![]()
今天CNCC 2016在山西太原盛大开幕，开场演讲中，CCF会士、CCF终身成就获得者，中国科学院士、清华大学教授，中国自动化学会、中国计算机学报副主编、2011年获得德国汉堡社会大学自然科学博士学位，2016年获得杰出合作贡献奖的清华大学张钹院士做了人工智能未来展望，后深度学习时代的报告，雷锋网为大家精编如下：
今年是人工智能60周年，如果用人生的起步来衡量的话，已经进入了老年，不过还是有很多人希望人工智能能提供成熟的成果和技术，用来发展产业、发展经济进行科学研究。我今天做的报告，本着这样的原则，关于人工智能的优点，它的成果我要说够，对它的问题我要说透……
●
●
●
后深度学习的前提－人工智能的春天又来了
如今人工智能的春天又来了，不过和30年前在日本的那次相比，时间不同、地点不同，主题也不同，这一次是关于人工智能第二个成果，深度学习相关的。
-
从知识情报处理到深度学习
-
从第五代计算机到类脑计算机
-
从大容量知识库到大数据
-
从高速符号推理到类脑芯片
-
从自然语言理解到感知（机器人）
我想这一次是不是我们的机会，我们能不能弯道超车还是又一个日本的“五代机”？我的看法是这两个可能性都存在，关键我们怎么做。
![]()
中国有句老话，三十年河东，三十年河西，和30年前比现在有何不同？在我眼里两点，一点是大数据，另一点是概率统计方法（及其理论）。正是因为这两个因素催生了现在的深度学习大潮。
![]()
这个第一点大数据我不用宣传，大家看这个图就行。
![]()
这是在这种启发下建立的神经网络模型，这里神经网络模型里要着重讲下概率统计方法论，两个词，一个贝叶斯推理，一个概率统计，被“引进”了人工智能，并使得人工智能发生了革命性的变化。
![]()
其实很多人不知道，作为对当下人工智能有根本性贡献的概率统计，30年前的它跟现在的它还有很多不同。就是下图的四个里程碑。
![]()
我们现在能够做深度学习，能够在几百万、几千万的参数下做优化，很多人都以为是计算机变快，其实不完全是，而是要归功于概念统计方法的变化。这个变化使得我们现在能把深度学习做好。就是上面四个里程碑的出现，大家一定要注意上面的四个里程碑。
后来这些里程碑进一步发展成神经网络了，特别是深度学习，使用多层网络进行学习。所谓深度，就是层数比较多。由于用的深度学习方法，把模式识别、图像识别等识别方法的准确度提高了10%，这个事情又引起了深度学习的热。
为什么呢？因为深度学习解决了一个问题，有相当一部分人，按中文的说法，我们知其然，不知其所以然。我能识别了了马，但我们描述不了马，然后怎么办？那就用深度学习办法：
![]()
这样使我们做模式识别可以达到很高的水平，后来这些用到模式识别、用到语音，包括用到文本（现在正在做，但是效果不如前面，但也有一些效果），效果都很不错。
![]()
我们可以这么来说，深度学习这个第二个人工智能提供出来的成果，可以帮助我们解决在给定的数据库下，有了可利用的大数据，在感知信息处理上，有可能达到人类的水平甚至超过人类的水平。
![]()
●
●
●
后深度学习时代的人工智能
后深度学习时代的人工智能，就是想把人工智能从这个狭义的，只能解决一定范围的方法，推广更宽广的范围去，这就是我们现在讲所谓弱人工智能、强人工智能、以及通用人工智能。那我们要做这个工作面临什么挑战？基本上面临三个挑战。
![]()
1）一个是概念统计方法带来的困难。
![]()
我们刚刚说概率统计方法，对人工智能起到了革命性的变化，但是也给人工智能带来极大的挑战，这就是概念统计本身的原因——通过大量的数据，它只能搞出来重复出现的特征，或者是数据中间的统计关联性，
它找出来的不是本质上的特征、语义上的特征，它找出来的关系，也不是因果关系，而是关联关系。
这样做的后果是什么？这里有深度网络做出来的手写数字识别系统，各种各样的2它都能认出来，它声称它这个性能超过了人，识别能力很超前 。
![]()
但你们看，当我们用这种噪声去欺骗它，它可以用99.99%的置信度确认它是2，这在人是不可能发生的，为什么机器会发生，因为机器去认识这种0和1，不是根据0和1本身的性质来认识，而是通过黑白分布的统计性质来认识它，因为这排噪声跟2的统计是一样的，所以才有这样的错误。
![]()
这个在模式识别上没有问题，但如果用到决策就会出现大错，它甚至可以把一块石头看成是马。这个问题非常严重，也就是说深度学习区分的是重复的模型，但大脑区分的是语义的特征，这两种区分有本质的区别，但是有关联。
2）第二个，生数据带来的问题。
![]()
大数据有很多好处，其实大数据带来很大问题。我们现在大数据跟以前的大数据不一样，大量的数据是生数据。我们看网络上传来的数据都是掺杂了很多噪声，有骗人的，有各种垃圾，这种数据叫生数据。大家看下机器对于生数据和经过加工的数据的鲁棒性表现相对很差，不像人。
如果我们用右边的图去训练这个神经网络，它能很好认识的猫；如果用左边的图，它很难认识，因为它不知道猫在哪儿。这个吴教授在我们学校做报告的时候，我跟他开玩笑说，你老说你的好成果，不说你的毛病，它为什么能在猫脸与人脸的识别上都识别地非常好，因为它用训练例的时候，是经过精心挑选的，没有背景，没有经过加工。因此，这三样东西的识别都做地非常好。但如果正例、负例都随便取，那它的识别率只有百分之十几，几乎不认识，可见机器跟人的认识形式是很不一样，它非常不鲁棒。
3）第三个，推广能力，领域迁移。
![]()
这两种方法都是就事论事，都很难推广到不同领域，这就是我们的挑战。我们要从一个弱的智能到通用智能，必须要克服这种困难，如果解决这种困难，目前来讲两个解决办法。
●
●
●
两个解决办法
1）一个办法，是人工智能的这两个方法结合起来，因为这两个方法是互补的。
![]()
因为知识驱动跟语义挂钩，是理解；数据驱动是黑箱的方法，不理解，但可以保持从数据中提取模型。那么，前面那个必须有人工做模型，这个地方关键在哪儿？知识驱动方法是用离散的符号表示，深度学习是用高维空间里头的向量，这两个东西我们如果能把它 “沟通” 起来，就会把人工智能推动非常大地一步，现在世界上很多机构也在做这件事。
2）另外一个办法，就是回到神经网络的本源。
![]()
它是根据神经网络和深度学习借助于人脑神经的工作机制来形成的，人的神经网络有一套办法，这套办法可以借鉴到现在的人工神经网络来，这个工作，世界上也有很多机构在做。
我们一般把计算方法、深度学习，这两个东西如果能够沟通起来，现在主要做的沟通，这两个方法结合起来就会把人工智能推广大大的应用。
第二个，我一个文本看起来洋洋洒洒数万页，我为什么知道这里面说的是什么，因为不同局部的，我怎么从局部的信息，把它整合成为全局的认知，这个大脑里面也有一套办法，这里面也涉及到很多研究。如果我们把这些研究移植到这个地方来，把人工智能往前走一步。
![]()
