吳軍：未來20年，人工智能可能不會(huì)有巨大的發(fā)展！

作者：佚名 2019-04-30 11:40:12

三年前, 開啟了人工智能時(shí)代，“它能做的事越來越多，幾乎所有的事都可以做”，這是一種普遍的看法。但是任何時(shí)候，如果一個(gè)事物當(dāng)所有人都覺得它能做時(shí)，都有兩個(gè)可能性：一是這個(gè)事確實(shí)太厲害了；再一個(gè)可能也發(fā)展到頭了。

[[264168]]

三年前, 開啟了人工智能時(shí)代，“它能做的事越來越多，幾乎所有的事都可以做”，這是一種普遍的看法。

但是任何時(shí)候，如果一個(gè)事物當(dāng)所有人都覺得它能做時(shí)，都有兩個(gè)可能性：一是這個(gè)事確實(shí)太厲害了;再一個(gè)可能也發(fā)展到頭了。

因?yàn)樗腥硕伎吹降氖拢t利未必還能繼續(xù)存在。這時(shí)恰是需要一個(gè)冷靜的思考。換個(gè)角度來看，就是人工智能不能做什么。

一、回歸問題本源：人工智能不能做什么

很多時(shí)候當(dāng)一條路走不通，最簡(jiǎn)單的辦法就是直接回到原點(diǎn)，問題就清楚了。

人工智能基于計(jì)算機(jī)，人工智能的極限取決于計(jì)算機(jī)的極限，計(jì)算機(jī)的極限取決于計(jì)算的極限。

什么能算以及不能算要搞清楚。這種本源問題反而是我們很多人忙忙碌碌不會(huì)思考的，而這決定了你做事大方向的對(duì)和錯(cuò)。

1.圖靈的思考：計(jì)算和機(jī)械運(yùn)動(dòng)的關(guān)系

計(jì)算機(jī)科學(xué)之父是艾倫•麥席森•圖靈，那么，他的老師是誰?他的想法又是從哪來的?有兩個(gè)人對(duì)圖靈在計(jì)算機(jī)發(fā)展上提供幫助，我們稱之為精神導(dǎo)師。

分別是馮諾伊曼(著名匈牙利裔美籍?dāng)?shù)學(xué)家、計(jì)算機(jī)科學(xué)家、物理學(xué)家和化學(xué)家，曾執(zhí)教于普林斯頓大學(xué))和希爾伯特(二十世紀(jì)上半葉德國乃至全世界最偉大的數(shù)學(xué)家之一)。

馮諾伊曼當(dāng)時(shí)寫了一本書對(duì)圖靈很有啟發(fā)，圖靈給出了一個(gè)很難證實(shí)但是覺得對(duì)的一個(gè)看法，就是人的意識(shí)。

人的意識(shí)是由不確定性決定的，但是計(jì)算機(jī)和更早期的牛頓力學(xué)，以及可預(yù)測(cè)的機(jī)械運(yùn)動(dòng)有關(guān)。

這是圖靈當(dāng)時(shí)朦朧的想法，就是人的意識(shí)是由不確定決定，計(jì)算等價(jià)于機(jī)械運(yùn)動(dòng)。這確定了什么可以計(jì)算，什么不可以計(jì)算，他覺得邊界劃分就清楚了。

希爾伯特在1900年巴黎數(shù)學(xué)家大會(huì)上提出了23個(gè)最重要的問題，就是著名的"希爾伯特23個(gè)問題"。其中三問是他自問的，分別是：

① 數(shù)學(xué)是完備的嗎?

完備是說數(shù)學(xué)能夠涵蓋我們?nèi)魏我鉀Q的問題嗎?你可以感覺到不能，數(shù)學(xué)家哥德爾也曾證明不能。

② 數(shù)學(xué)是一致的嗎?

什么叫一致?

