“深度學習的鑰匙丟在了黑暗角落。”張鈸院士不止一次提出這個論點。深度學習方法易受欺騙、易受攻擊已經是研究者們達成的共識，追其根本原因，張鈸歸結為：大家只是在燈亮的方向對模型修修補補，沒有向人類深入學習。更為具體的是：沒有在數據驅動的基礎上引進知識，沒有改變深度學習網絡的模型與結構。

對人工智能發展的三個階段進行剖析：1.計算智能;2.感知智能;3.認知智能。顯然，2019年是在第二階段渡過的，在2019年，我們進一步研究語音識別，計算機人臉的識別，以及想方設法讓計算機加強語言文字處理能力。但是，對于第三階段，讓人工智能真正的進行理解，進行思考，進行推理還尚未觸及到門檻。

“當前的人工智能很多的研究，并不在于理解，是一個非常表象的匹配。”清華大學黃民烈在AI Time 第十期學術論壇中提到，“當前的感知智能實際上是涉及機器的視覺、聽覺和觸覺感知的能力，主要是對深數據的處理，能做一些分類、檢測，然后基于這些再做初步的決策，特點是數據驅動，是一種典型的弱人工智能的范疇。”

這也就是說深度學習技術的確是推動了感知智能技術的快速發展，但是僅僅依靠深度學習技術是遠遠不夠的，深度學習是純粹基于數據的方法，屬于歸納的范疇，并不具有可解釋性。從感知智能走向認知智能，僅僅依靠深度學習是遠遠不夠的，還需要有更多突破。

所以，從感知智能走向認知智能必須把相關研究放在認知層面，即將研究方向聚焦于人的語言、認知和邏輯相關方面，打造具有歸納的能力，有推理的能力，有知識運用的能力的強人工智能。

認知智能的獲取，AI研究的瓶頸

感知智能和認知智能是人類的兩個不同的性質，無法對這兩個行為進行孰高孰低的評價。張鈸院士認為人類的智能實際上是三個內容，分別是感知智能、理性行為、人類的一些行為動作，這三個內容加起來才是認知智能。

在感知方面，最大的問題是無法從感性的認識提高到理性，也就是說目前深度學習幾乎達不到從感性上升到理性。然而推理在攻克人工智能項目難題時非常重要，例如交互視覺的相關研究中，如果場景中有鏡子，呈現的場景是虛像，當前的深度學習算法無法有效處理，這時候便需要推理。

在醫學影像中，如果如果兩根血管離的非常近，深度學習很容易把兩個并在一起，準確區分則需要進行推理。讓機器獲得推理能力，就要讓機器做一個“人類”，模仿人腦思考的方式，建立新的神經網絡結構，賦予其足夠的表達力。

正如阿里巴巴的楊紅霞在AI Time第10期中談到：“小朋友觀看一次狗的圖片，就能認識到狗這個物種，但是機器需要訓練成千上萬張圖片才不會犯錯誤;對于一只狗眼睛，人可能下意識的感知到這是一只狗的眼睛，機器可能會因為信息不充分判斷失敗”。

所以，用少量的信息得到最好的效果，也是機器獲得認識智能的一個表現。將數據和知識結合獲得認知是學界達成共識的一個方法，但是知識獲很困難，將數據和知識結合更加困難。讓AI獲得知識的知識庫在業界稱為“知識圖譜”，它不僅要關注知識點還要關注知識點間的關聯。這些關聯將賦予AI聯想力。

提到水，它要反映到密度、透明等多個性質聯系起來，更高級的是計算出用多大力道去取水。知識圖譜的建立非常困難，人類海量的知識如何翻譯成機器的語言，并與之建立聯系，很成問題。

尤其是之前這項工作一直是人工完成的，例如谷歌詞庫、百度百科、維基百科等都可以轉換為知識圖譜，但工作量大、內容異常龐雜。

幸好，有一些思路為我們提供了參考，例如圖神經網絡在對圖節點之間依賴關系進行建模的強大功能，使得與圖分析相關的研究領域取得了突破;從人腦中借助的注意力機制、記憶、遺忘也很好的改變了現有的神經網絡結構，設計動態神經網絡，根據外界的輸入，改變自身的結構和參數。

正如達摩院2020十大科技趨勢預測中的那樣，人工智能會從感知智能向認知智能演進。人工智能已經在“聽、說、看”等感知智能領域已經達到或超越了人類水準，但在需要外部知識、邏輯推理或者領域遷移的認知智能領域還處于初級階段。

認知智能將從認知心理學、腦科學及人類社會歷史中汲取靈感，并結合跨領域知識圖譜、因果推理、持續學習等技術，建立穩定獲取和表達知識的有效機制，讓知識能夠被機器理解和運用，實現從感知智能到認知智能的關鍵突破。獲取和表達知識重要的是有高效的學習系統，那么現在的學習系統，應該怎么樣去積累，去獲得知識?

模擬人類大腦，構建機器學習系統

觀察人類的進化角度、發展的角度，從而讓機器學習這種角度是一個非常好的路徑，但是具體實施確是非常個困難。關于學習系統，張鈸院士在AI Time 學術論壇中提到：“對于人腦來說，其實從神經元的表述來講，差別并不大，一個非常重要的原因，人類的大腦連接的很少，提供了非常靈活的學習機會，人類最大的優勢就在于腦容量越大，但是都是不確定的，全是靠出生10多年不斷的產生連接，所以這屬于非常靈活的結構。

這也就是說，學習知識的能力，并不是取決于神經網絡已有的固定連接。人工智能的最終解決要依靠我們對大腦的工作有深入的了解，對大腦理解越多，對如何構建學習系統就會更加清晰。

正如張鈸院士提到的那樣，目前我們對大腦的了解，在細胞這個量級上面，所有的重大問題都清楚，人腦細胞的重大問題基本上都解決了，但是這些知識對人工智能幾乎沒有什么用處，因為已解決的問題太細節了，太底層了，無法直接運用。

真正對人工智能有用就是網絡，解決人腦的回路問題才是重點，然而現在在腦回路方面的研究非常粗淺。現在的嘗試主要基于類腦計算，依靠神經科學家和數學家。而早期的類腦計算(也可以狹義的稱為神經計算)，將神經元和突觸模型作為基礎，把這些模型用在許多現實中的識別任務，從而發揮模擬人腦功能，例如字體識別，人臉識別等等。

腦建模則是在認知腦的基礎上進行的，目前的類腦計算算法還有很大的研究價值，目前發現的生物學機制只有少部分使用了計算神經學的方式進行模擬，被用在類腦計算中的機制則更加有限。另外，計算機仿真工具和數學的理論分析仍然不夠完善，類腦計算沒有形成統一的理論框架，面對大數據時代還沒辦法取代深度學習等成熟算法和工具的地位。

? ? ? ?責任編輯：ct