林达华：​人工智能－－昨天、今天与未来

人工智能－－昨天、今天与未来

商汤人工智能教育研究院院长  林达华

如果说日心说的发表，让人们意识到地球可能不是宇宙的中心；《物种起源》的出现，让人们知道人与猿可能同宗；那么人工智能的发展，则令人们发现机器也可能展现人的智能行为。在这个全新的时代，人工智能将给我们一个充满期待的未来。

　　2019年3月29日， “青岛教育大讲坛”第四讲，香港中文大学教授、商汤科技联合创始人、商汤人工智能教育研究院院长林达华，这位2012年获得美国麻省理工学院计算机博士学位，专注于计算机视觉、概率推断、深度学习等人工智能领域研究，带领科研团队获得多个国际竞赛，组织编写首部人工智能中学教材的专业人士，以“人工智能的昨天、今天、明天”为题，让岛城教育界感知“人工智能+教育”的巨大魅力。

　　人工智能，简称AI，就是要让机器像人那样思考和学习，用计算机模拟人的智能。 当万物互联和大数据爆炸式增长之时，最新的技术进展相叠加促进了人工智能的又一次进化，使人工智能基于互联网和移动互联网之后成为新一轮科技创新浪潮。人工智能对人类社会带来的变革不仅停留在延伸人的体力和脑力上，更是进入了人和机器共同进化的时代。目前，人工智能已经全面渗透到人们的学习、工作和生活中，大规模应用的拐点正在到来。

　　纵观人类历史发展，尤其是过去100多年，科技是推动社会进步最重要的动力之一。100多年前，蒸汽时代到电气时代，科技的发展极大地提高了生产力，带来了前所未有的物质文明；过去几十年间，随着信息技术的发展，互联网在世界范围内普及，更是给生活、工作、社会生产带来了前所未有的便利；今天，新一轮的科技浪潮又在兴起，将给人类社会带来一个全新的时代——人工智能时代，林达华如是说。

　　世界上最顶级的会计师事务所之一普华永道2018年预测，到 2030年人工智能技术的变革将会给全世界贡献超过30万亿美元的GDP，成为未来世界经济发展最主要的动力。人工智能将成为未来世界经济发展的一个制高点。2017年3月，人工智能首次写进了中国政府工作报告，2017年7月，国务院印发了新一代人工智能发展规划，把人工智能研发教育列为国家政策的重要组成部分。‍

　　昨天，历经三次浪潮形成五大学派

　　1956年，几位先驱科学家在美国召开了达特摩斯会议，首次提出了人工智能的概念。人工智能是通过机器来模拟人类认知的一种技术。人工智能可以模仿人类学习的能力，通过感知得到了数据获得这个知识体系的建立，在此基础上人工智能还可以拓展出推理和决策的能力，帮助人类解决现实生活中的各种问题。

　　人工智能发展经历了三次重要浪潮。

　　第一次浪潮是人工智能概念提出后，吸引了全世界不同学科的学者，包括物理学家、数学家、电子学家，希望能够通过计算机模拟人类认知的能力，但遗憾的是，由于当时不具备计算能力、商业条件、应用场景，没有有效地在商业和现实生活中落地，所以人工智能在上世纪70年代初重新进入了“寒冬”。

　　第二次浪潮是上世纪80年代初，随着原始神经网络的提出和专家系统的建立，人们再次看到了人工智能技术被广泛应用的契机，但与第一次浪潮相同，同样由于商业应用方面没有达到预期的目标，人工智能再次进入了低谷。

　　近10年来，随着很多新算法的提出，包括深度学习，大数据以及计算能力的发展，人工智能迎来了第三次浪潮。不同于之前两次浪潮主要是体现在学术研究的热情，第三次浪潮是伴随着人工智能的产业，进入社会生活、生产，与社会进步紧密地结合在一起，所以大部分科学家都相信，这一次浪潮将真正地让人工智能成为推动社会发展的重要的动力。

　　美国华盛顿大学多明戈教授在《终级算法》中，将过去几十年人工智能的发展归纳所得到的成果，归纳成为五大学派，即符号、贝叶斯、联结、进化、类推。

　　在人工智能发展的初期，整个体系的建立是源于对于人类的理论逻辑以及演绎的体系基础上建立起来的，把整个世界归纳成为一系列的概念，每个概念用一个符号来表示，可以演绎出符号学派在人工智能建立初期的前20年曾经占有主导地位，但是最后因为没有办法建立起一个能够实际应用的系统而进入一个低谷。