舉例來說，今天3+5等于8，明天算下來3+5還等于8。

但是物理學(xué)是一致的嗎?不是!今天量出來的尺寸和明天量出來的是不一樣的。今天燒開這一壺水是99.8度，明天可能是100.1度。

物理學(xué)是不一致的，而數(shù)學(xué)是一致的!

③ 數(shù)學(xué)是可驗(yàn)證的嗎?

物理學(xué)可以驗(yàn)證，數(shù)學(xué)可以驗(yàn)證嗎?不知道!

希爾伯特23個(gè)問題中第10個(gè)問題就是關(guān)于該問題，里面講了一個(gè)特例。

有任意多未知數(shù)的方程，各個(gè)未知數(shù)可以變，有各種各樣的結(jié)果，是一個(gè)不確定的方程。

你是否能有無數(shù)解，或者是否有一種方法在有限時(shí)間內(nèi)可以判定該方程有無數(shù)解，時(shí)間判定對(duì)我們?nèi)粘Ｉ顩]有意義。

舉例來說：

X²+y²=z²有整數(shù)解。

X²+y²=z²是否有整數(shù)解，不知道!直到后來有英國數(shù)學(xué)家證明沒有整數(shù)解，這個(gè)過程花了幾百年的時(shí)間。

那么，我隨便給你一個(gè)方程有沒有整數(shù)解?不知道!可能有，也可能沒有。先不說找到整數(shù)解，有沒有一個(gè)辦法能夠判定這件事有沒有解，這就是希爾伯特第十問題。

直到上世紀(jì)七十年代，前蘇聯(lián)有數(shù)學(xué)家證明說不可判定。對(duì)這個(gè)問題，沒有人能夠在有限的步驟內(nèi)知道它到底有解還是沒解。

你要是連它有沒有解都不知道，你就一定解不出來。

圖靈當(dāng)時(shí)雖然不知道這個(gè)問題的答案，但他的直覺是應(yīng)該很多數(shù)學(xué)問題我們不知道有沒有答案，于是他就用一個(gè)特殊的機(jī)械裝置把數(shù)學(xué)問題一分為二，這個(gè)裝置就是圖靈機(jī)。

(圖靈機(jī))

計(jì)算機(jī)是圖靈機(jī)的一種，更新后的裝置。該裝置能夠在有限時(shí)間內(nèi)判斷哪一類問題能夠在有限的步驟內(nèi)計(jì)算出來。

但是還有很多數(shù)學(xué)問題通過這樣的裝置在有限步驟內(nèi)是解決不了的。

在計(jì)算機(jī)科學(xué)和數(shù)學(xué)上有一個(gè)新的概念，叫計(jì)算機(jī)可解決的問題，還有大量的是不可以計(jì)算的。

今天的計(jì)算機(jī)甭管多復(fù)雜，從數(shù)學(xué)上就等價(jià)于圖靈機(jī)。甭管深度學(xué)習(xí)還是云計(jì)算，等效于這樣一個(gè)簡(jiǎn)單的機(jī)械裝置。

這個(gè)簡(jiǎn)單玩意兒完不成的事，“太湖之光”超級(jí)計(jì)算機(jī)用上再聰明的算法也完不成，這是從本源上來講。

2.透過世界問題看人工智能問題

我們把世界的問題進(jìn)行劃分，中間有一類叫數(shù)學(xué)問題。剛才講數(shù)學(xué)不是完備的，有一些問題不是數(shù)學(xué)問題。

數(shù)學(xué)問題中有一些叫做可判定問題，我知道它有解或者沒解，但還不知道解在哪。

例如，你出一道難題問你的兒子，兒子做不出來。問題的答案是有的，但是他做不出來，這就是可判定問題。

里面有一個(gè)很小的集合是有答案問題，你知道有沒有答案之后才能找到答案。

可判定問題是知道有沒有答案，有一些數(shù)學(xué)問題不知道有沒有答案。

圖靈裝置把有答案問題又一分為二，里面很小的一部分叫做可計(jì)算問題。

可計(jì)算問題對(duì)于圖靈來說是指有限步內(nèi)可以計(jì)算，有限步也可能會(huì)有很長時(shí)間，到宇宙毀滅了還沒有算完也叫有限步。

(世界問題的分類)

