CCAI 2019 | 张钹：走向第三代人工智能

张钹是计算机专家、中国计算机学会会士，2014年获得中国计算机学会终身成就奖。他还是中国科学院院士，清华大学人工智能研究院院长。从事人工神经网络、遗传算法、分形和小波等理论研究，并聚焦模式识别、知识工程、智能机器人与智能控制等领域的应用技术研究。

作为人工智能领域的专家，张钹担任此次人工智能大会的荣誉主席，将出席大会并做题为《走向第三代人工智能》的专题报告，了解他对行业的思考与洞见，有助于我们更科学地看待人工智能的前景。

图像识别、语音识别和围棋，堪称近年来人工智能发展的“代表作”：

2015年，微软宣布在ImageNet的图像识别上，电脑系统识别能力已经超越了人类：人类错误率为5.1%，而微软的深度学习系统可以达到4.94%；

2016年，搜狗、百度和科大讯飞宣布，各自的中文语音识别准确率均达到了97%，高于人类；

2016年及2017年，AlphaGo以压倒性优势接连击败当前最好的人类棋手李世石与柯洁。

在张钹看来，人工智能之所以能取得这些成绩，主要来自三方面的原因：一是大数据，二是计算能力，三是算法。

以围棋为例，一个人类棋手一生能够经历的棋局量级能达到百万，可AlphaGo在三个星期内就学习了7000万局人类棋局，还“左右互搏”，自己与自己下，量级达到几十亿级。这两项数据可谓云泥之别，人类棋手在坐到棋盘前就已经输了，难怪柯洁在败北后也只好感慨：“它太完美，我看不到希望。”支撑AlphaGo在如此短的时间内“消化”掉几千万局棋局的，正是强大的学习算法。

虽然当前人工智能的进步让人刮目相看，但是张钹认为，这些成功是因为场景都满足了以下五个条件：

第一，数据充足，不仅是说数量大，还要具备一定的多样性，且不能残缺；

第二，确定性；

第三，具有完全的信息，这是最重要的；

第四，静态，包括按确定性的规律演化，具有可预测性。

第五，特定领域和单任务。

反之，一旦不能满足上述全部条件，计算机做起来就会感到困难。

比如，AlphaGo之所以能在围棋上吊打人类，就是因为围棋属于完全信息博弈，它虽然复杂，但本质上只需要计算速度够快，计算机就可以学习掌握。但在日常生活中，人们的所有决策都是在不完全信息的条件下完成的，这就使得计算机的应用场景明显受限。别的不说，如果把围棋换成麻将，计算机就会感到棘手，因为麻将（以及其他牌类）属于不完全信息博弈。

此外，静态的条件也过于理想。它要求事态按照确定的规律来演化，具有可预测性。但现实往往不是这样，比如路况，本身就是一个复杂的场景，不具备可预测性，可见在复杂路况下自动驾驶还有很长的路要走。

既然当前人工智能取得的成果还存在不少局限，那么，什么才是“智能”该有的样子？

张钹的答案是：要有理解。

当前人工智能的能力范围，受限于他所提到的上述五个条件，恰恰说明计算机是依靠不断重复计算和学习来达到眼前效果的，现在的人工智能是没有理解的人工智能。

以问答系统为例，计算机之所以能够给出问题的答案，并不是因为它理解了人类在说什么，而是依靠大量的数据检索，寻找或匹配出了与问题相对应的答案。它可以回答“美国总统是谁”，但如果你问“特朗普是个人吗”，它大概会懵掉。

会检索、检索快，在张钹看来还远谈不上智能。现在的深度学习本质上是基于概率统计的学习，简单来说，就是寻找那些重复出现的模式，重复多了就会被认为是规律和真理，所以大数据也会出现不理想甚至是错误的结果。

因此张钹提出，人工智能的核心应该是知识表示和不确定性推理。对人工智能来说最重要的能力是知识，而非数据。机器应用数据的能力已经超过了人类，但人类在应用知识方面要强于机器，如果两者无法结合，人工智能就无法很好地与产业结合。他认为，有理解的人工智能是可以做出来的，只不过这需要时间。

张钹表示，人工智能实际上经历过两代，第一代是符号推理，第二代就是目前的概率学习，它最大的问题是不可解释和不可理解。

为什么人工智能需要可解释性？

假如人工智能将来越来越多地应用到实践中，那么人类就必须要知道，计算机是如何“想”的。

比如智能驾驶汽车要上路，如果人类不清楚工作原理，那如何放心的把生命安全托付给计算机？

因此张钹提出要建立可解释、鲁棒性（即性能稳定，抗干扰能力强等状态）强的人工智能理论和方法，发展安全、可靠和可信的人工智能技术。他提倡发展第三代人工智能，这还需要计算机科学与数学、脑科学等的结合与突破。