識這個物體。另外是它非常脆弱，非常容易受攻擊。

這是阿爾卑斯山圖片，人起來是，機器看起來也是，只要給它加上噪聲，右邊這個圖和左邊那個圖，唯一的區(qū)別是噪聲多一點，人看起來還是阿爾卑斯山，機器看起來是一條狗，而且它的置信度是99.99%，它99.99%認為這是一條狗，非常容易受欺騙，這就說明機器跟人的認知差異非常大。

語音也是同樣的道理，前面的英文說的是一句話，我們加上一點點噪聲，人聽起來還是一樣的，機器聽起來就是另外的內容，這就非常危險。

搞軍事的人說，過去你語音傳過去，它進行干擾，你聽不見而已?，F(xiàn)在語音傳過去，它說進攻，可以讓你聽成退卻，加一點噪聲就行了，這就是AI的安全性。

另外，缺少自我知識，這是非常重要的。你說我用這個話，讓它翻譯，「說你行的人行」，這句話計算機怎么翻呢？「說你專業(yè)的人行道」，瞎翻，為什么瞎翻？它不知道自己不知道，沒有任何自知之明。這是很危險的。為什么翻譯成人行道呢？「人行」，它以為是人行道。為什么翻譯成「你的專業(yè)」呢？「你行」。這是非常危險的。大家想想，我?guī)Я艘粋€翻譯，翻譯水平挺高的，大多數(shù)翻譯是很準確的，但是他會瞎說，你敢用嗎？人類不會，因為他知道這句話如果沒有聽明白會再問是什么意思，計算機沒有自知之明，人貴有自知之明，這是人類智慧的一個部分。怎么讓機器有自知之明？這是很困難的事。

下一步，我們現(xiàn)在有個新的歷史機遇，就是邁向第三代人工智能。第三代人工智能就要糾正前面說的兩個局限性，建立可解釋、魯棒的人工智能理論，發(fā)展安全、可信、可用的人工智能技術，促進人工智能的創(chuàng)新應用。

近日，AI2000人工智能全球2000位最具影響力學者榜單在清華大學發(fā)布，中國學者規(guī)模位列世界第二，但高水平學者集中的研究機構匱乏，人工智能領域的人才隊伍亟待加強。

AI2000榜單由清華-中國工程院知識智能聯(lián)合研究中心和清華大學人工智能研究院發(fā)布。AI2000人工智能全球最具影響力學者（200名）和提名學者（1800名）分布于全球不同高校和學術機構，美國有1128人次，中國171人次，歐盟有307人次上榜。

發(fā)布會上，清華大學人工智能研究院院長、中國科學院張鈸院士做了熱情洋溢的報告和精彩點評發(fā)言。

基礎研究，尤其是人工智能領域的基礎研究必須國際化，因為只有把全世界的研究人員共同團結起來、利用起來，才能夠引領基礎研究的發(fā)展。為什么目前人工智能領域大多由美國來引領，就是因為美國把全世界最優(yōu)秀的人才利用了起來。

中國要想在基礎研究上引領世界，必須走國際化道路。今天有很多外國留學生來華求學，這是一個好事兒，但我們還可以做一定平衡調整，吸引更廣泛國家地區(qū)的優(yōu)秀學生來華學習。

人工智能的四大基礎是：知識、數(shù)據(jù)、算法和算力，回顧歷史，這四個因素都在不斷地發(fā)揮作用。第一代人工智能也叫符號人工智能，比較強調知識對智能的作用，因為那時算法和算力都還沒有跟上。

進入新世紀后，深度學習把大家的目標凝聚到了數(shù)據(jù)上，這時大數(shù)據(jù)的出現(xiàn)，再加上很好的算法，就形成了基于概念的深度學習，再加上云計算等手段，使以數(shù)據(jù)為基礎的連接主義模型得到了極大推廣和應用。

數(shù)據(jù)主義喊了許多口號，導致了我們今天遇到一些困難，按照大數(shù)據(jù)建起來人工智能系統(tǒng)似乎不可信、不可靠、不安全、不易推廣，這都是目前用深度學習進行人工智能研究帶來的問題，也可以說是大數(shù)據(jù)遇到的挑戰(zhàn)。怎么來解決這個挑戰(zhàn)呢？唯一的辦法，就是重新引入知識，把數(shù)據(jù)驅動和知識驅動結合起來，達成可信安全的第三代人工智能。

自然語言理解是人工智能領域最核心的問題。不管做機器翻譯也好，做自然語言應用也好，都試圖通過分析符號序列來理解相關內容，這是第一代人工智能所謂符號主義的核心做法。到了第二代人工智能，又走上深度學習的道路，這條路充滿希望，但又非常危險，因為解決不了可信安全的問題。

機器翻譯現(xiàn)在只能翻譯不重要的東西，因為翻錯了也沒有關系，真正重要的場合還需要人力同聲翻譯。機器最大的問題，就在于它缺乏常識，根本不知道自己不知道，這是一個很大的問題。知識包含兩方面，一是我知道什么，二是我不知道什么。一個有學問的人，不僅僅表現(xiàn)在他知道的多，更表現(xiàn)在他清楚自己不知道的更多。那些狂妄自大的人，都是沒有學問的人，不知道自己能吃幾碗干飯，機器翻譯也是這個問題。給機器任何句子，它都能翻，根本不懂也能瞎翻。

所以常識是必要的，簡單翻譯幾句話也需要大量嘗試積淀，“說你行，不行也行”，機器沒有常識，就很難理解這句話，人反而覺得很簡單，這就是常識的重要性。但常識庫的建立非常之難，現(xiàn)在沒法從數(shù)據(jù)中去建立常識庫，因為常識往往不表示在數(shù)據(jù)之中。

建立常識，必須下功夫去做，只有這個問題解決了，自然語言的理解才能達到目標。而自然語言理解，則是第三代人工智能的終極目標，這是一個艱巨的任務。如果這個問題解決了，人工智能的其他問題將會迎刃而解。