在工程上，如果刷門禁卡，你識(shí)別一秒鐘把門打開了這是有意義的，算了三天才放你進(jìn)去就沒有意義，這類問題叫做工程可解決問題。

算三天就是工程上不可解決問題。工程上可解決問題里面很小一部分是我們今天討論的人工智能問題。

我們討論人工智能，首先要清楚它的邊界在哪，清楚邊界才知道什么事需要由人工智能解決。

在講人工智能能干什么以前，我先說它不能干什么，我們不要把原本不需要用人工智能解決的問題去用人工智能解決。

二、人工智能到底是什么

未來十年人工智能是什么樣的，20年后發(fā)生什么事很難有人預(yù)測(cè)出來。人們常常會(huì)高估三五年內(nèi)發(fā)生的事，低估十年后發(fā)生的事。

比如有人覺得無人駕駛汽車會(huì)馬上上路，你是高估了這件事。

1. 未來10年：整個(gè)城市是一個(gè)大“機(jī)器人”

某漫畫家畫了一個(gè)漫畫，世界上所有的東西都連起來了，花盆都連起來了。花盆為什么要連起來呢?因?yàn)橐獫菜?/p>

前一陣子看到國家新出用水說明，看了農(nóng)業(yè)用水量達(dá)到62%，以后農(nóng)業(yè)要用滴灌(降低用水浪費(fèi))。

新疆只能用滴管，否則全揮發(fā)了。每一株植物都跟互聯(lián)網(wǎng)連起來了，這是比較大膽的一個(gè)假設(shè)，未來可能就是這樣。

假如這是(上海)徐家匯附近某地區(qū)，信息的流動(dòng)全畫上去就是密密麻麻的樣子，類似于地球電磁場(chǎng)。密密麻麻帶來的好處就是萬物互聯(lián)。

萬物互聯(lián)之后，馬上就有出現(xiàn)一個(gè)緊迫的問題。

坦率來講，現(xiàn)在的4G恐怕是不夠用的。為什么5G這件事能成?5G來了之后網(wǎng)速更快。針對(duì)當(dāng)下需求，目前的網(wǎng)速是足夠的。

要上5G只有一個(gè)可能性，就是我突然上網(wǎng)的設(shè)備數(shù)量要增加10倍、100倍才行。

什么時(shí)候增加10倍、100倍?如果一株植物要上網(wǎng)的話，這個(gè)事就大了，所以這是有可能的。

這么密集的網(wǎng)絡(luò)就是說數(shù)據(jù)量太大了，人工處理不了，需要借助人工智能，這是很重要的一個(gè)原因。

當(dāng)我們的城市是密密麻麻數(shù)據(jù)，現(xiàn)有的單一計(jì)算機(jī)，或者說一個(gè)公司的數(shù)據(jù)中心很難完成這樣的功能。

我們需要超級(jí)的分布在全市或者全國的計(jì)算設(shè)施，已經(jīng)不僅僅是計(jì)算機(jī)了，這里面的程序也很復(fù)雜，所以需要智能。

2.人工智能(機(jī)器智能)的本質(zhì)

那么，什么是人工智能，確切講什么是機(jī)器智能?

