AI發展至今已有60年光景，已處于高速成長階段。60年的光陰里AI都取得了哪些進展？有哪些制約因素？我國AI發展到了什么水平？

6月21日晚間，由北京智源人工智能研究院主辦的2020北京智源大會在線上舉行，圖靈獎獲得者、中國科學院院士、中國工程院院士、國內外AI頂尖學者齊聚一堂，共同描畫了下一代AI的模樣。

AI的下一次突破何時到來？

世界范圍內，AI已經發展了60年左右的時間。然而從上世紀60年代開始30多年的時間里并沒有研究出可以比肩人類的技術。直到1997年，IBM研發的深藍超級計算器擊敗國際象棋世界冠軍加里·基莫維奇·卡斯帕羅夫，至此AI終于實現了里程碑式的突破。2005年，在斯坦福大學時任副教授的Sebastian Thrun帶領學生打造的一款名為“斯坦利”的機器汽車，成功穿越300英里沙漠，成為歷史上第一個完成DARPA無人駕駛汽車挑戰賽的自動駕駛汽車，業內公認“斯坦利”是AI應用的又一次突破，Sebastian Thrun也因此成為了谷歌自動駕駛汽車系統的專家，幫谷歌打造出自動駕駛的原型車，谷歌也憑此成為了自動駕駛領域的領軍者。

到了2012年，也是AI迄今距離最近的一次突破——深度學習。當時機器學習已經非常流行，但是還不足以達成AI的最高目標，而深度學習的理論已經存在了幾十年，直到2012年終于取得突破，它可以構建AI已知的所有功能，包括決策理論、規劃和推理，讓AI距離真正解決問題又近了一步。

深度學習可以解決什么問題？比如有一輛自行車，深度學習可以將自行車進行結構性的拆解，對車座、車把、車輪等組成部分進行識別。“但是當遇到一件與自行車十分類似的物品時，深度學習會把它自動歸為同類。”圖靈獎獲得者John Hopcroft指出，深度學習的問題在于它不能告訴你自行車每個部分的功能是什么。

下一代人工智能要取得突破，可以在深度學習的基礎上附加相應的邏輯，實現讓AI知道腳踏板可以驅動車輪，區分有用郵件和垃圾郵件。

康奈爾大學教授Bart Salmen認為，深度學習還有很大的提升空間，它是一種基于數據訓練的學習方法，但是人類是有感知能力的，要達到人類水平，就要學會感知。張鈸認為，感知=感覺+認知，目前深度學習方法只觸及到了感覺層面，還未達到認知高度，需要真正的知識灌輸，下一代AI要明確地把知識驅動和數據驅動結合起來才能真正取得突破

那么AI的下一次突破何時到來，又一個十年、二十年？

John Hopcroft認為，歷史上農業發展花費了上千年，制造業發展花了幾百年，AI首次取得成功只用了幾十年，所以下一次突破會很快。

專家們紛紛表示，下一代AI一定要具有可解釋性，使用者需要知道AI究竟是怎樣運作的，這也是增強人類對AI信任度的關鍵。

John Hopcroft指出，AI的下一次突破不一定是計算能力的突破，也有可能是生物學層面的突破。

AI需要解決什么問題？

隱私和安全問題是人工智能技術應用大規模鋪開所面臨的一大挑戰，這是很多用戶在接受使用AI應用前最擔心的問題之一。

中國科學院院士張鈸認為，要解決這個問題，首先要從兩個層面來探討。一是如何正確合理運用隱私，這需要AI開發企業的高度自律。隱私保護是為了防止傷害集體和個人的利益，涉及到保護和使用的關系，可以很嚴也可以很松，不一定一步到位制定出完整的規則，需要逐步的改進。

二要避免人工智能濫用的問題，這是目前深度學習無法解決的問題，需要談到人工智能治理這個層面。張鈸指出，一方面要定義規則，制定嚴格的法律法規，二要發展安全可靠、可信、可擴展的人工智能技術，這樣才能真正保護人工智能的安全。“人工智能治理非常重要，只有想清楚如何治理，才能知道技術往哪些方向發展”張鈸談到。

此外，還要建立讓用戶信任的AI應用機制。香港科技大學教授楊強認為，開發者和應用方不可能隔絕開來，需要共同協作、互相交流。開始可以先采用加密模型參數，對于使用者來說，可能會不清楚傳遞是參數還是數據，那么就可以引入一個中心機構，讓每一個參與者在這個中間機構中傳遞信息。另外也可以引入區塊鏈的管理模式，借助其透明化且不可篡改的機制對隱私加以保護。

中國工程院院士高文認為，開源是解決AI隱私問題最好的辦法，沒有一蹴而就的解決方法。“就像武術一樣，要想做到厲害就要不停攻防。”高文強調，不要太過擔心數據共享有可能帶來的惡意攻擊，因為技術發展過程中一定會考慮到針對性的解決辦法。

中國AI發展痛點在哪里？

新基建浪潮下，國內各大企業通過興建大量基礎設施，強調大算力來搶占技術高地，那么AI到底需要多大的算力？

楊強認為，大算力是AI突破的方式。學術界很多專家開始嘗試采用遷移學習的方法解決通用問題，如果算力足夠大，那么遷移學習就可以適配到各個領域，符合縱深發展的條件。

高文指出，下一代AI要解決高效能的問題。AI的下一階段要求是超過人的精度，但是人本身并不需要太大的算力。所以下一步應提高計算機的學習能力，減少低效學習所消耗的大量電力，不要過分追求大算力。

我國在AI科研平均水平已經接近世界水平，但是最高水平和世界領先仍有較大差距。“沒有從0到1的發現。”張鈸指出，我國AI研究尚未突破創新的瓶頸，基礎研究落腳點在發表論文的數量上，與過去相比有巨大的進步，也是制約因素。

楊強認為，有責任心有志向的學者應該在創新上努力，重點是選題質量而不是文章數量。研究方向一要足夠新，二要足夠難，三要讓人很容易理解。楊強指出，這樣的研究還需要運用方法把問題分解成可以解決的階段，每個階段設立一個小目標。另外，計算機的發展離不開數據，觸手可及的數據更容易實現落地。“不要跟風熱門領域，有很多新領域更值得探索。”楊強說道。
責任編輯：tzh