　　在上世纪90年代，贝叶斯学派兴起。这个方法和之前的符号学派的方法最不一样的地方，就是它并不要求我们用概念对整个世界进行精确的建模，而是运用统计学上非常着名的贝叶斯公式，对于事件进行概率的建模，通过公式可以根据结果推断事情发生的原因。比如影响学生成绩因素有客观和主观，但是这些因素和考试成绩之间的关系，并不是有确定的公式可以计算出来的，可以通过一系列的概率表达把这种不确定性融进去，这就是根据贝叶斯学派的原理。

　　与此同时，联结学派的科学家从另外一个角度出发去建立人工智能的系统，不再是基于人类的理性的推演过程，而放眼于人脑工作的方式。他们的理由是人类经过几百万年的发展，成为地球的主宰，说明人类大脑的结构肯定是非常先进、智能的结构。人脑里面有数十亿个神经元，每个神经元会吸收其他神经元传过来的信息，通过输出管道送到另一个神经元，这种方式可以通过简单的数学函数进行非常近似的模拟，这个数学函数会对输进去的信号进行整合，让神经元给下一个神经元发出信号。这些神经元相互联系在一起，就可以模拟大脑功能某一个组成部分。其实，上世纪60年代就已经提出了人工神经网络的概念，但是由于当时不具备计算条件、应用场景，所以并没有被人工智能的主流所重视。近5年来，随着计算能力的提升，和大数据的积累，人工神经网络展示出强大的威力。日前，人工神经网络的几位先驱科学家共同获得了图灵奖。这一套方法也成为了现在人工智能产业化背后的最重要、最核心的方法论体系。

　　如果说联结学派的理论基础是建立在大脑认识的基础上，那么进化学派的基础则是对于过去几百万年自然界、生物界演变过程的一种理解。经过物竞天择、适者生存，生物的进化将好的结构保留下来形成今天的高等智慧生物，进化学派也基于这样的方法，首先会建立大量简单的模型，经过一代一代的进化和变异，希望通过自然选择的过程挑选出能够适合应用的模型。

　　今天，深度学习将促成人工智能产业爆发

　　人工智能的科学家在不同的时代基于不同的理念建立不同的方法，但是所有的方法都有一个共同的特点，就是不是依赖于人工的方式去建立人工智能的伦理和逻辑，而是在现实环境当中通过大量的数据和大量的实践逐步改变进化建立一个模型。

　　因此，机器学习，也就是通过对于数据的运用来获得智能的方式，成为了现代人工智能的核心，这也是人工智能对抗世界复杂性最有效的手段。

　　深度学习，在2013年被美国麻省理工学院评为了当年的全球十大科技的突破之一。深度学习代表的是一个很多层次的计算过程，如人脸识别，当一张照片通过照相机获得信号之后，会经过很多层不同的计算，每一层的计算都会对其抽象出一些重要的特征。第一层会抽象出非常初级的元素，边缘、关键点等，第二层会获得一些纹理，第三层会得到一些对象的组成部分，最后会得到具体的语义上的含义，这就是深度学习的过程。和传统的普通的经典的机器学习不同，深度学习经过非常多层次的计算，对于概念进行逐次的抽象，并且过程中每一层都是一起进行学习的，所有层之间都可以相互配合把任务做到最好。

　　深度学习相比机器学习来说有一个最大的优势，就是在于经典的机器学习当数据量比较小的时候能够持续增长，而且和深度学习相距不远，但是随着数据集、数据量不断的增大，参与学习的用于学习的数据不断增大的时候，传统的机器学习的方法会进入一个瓶颈，性能不再增长，但是数据集从几千、几万、几十万、几百万、几千万的时候，深度学习的性能依然可以得到持续的增长。所以大数据时代，深度学习正是建立在这样一个大量数据支持之下能够实现性能的突破，最终促成人工智能产业的爆发。

　　明天，何去何从

　　未来十年，人工智能之路何去何从？

　　第一，目前处在弱人工智能时代。人工智能是一种工具，而不是另外一种有生命的物体。人工智能的价值体现在能够帮助行业提高生产效率，让生活变得更加便捷，所以人工智能最大的价值所在必须是跟所有行业、生活不同领域紧密结合，并解决问题。