人工智能屬于可計(jì)算問題，它跟我們?nèi)祟惖闹悄苁菦]有關(guān)系的。

那么，如何判斷機(jī)器是否有智能的標(biāo)準(zhǔn)呢?因此，能不能做這樣一個(gè)客觀的判斷方法，這就是圖靈測(cè)試。

如果在屏幕背后有一個(gè)智能機(jī)器，另外一個(gè)屏幕背后有一個(gè)人，我問一個(gè)問題讓他們回答，天為什么是藍(lán)顏色的。

然后讓你們判斷哪個(gè)問題是機(jī)器回答的，哪個(gè)問題是人回答的。當(dāng)判斷不清楚的時(shí)候，這時(shí)候我就說機(jī)器和人有同等的值。

因?yàn)樗堑葍r(jià)基礎(chǔ)上的定義，并不是說機(jī)器需要像我們?nèi)诉@樣思考，這是人工智能的本質(zhì)。

3.人工智能的理解誤區(qū)

提到人工智能，大家有時(shí)候就想到腦科學(xué)，是不是把認(rèn)知思維搞清楚了，人工智能就能做的比別人好?不是這樣的。

人工智能是從結(jié)果上判定是否與人一樣好，不是從做事方式上來判定。

舉個(gè)例子，前兩年慕課公開課很流行。美國一所學(xué)校大量使用計(jì)算機(jī)教學(xué)，課上常常有TA，TA有些時(shí)候到課堂上幫助教授答疑。

TA做的事情是一個(gè)限定問題。比如說就輔導(dǎo)宏觀經(jīng)濟(jì)學(xué)這一門課，約翰做的不比人做的差。

也就是說，宏觀經(jīng)濟(jì)學(xué)這門課方面，約翰和人具有同樣的智能，但是它未必是像人一樣思考。這是幫助我們理解人工智能的一個(gè)很重要的特點(diǎn)。

三、人工智能的歷史發(fā)展階段

傳統(tǒng)人工智能

人工智能是1956年提出來的。美國一所私立大學(xué)10個(gè)教授思考機(jī)器智能的問題。

這10個(gè)科學(xué)家后來得了五個(gè)圖靈獎(jiǎng)，還有一個(gè)諾貝爾獎(jiǎng)。他們當(dāng)時(shí)就在想怎么讓計(jì)算機(jī)能夠有人的智能，那時(shí)候是人工智能一個(gè)初期階段。

當(dāng)時(shí)，大家的思維方式有點(diǎn)像今天中國說的“民間科學(xué)家”，什么意思呢?人類認(rèn)識(shí)一個(gè)事物的時(shí)候，一開始都是一個(gè)直覺。

舉例：鳥飛派 vs 空氣動(dòng)力學(xué)派

大家看《全球科技通史》里面會(huì)看到人類對(duì)飛行的認(rèn)識(shí)，最早的時(shí)候就是模仿鳥飛，后來才知道要搞出空氣動(dòng)力學(xué)的一套理論。

今天飛機(jī)飛的方式和鳥是完全不同的，但是從效果上來講比鳥飛得快。人工智能一開始也是這樣的，大家一開始都讓它模仿人。

舉例：猴子摘香蕉

學(xué)過人工智能課的人可能知道一個(gè)經(jīng)典問題叫猴子摘香蕉。天花板上放一個(gè)香蕉猴子夠不著，房間里面有可移動(dòng)的桌子、椅子。猴子通過移動(dòng)桌子，把椅子再放上去把香蕉摘了。

人工智能開始做這件事時(shí)，先讓它有猴子的智能可能不難，但是有人的智能就比較難了。

科學(xué)家們搞了十幾年搞不下去了，其中有一個(gè)人馬文•明斯基開始反思這個(gè)問題為什么解決不了。他就找到一個(gè)反例告訴大家說我們這些人都走錯(cuò)了路。

什么反例子呢?就是兩句英文話：

① The pen was in the box;② The box was in the pen。

在英語里pen三個(gè)英文字母還有另外一個(gè)含義就是小孩兒玩的圍欄，你要把pen理解成圍欄第二句話就解釋通了。

這件事對(duì)人來說不難理解，但是對(duì)計(jì)算機(jī)就非常費(fèi)解，無法判定這個(gè)時(shí)候pen是鋼筆還是圍欄，為什么呢?原因很簡(jiǎn)單。

