张钹：后深度学习时代的人工智能

张钹：后深度学习时代的人工智能

1956年，在美国达特茅斯学院举行的一次会议上，“人工智能”的研究领域正式确立。六十年后的今天，人工智能的发展正进入前所未有的大好时期。通过分析这个时代下人工智能与计算机的发展轨迹，人们可以重新认识人工智能、认识计算机、认识自身。

深度学习：跨时代的技术

今天，我国的人工智能热潮与30年前日本兴起的人工智能热潮相比，发生了变化——时间不同、地点不同、主题也不同。这次人工智能的大发展与深度学习紧密相关，体现在：

（1）从知识情报处理转变为深度学习；

（2）从第五代计算机（日本提出的概念）转变为类脑计算机；

（3）从大容量知识库转变为大数据技术；

（4）从高速符号推理机转变为类脑芯片；

（5）从自然语言理解转变为感知（机器人）。

两次人工智能热潮最大的不同点在于：大数据技术和概率统计方法（及其理论）两个因素催生的深度学习大潮。可以说，大数据与概率统计方法共同推动了神经网络模型的创建和发展。特别是概率统计方法中的贝叶斯统计学，它在被“引进”人工智能领域后，促使人工智能发生了革命性的变化。

现代计算机能够进行深度学习，能够在几百万几千万的参数下对程序进行优化，很多人都以为是计算机变“快”了，其实要归功于概率统计方法的变化。这个变化使得计算机能把深度学习做好。所谓深度，就是网络层数比较多。

深度学习可以解决一些不能清楚表述的问题，让计算机摆脱“知其然，不知其所以然”的窘境——它能让计算机针对不确定性的问题，针对不断的变化而不断地再学习。另外，深度学习还有一个完全改变传统神经网络的作用——它不仅仅能函数映射，更重要的是能自动提取多层次重复的模式（特征），不依赖于人工设计。

由于使用深度学习方法，语音识别、图像识别的准确度提高了10%左右，模式识别能力达到新的高度，掀起了人工智能的进一步发展热潮。

后深度学习时代的人工智能

后深度学习时代的人工智能，就是要把人工智能从狭义的、只能解决一定范围内的问题，推广到更宽广的范围，从弱人工智能到强人工智能，再到通用人工智能。这项工作面临三个主要挑战（见表1）：

要解决这三项挑战，可以考虑两种解决办法：

一是把人工智能中“知识驱动”与“数据驱动”两个方法结合起来，因为这两个方法是互补的。其中，“数据驱动”的优点是可以从数据中提取模型。“知识驱动”的方法是用离散的符号表示，而基于数据驱动的深度学习方法是用高维空间向量表示，如果能把两种方法“沟通”起来，有可能极大地推动人工智能技术的发展与应用。

另外一个办法是回到神经网络的本源。借助于人脑神经的工作机制研究，进一步推动深度神经网络模型的深入发展。

后深度学习时代的计算机

当前，计算机发展有几个瓶颈：一是能耗大，二是串行处理的工作方式。我认为，现代的电子计算机还需要在很长一段时间里依赖冯·诺依曼结构。

现在业界最热门的话题是量子计算、类脑计算。不要以为量子计算一问世，现在的计算机就快要淘汰了。实际上，量子算法目前只有一二种可用的算法，所以它不能完全代替现在的计算机，就像量子通讯不能完全代替现在的通讯一样。

而现在的类脑计算，正确地讲应该叫Brain Inspired Computing，而不是Brain-like。当前，连大脑的运行机制都没有研究清楚，怎么可能开展完全的类脑计算呢？类脑计算研究的开展，需要学科的交叉，我特别推荐数学、认知科学、心理学、神经科学和语言学等领域的学者积极开展交叉学科研究，从而推动人工智能理论的进一步发展和创新。

（根据张钹院士在CNCC 2016大会上所做的特邀报告《人工智能未来展望，后深度学习时代》整理）

表1 人工智能的三个挑战