　　虽然过去几十年里，人工智能的发展取得了令人瞩目的进展，有非常多的技术突破，但是依然存在着巨大的挑战。第一，现在的人工智能是建立在大量标注数据的基础之上。比如现在得到一个非常强劲的人脸识别的模型，就需要对大量的照片进行标注，标注出照片里的每个人是谁。因此，行业内有一句非常着名的笑话：所谓人工智能，就是有多少人工就有多少智能。但是，如果人工智能仅仅是停留在这个阶段，其实是没有办法肩负起推动人类社会进入新的时代这么一个历史使命的。

　　2016年，谷歌的阿尔法狗战胜了围棋世界冠军。如果阿尔法狗的模型仅仅是建立在大量历史棋谱基础之上，是没有办法战胜人类的世界冠军。所以当时使用的模型是深度强化学习，不再依赖于吸取数据，而是通过实践摸索出一个最有效、最合理、最高效的方式去完成某个任务，实现人的超越。很多科学家认为，这是人工智能在未来进一步突破的非常重要的途径。

　　第二，现在人工智能无法解释模型做出的预测或决策，一如医生的时候，医生无法解释对病人的诊断。今天，当人工智能的模型一旦遇到困难，很难获取有效的解决途径。是不是愿意相信一个人工智能体去做危重病人的手术？是不是把生命交给人工智能让他们在复杂的路况上面去驾驶？当面临到生死攸关之时，是不是能够信赖一个人工智能决策的可靠性？当人们不理解人工智能的的决策过程时，不会放心把人工智能放在最为关键的决策岗位。如何去解决这个困难？如何突破性能的障碍？如何保持模型的特性？这是未来人工智能的有待于解决的重要课题。

　　第三，是安全性。进入了21世纪，互联网最重要的议题是信息安全、网络安全。目前互联网有很多漏洞被利用去做一些不能给大家带来好处的事情，比如进行诈骗、攻击别人的系统，对于人工智能而言，同样面临这样的挑战。

　　面对一张鸭子的照片，分类器判断成鸭子，但是攻击者只要往照片里面加入一点点噪音，得到另外一张看上去几乎没有区别照片的时，分类器可能会把这张照片判断成一匹马，目前没有办法解释为什么会看成马，因为越复杂的东西就越脆弱，越容易攻击。一段问好的语音里加入一点非常微弱的东西之后，听上去也是类似于问好的声音，但是系统可能会听成打开门，如果是智能家居，可能会自动把门给打开，这是一个非常可怕的情景。未来，人工智能技术成为社会的基础，但人工智能系统的脆弱性是一个非常重要的问题。

　　第四，是伦理和道德的判断。哲学中有一个非常着名的实验——电车难题：一个疯子把5个无辜的人绑在电车轨道上。一辆失控的电车朝他们驶来，并且片刻后就要碾压到他们。幸运的是，你可以拉一个拉杆，让电车开到另一条轨道上。然而问题在于，那个疯子在另一个电车轨道上也绑了一个人。当司机发现电车不能刹车的时候，面临两个选择，一个直接按照原路走过去，可能会造成前面5位工人失去生命，二是操纵电车到另外一个轨道去，可能会导致一个人失去生命。在伦理学上这是一个非常大的困境，我们要不要做出变道？在未来社会中，假设人工智能已经发展到了一个高度，能够非常自由地控制电车判断前面发生事情的时候，但是依然面临这样的问题，是否愿意让人工智能自主去作出道德判断？这是人工智能未来如果真的是发展到强人工智能阶段我们要面临这样伦理道德方面非常大的问题，其实现在整个学界对于这个没有具体的答案。

　　在未来的时代，人工智能仍然和人类共存，我们人类依然在做着我们现在正在做的很多的工作，但是无论你是老师还是医生，或者还是一个工程师，掌握了人工智能的老师、医生、工程师必定在未来的社会里面比不掌握人工智能的更具有竞争力。林达华认为，从教育的角度，希望教给孩子人工智能的基本概念，如何运用人工智能去解决问题。

　　哈顿负责人奥本海默在二战胜利以后说，“我们得到了一棵硕果累累的大树，并拼命地摇晃，结果得到了雷达和原子弹……”其精神实质在于对已知的疯狂而粗暴的掠夺，而无对未知的认真而谦恭的探索。同理，人工智能已经60多年了，我们是拼命摇晃这棵大树，还是怀抱对未知的认真和谦恭？