我們知道小東西要放在大的東西里，你是怎么知道的?這是常識(shí)。

第二，如何判定鋼筆有多大?我一說鋼筆你們馬上就能想到多大，你不會(huì)想到汽車這么大。

計(jì)算機(jī)怎么知道鋼筆多大?即使讓它像人類似的那樣分析語法，分析語義等等也得不到這種知識(shí)。

今天發(fā)現(xiàn)計(jì)算機(jī)能夠做一些特別難的事情，例如下圍棋等等做的比人好多了。

Google其實(shí)后來不再開發(fā)AlphaGo了，覺得已經(jīng)跟人類差距太大了。相當(dāng)于一個(gè)專業(yè)選手跟業(yè)余選手下圍棋，你沒有辦法下圍棋了。

但是你讓今天機(jī)器人上街打一瓶醬油，你們家3歲孩子都可以干這件事，它卻干不了。人工智能開始的定義是有特定范圍，不能拿最不擅長的比人擅長的。

比如，一個(gè)很簡(jiǎn)單的人類常識(shí)，計(jì)算機(jī)是做不到的。

再舉個(gè)例子，大家覺得今天的大江無人機(jī)很厲害，但是你讓無人機(jī)像蒼蠅一樣飛就飛不了。

蒼蠅大概有10萬個(gè)神經(jīng)元，但是無人機(jī)不到能干這么多事。這是人工智能的缺陷。

這就是我為什么在開始的時(shí)候講計(jì)算機(jī)的邊界。你讓計(jì)算機(jī)去模擬一只蒼蠅很困難，說明你走模擬這條路走錯(cuò)路了，我們要找一條別的路。

第二階段：數(shù)據(jù)驅(qū)動(dòng)

那么人工智能開始進(jìn)入第二階段，即以數(shù)據(jù)驅(qū)動(dòng)的人工智能解決方案，提出者是萊德里克.賈里尼克。

1972年，賈里尼克到IBM 華生實(shí)驗(yàn)室做學(xué)術(shù)休假，無意中接觸了語音識(shí)別實(shí)驗(yàn)室,兩年后他選擇了留在IBM。

在那里,賈里尼克組建了陣容強(qiáng)大的研究隊(duì)伍。IBM從六十年代做一些語言識(shí)別，但是都不成功，到七十年代讓賈里尼克負(fù)責(zé)語言識(shí)別等課題研究。

弗萊德里克.賈里尼克(Fred Jelinek)

因?yàn)橘Z里尼克是一個(gè)通信專家，所以他不把語音識(shí)別問題當(dāng)做人工智能問題，而是當(dāng)成通信問題。

其實(shí)又把語音識(shí)別問題拉回到原點(diǎn)，看看通信是什么。我把意思表達(dá)給你，你來理解我的信息。

我把想法在腦子里變成一串文字，這叫做信息的編碼。

編碼信息通過聲音說出來，然后耳蝸把接收到的信息解碼還原成電信號(hào)，電信號(hào)通過接收者大腦進(jìn)行解碼，接收者就知道對(duì)方的傳遞信息，這是信息解碼的過程，是標(biāo)準(zhǔn)的通信的模型。

既然是標(biāo)準(zhǔn)的通信模型，就可以用通信的方式解決它。他用信源編碼和信道編碼兩個(gè)模型來描述語音識(shí)別問題。

如果要把數(shù)學(xué)模型的參數(shù)算清楚就要用大量的數(shù)據(jù)去算。為什么這事在IBM能做成了呢?因?yàn)槿澜绠?dāng)時(shí)只有IBM有數(shù)據(jù)。

IBM是商用機(jī)器公司，它是為各大公司提供計(jì)算機(jī)，大公司之間用計(jì)算機(jī)發(fā)電傳，發(fā)傳真。因此，IBM擁有大量商業(yè)電傳文本，所以它做成這個(gè)事了。

換了一個(gè)思維方式解決問題以后得到了什么結(jié)果呢?在整個(gè)六七十年代，語音識(shí)別能識(shí)別十個(gè)數(shù)字，再加上幾個(gè)簡(jiǎn)單的英文單詞。

