2.5 未来挑战

第三次人工智能浪潮的兴起得益于深度学习技术的突破。该技术是一种需要训练大型神经网络的“深层”结构，且每层可以解决不同方面的机器学习问题。其特点是，不需要再依赖硬件、代码和事先定义的规则，而是依靠模拟人类大脑的神经网络系统，从案例和经验中习得算法。

神经网络、深度学习等技术架构早已存在多年，它们之所以在近5至10年产生飞跃，得益于数据、硬件和算法的改变。

根据IDC数字领域报告显示，至2020年，每年数据量将达到44ZB（1ZB合1万亿GB），5年内的年复合增长率将达到141%。随着数据量的增长，神经网络便会更有效率，人工智能可解决的问题数量也在增加。

硬件能力的提升，增强了神经网络产生结果的速度与准确率。有别于传统基于数据中心架构的CPU，GPU与并行架构的使用能够更快地训练机器学习系统；通过使用图像芯片，网络能够更快迭代，以确保训练的准确性，如微软和百度使用的特制硅FPGA能够令深度学习系统做出更快推断；超级计算机的计算能力则可帮助探索深度学习的进一步可能性。

在更加丰富的数据量、更优质的硬件能力的前提下，如今的研发更多地面向算法，如伯克利分校的Caffe、谷歌的TensorFlow和Torch这类开源框架。

谷歌人工智能程序AlphaGo以4∶1的战绩击败韩国围棋职业九段选手李世石，被认为是人工智能发展最新的里程碑。中国人工智能学会理事长、中国工程院院士李德毅则认为，从此次比赛中可以发现AlphaGo的局限性：AlphaGo仅仅是一个围棋脑，还不是一个围棋手，更不是一个围棋机器人，既没有眼和手，也没有感知和行为能力。此外，它也没有情绪和情感，不能分析对手的心理状态，并在现场和对手展开心理战，缺失交互认知能力。

截至目前，谷歌无人驾驶汽车的行驶里程已超过200万千米。即使这样，实现商品化仍然很难，其核心问题是人工智能系统缺乏常识。人工智能需要像幼儿一样，在一个环境中自主学习感知，拥有行动的能力，同时将语言能力作为核心嵌入到系统中。

尽管取得了巨大的技术进展，以深度学习为驱动力的人工智能技术仍停留在分类、聚类和预测阶段，如图像、文本、语音的识别与对比寻找相似项目，或基于相关数据进行预测等。人工智能的不同技术应用处于不同阶段。其中，语音识别处于推广和普及阶段，三至五年之后，计算机的语言识别能力会超过人类。10年之内，视觉方面的图像识别也会发展得非常好。无人驾驶汽车领域已经实现一些类似能够分析过往驾驶经历的人工智能功能。具有有限记忆的人工智能正处于实验室研究阶段。然而，具有自我意识的人工智能，能够完全复制人类独立学习、决策能力等智能的通用人工智能（强人工智能），还仅仅停留于理论想象之中，离我们还有很远的距离。

“智能的起源在于大脑，但人类对大脑结构的理解如今少之又少，脑神经科学发展缓慢。未来脑科学加上人工智能，从科研角度而言，是最令人兴奋的，其中就包括情感这件事。”

香港科技大学教授、国际人工智能学会会士杨强认为，人工智能的下一步突破将是通用性的人工智能，即：将基于搜索和逻辑的人工智能方法与机器学习结合起来，形成一个完整的智能机器。他认为，人工智能的成功需要三大条件，一是高质量的数据，二是先进的算法，三是强大的计算能力。高质量的海量数据为人工智能技术发展奠定基础，先进的深度学习算法推动人工智能技术落地，新型高性能计算架构成为人工智能技术演进的催化剂。

在李德毅院士看来，未来人工智能给人带来的影响将远远超过计算机和互联网过去几十年对世界的改变。人工智能的内涵包括四方面：脑认知基础、机器感知与模式识别、自然语言处理与理解、知识工程。

脑认知基础：阐明认知活动的脑机制，即人脑使用各层次构件，包括分子、细胞、神经回路、脑组织区，实现记忆、计算、交互等认知活动，以及如何模拟这些认知活动，包括认知心理学、神经生物学、不确定性认知、人工神经网络、统计学习、机器学习、深度学习等内容。

机器感知与模式识别：研究如何用机器或计算机模拟、延伸和扩展人的感知或识别能力，通过计算机用数学技术方法来研究场景感知、自动处理和判读，包括：计算机视觉、模式（文字、图像、声音等）识别、自然语言理解等，都是人工智能领域的重要研究内容，也是在机器感知与模式识别方面高智能水平的计算机应用。

自然语言处理与理解：研究自然语言的语境、语用、语义和语构，大型词库、语料和文本的智能检索，语音和文字的计算机输入方法，词法、句法、语义和篇章的分析，机器文本和语音的生成、合成和识别，各种语言之间的机器翻译和同传等。

知识工程：研究如何用机器代替人，实现知识的表示、获取、推理、决策，包括机器定理证明、专家系统、机器博弈、数据挖掘和知识发现、不确定性推理、领域知识库，还有数字图书馆、维基百科、知识图谱等大型知识工程。

而理想中的人工智能应该是“有意识、有智慧、有个性、有行为能力，甚至还有情感的”。近年来，中国人工智能学会副理事长、日本工程院院士任福继积极推进包括人工智能、自然智能以及情感在内的先进智能研究，提出了基于心状态转移网络的人类情感感知与机器情感创生理论，使得在工程上能够模拟人类的情感以及表现机器人情感。但正如任福继院士指出的那样，从真正意义上而言，目前机器人的情商几乎为零。因此，包含情感、意识在内的人工智能研究还只是万里长征的第一步，任重而道远。

科学技术的发展已经从认识客观世界、改造客观世界拓展到认识人类自身、认识人脑认知的新阶段，从发明动力工具拓展到发明智能工具的新阶段。智能是提升创新驱动发展源头供给能力的时代需求，有着广阔的应用价值和发展前景。