IBM最早想做一個(gè)語音控制的計(jì)算機(jī)，能夠?qū)崿F(xiàn)自動(dòng)接線系統(tǒng)，連接、斷開、轉(zhuǎn)接、付費(fèi)等等。

但是，當(dāng)時(shí)識(shí)別不超過100個(gè)英文單詞，錯(cuò)誤率30%，沒有辦法用。

轉(zhuǎn)換思路，用數(shù)據(jù)驅(qū)動(dòng)方法解決問題能識(shí)別22000個(gè)英文單詞，錯(cuò)誤率從30%到下降到10%，就在短短幾年間實(shí)現(xiàn)。

這就是工作方法和思維方式的重要性，思維方式常常比技術(shù)本身更重要。你沿著原來的老路用技術(shù)再走，也走不到前面去，就是一個(gè)死胡同。

但是當(dāng)時(shí)的數(shù)據(jù)也僅僅只能解決語音識(shí)別的問題，不能解決圖像處理問題，圖像處理問題數(shù)據(jù)的絕對(duì)數(shù)量是語音識(shí)別的100倍。

所以當(dāng)時(shí)是不可能的。后來，賈里尼克手下一個(gè)人提出機(jī)器翻譯的模型，這個(gè)人叫彼德•布朗(Peter F. Brown)。

當(dāng)時(shí)英語的翻譯思路是走得通的，但是由于沒有數(shù)據(jù)，翻譯效果不好。

在沒有互聯(lián)網(wǎng)的情況下，世界上能找到的數(shù)據(jù)只有2個(gè)，一是各個(gè)國家都有的圣經(jīng)，另一個(gè)是聯(lián)合國幾個(gè)官方語言之間的文件數(shù)據(jù)，數(shù)據(jù)都非常少。彼德•布朗的模型在當(dāng)時(shí)沒有得不到很好的結(jié)果。

很有意思的是彼德•布朗的論文是今天做機(jī)器翻譯引用最多的論文，引用的高峰不是在九十年代剛剛發(fā)表論文的時(shí)候，而是在2000年以后當(dāng)數(shù)據(jù)量大的時(shí)候。

那么，彼德•布朗是什么人呢?世界上最牛的投資基金叫文藝復(fù)興，彼德•布朗原來是文藝復(fù)興科技公司IT總監(jiān)，現(xiàn)在擔(dān)任文藝復(fù)興的副總。

所以他后來就去預(yù)測(cè)股票了。由于缺乏數(shù)據(jù)，因此八九十年代人工智能進(jìn)入了低谷。

到了2004年、2005年，人們看到一點(diǎn)曙光了。讓大家覺得很興奮的事機(jī)器翻譯的水平基本上可以達(dá)到人的水平了。

Google有一個(gè)團(tuán)隊(duì)參加了美國國家標(biāo)準(zhǔn)化和技術(shù)研究所的測(cè)評(píng)，相當(dāng)于中國標(biāo)準(zhǔn)化局的一次評(píng)測(cè)。

這一次評(píng)比的結(jié)果贏的是Google，跟第二名大概差5個(gè)百分點(diǎn)。

全世界科學(xué)家努力一年大概能提高0.5%，提高5%差不多10年。今天技術(shù)相差十年你們倆不在一個(gè)水準(zhǔn)，差一代。

為什么跳個(gè)槽，結(jié)果就提高了5個(gè)百分點(diǎn)呢?因?yàn)樗昧藙e人一萬倍的數(shù)據(jù)，就這么簡(jiǎn)單的一件事，算法沒有變。

這就是為什么叫數(shù)據(jù)驅(qū)動(dòng)的方法，也就是在這之后深度學(xué)習(xí)開始慢慢熱門起來了。

基礎(chǔ)的算法在七十年代已經(jīng)奠定了，現(xiàn)在用了當(dāng)年一萬倍的計(jì)算資源，但是怎么用這些計(jì)算資源是一個(gè)本事。

我講這些想是想告訴大家人工智能和我們?nèi)四X的智能完全無關(guān)，是一種基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法。

如同鳥是振動(dòng)翅膀來飛行，飛機(jī)是不振動(dòng)翅膀飛行，實(shí)際上飛機(jī)飛行跟鳥類飛行沒有太大關(guān)系。

飛機(jī)飛上天是人類對(duì)空氣動(dòng)力學(xué)的研究，而不是對(duì)鳥類的飛行進(jìn)行研究。

今天了解人工智能是思考怎么讓計(jì)算機(jī)這些鋼鐵等材料組成的盒子在回答問題的時(shí)候能超過人，而不是說研究人腦的結(jié)構(gòu)。

有一個(gè)簡(jiǎn)單的方法判定人工智能是真還是假。如果說這個(gè)人工智能和認(rèn)知科學(xué)有很深的關(guān)系，這是騙你的。

如同說發(fā)明了一個(gè)飛機(jī)，翅膀是可以振動(dòng)的，是一樣的道理。如果跟你講有數(shù)據(jù)驅(qū)動(dòng)的，數(shù)學(xué)模型怎么好基本上是真的。

四、人工智能發(fā)展的，好消息和消息

人工智能發(fā)展到今天，好消息是說它得到了全世界的認(rèn)可，LeCun、Hinton、Bengio得到了圖靈獎(jiǎng)。

壞消息是說從人類找到數(shù)據(jù)驅(qū)動(dòng)方向的時(shí)候，人工智能用光了40年技術(shù)積累的紅利，之所以今天有這個(gè)結(jié)果，是40年前的人在給你栽樹， 40年前栽的樹在今天開花結(jié)果了。

大家不要覺得人工智能突然發(fā)展這么快，會(huì)不會(huì)接下來20年又有一個(gè)巨大的加速?我告訴你不會(huì)的。

為什么?因?yàn)?0年后產(chǎn)生巨大加速的事情，可以在今天的學(xué)術(shù)界預(yù)測(cè)。今天學(xué)術(shù)界所做的一些研究課題沒有太多新的。

當(dāng)今的科學(xué)家們比較努力，人數(shù)也多，大概也要20年才能積累出一個(gè)讓人感覺非常興奮、非常驚喜的理論基礎(chǔ)。

好的是什么呢?因?yàn)檫@40年的成果在一些領(lǐng)域被證實(shí)了可以開花結(jié)果。

AlphaGo用它下棋可以用，彼德•布朗用它可以在股票上掙大錢，現(xiàn)在包括無人駕駛汽車，語音識(shí)別、機(jī)器翻譯、醫(yī)學(xué)影像識(shí)別，人臉識(shí)別等都做的很好。這些成果證明這項(xiàng)技術(shù)已經(jīng)成熟到了我們可以把它們用到各行各業(yè)去。

任何一次技術(shù)革命，掌握核心技術(shù)的可能是2%的人，但是剩下來得有應(yīng)用它的可能性。

五、人工智能的發(fā)展水平

1.弱人工智能

比如美圖秀秀，這是一個(gè)非常好的人工智能的應(yīng)用，雖然你沒有覺得它很聰明，其實(shí)它在圖像處理方面蠻聰明的。

華為手機(jī)(P20以上)里面加入了很多圖像識(shí)別功能，不僅是人臉識(shí)別，還能識(shí)別各種各樣的物體。大部分人可能關(guān)注的是華為手機(jī)把顏色調(diào)的很亮麗，把人照的年輕一點(diǎn)。

你們?cè)敢獾脑挘€可以測(cè)試華為手機(jī)目標(biāo)識(shí)別的功能。比如，你們?nèi)?上海)陸家嘴，用華為手機(jī)照一張大樓(低處往上拍攝)，然后保存原文件，大概40M大小。

然后你查看照片發(fā)現(xiàn)樓是直的，這是不對(duì)的。因?yàn)閺南峦峡磻?yīng)該有一個(gè)傾斜角度，說明手機(jī)做了大量目標(biāo)識(shí)別和后處理工作。

這其實(shí)就是人工智能的應(yīng)用，雖然你可能不覺得那么聰明。

2.強(qiáng)人工智能

你們常想到的聰明的人工智能，例如人工智能下棋或者給你看病，這就是第二層發(fā)展水平強(qiáng)人工智能。

① 理解自然語言(比速記員要好，能夠回答問題、寫作)

例如做速記，今天科大訊飛的語音識(shí)別和人對(duì)講話內(nèi)容做處理已經(jīng)差不了太多。當(dāng)然里面有一個(gè)原因是科大訊飛的語言庫資料比較大。

② 病(已經(jīng)達(dá)到了醫(yī)生的平均水平)

人工智能看病診斷能達(dá)到醫(yī)生的平均水平，疑難病癥可以達(dá)到專家水平。為什么呢?因?yàn)獒t(yī)生看病在某種程度上來講就是人肉大數(shù)據(jù)，必須見到足夠多的病例水平才足夠高。

③開車(絕大多數(shù)時(shí)間比人做得好)

人工智能駕駛絕大部分時(shí)候做的都比人好。在無人駕駛汽車方面Google基本上經(jīng)過測(cè)試能夠做到每7000英里左右干預(yù)一次。

你從中國最北邊開到最南邊，或者從最東邊開到最西邊一個(gè)來回干預(yù)一次就夠了。

3.超人工智能，是否存在?

一直有科幻片在探索超人工智能是不是存在的。其實(shí)超人工智能存在有否，與你們的生活關(guān)系不大。

我問大家一個(gè)問題，鬼存在不存在?有人相信鬼存在，也有人不相信。

不管鬼是否存在，你們都不擔(dān)心鬼的存在對(duì)不對(duì)?例如你們?nèi)サ侥硞€(gè)恐怖地區(qū)，你們是怕鬼還是怕恐怖分子?答案很顯然。

很多人現(xiàn)在寫文章，說將來人工智能發(fā)展下去不得了了，人類活不下去了。這種擔(dān)心就是等于怕鬼。我們擔(dān)心的不是鬼，而是背后的人裝神弄鬼!

所以超人工智能不可怕，可怕的是應(yīng)用人工智能控制你的生活以及無形中已經(jīng)改變你生活的人，這些才是可怕的。

今天對(duì)人工智能有所擔(dān)心，不是人工智能本身，而是人工智能背后開發(fā)程序的公司和個(gè)人。

六、機(jī)器智能(人工智能)的三大支柱

1. 摩爾定律

今天的手機(jī)和十年前的手機(jī)速度差了100倍。因此華為手機(jī)才能夠做到實(shí)時(shí)處理圖像信息。計(jì)算機(jī)的速度如果不夠快，我問了內(nèi)部的一些人，三四十張合成一張。這就是摩爾定律的作用。

2. 數(shù)據(jù)

多50%，多一倍、兩倍、十倍不一定有結(jié)果，多一萬倍就會(huì)有結(jié)果了。

3. 數(shù)學(xué)模型

之前提到計(jì)算機(jī)能解決的是數(shù)學(xué)問題。你如果想用人工智能解決問題，就需要能夠?qū)λ⑵饠?shù)學(xué)模型。

復(fù)旦下面一家人工智能研究所大概有三撥人。一撥人是學(xué)MBA的，他們到客戶那里了解客戶業(yè)務(wù)邏輯;第二撥人是學(xué)數(shù)學(xué)的，根據(jù)業(yè)務(wù)邏輯搭建出數(shù)學(xué)模型;第三撥人是學(xué)計(jì)算機(jī)的，把數(shù)學(xué)模型變成計(jì)算機(jī)算法。