我想和大家談談我對人工智能的幾點思考，包括一些值得商榷的問題。從幾千年前的原始社會，人們依靠石器工具來勞動；到農耕時期人們所使用的工具有所升級；到工業革命出現的蒸汽機進一步提升了生產力；電氣革命更是極大提升了人類的生產效率；而今信息時代電子計算機的誕生延伸了我們的腦力，拓寬了我們的眼界和思想。馬克思說過，“各種經濟時代的區別，不在于生產什么，而在于怎樣生產，用什么勞動資料生產。勞動資料更能顯示一個社會生產時代的具有決定意義的特征?！?/p>

信息時代出現了互聯網絡、電子計算機、通信網絡、空間技術、生物工程和原子能技術等一系列具有代表性的發明和創造，尤其是互聯網絡和電子計算機的誕生，拓展了人類自身和人與人之間交互的邊界。

現在人工智能時代到來了，出現了深度神經網絡和許多具有代表性的產業英雄，比如Elon Musk，也出現了無人系統、納米科技、量子計算、物聯網等新科技和新產品，人們的工作、生活都發生了翻天覆地的變革。

跨學科交叉是人工智能時代的典型標志，比如潘云鶴院士提及的認知視覺和認知表達，都是典型的跨學科研究。人工智能技術海納百川，比如計算機視覺、自然語言理解、機器人和邏輯推理等，且在醫療、電子、金融等行業都發揮了巨大作用。下面我將從三個層面淺析一下人工智能時代的幾個問題：第一個是算力；第二個是算法；第三個是人與AI 怎樣相處？

首先，是算力。1956 年Rosenblatt 的感知機只包含了512 個計算單元就能做數據分類。但人工智能發展過程中一直受到算力的困擾，直到GordonMoore 提出了集成電路芯片上所集成的晶體管數量每18 個月翻一番，為后來的幾十年芯片技術的發展指明了方向。1999 年，NVIDIA 發布了GPU 進行并行的數據處理，使得人工智能向更加廣闊的領域發展。2012 年，Alex 使用AlexNet 進行GPU加速，開啟了深度網絡應用的先河。接下來就是眾所周知的谷歌AlphaGo，擁有5000 個GPU，訓練40 天，就可以打遍天下無敵手，說明并行計算、專用芯片對人工智能具有重要的推動作用。

我們再看看現有技術的發展。流媒體視頻占全球互聯網下行流量的58%，2019 年8 月國內互聯網的終端數已經突破了20 億，這些數據都需要巨大的算力支撐?，F在智能醫療、智能制造、無人駕駛，追求的更小、更快、更加智能。所以人工智能蓬勃發展對算力的需求超過了別的方面，成為人工智能一個重要支撐。

但是算力的提升速度已經不再遵循摩爾定律了。從第一臺計算機出現到后來的幾十年，芯片算力基本符合摩爾定律。但隨著時間的推移，芯片上晶體管的密度增長已經不再遵循摩爾定律，反過來說就是芯片算力的增長速度已經無法滿足人工智能技術的發展需要。于是國際科技巨頭都開始發力，比如谷歌的TPU 和中國的地平線、寒武紀都是將設計神經網絡專用芯片來提升算力。但這些芯片都是專用的，無法滿足通用人工智能的發展需要。

我以前常說，理學思維，工科實踐。物理要求什么？比如量子力學、量子計算。眾所周知，英特爾、谷歌在處理特定任務時，發現量子計算速度遠高于現在的計算機。隨著有效量子比特的數量不斷增加，他們希望（尤其谷歌）在量子計算領域成為霸主。但現實是經過物理學家們的分析，其中許多問題尚未解決，比如如何長時間保持足夠的量子比特的相干性，這是一個重要問題；同時在這個時間內做出足夠的超高精度量子的邏輯計算也是一個難題。因此，在未來的一段時間里要想完全用量子計算提升算力，是完全實現不了的。于是，人們提出了存算一體的架構，希望突破存儲墻的限制，提升它的算力。這就是為什么我說人工智能時代走入了交叉時代，除了向物理要算力，還要向腦科學要算力，比如類腦計劃，希望通過模擬腦科學里的機理提升算力；不僅如此，還要向物理的邊界、光電計算要算力；同樣還有也要向存算一體、光電+ 要算力。

光學作為新的計算途徑，它帶來的最重要的變革，一是范式變革；二是算力提升；三是功耗下降。正因其諸多優點使得國內外很多研究機構都開展了相關研究。目前國際上做出的貢獻有三個，麻省理工做的干涉神經網絡架構非常不錯；明斯特大學和劍橋是留相片材料，做脈沖的架構；清華大學是用衍射神經網絡做架構。三種不同的方案都各有優勢，也各有不足。因此，在未來算力平衡上可以做出一番成績。大家可以試想一下， 光電計算的算力能提供3 個數量級，我們超小型的智能5G、智能機器人、微型的修理機器人，尤其是我們現在研究的自動駕駛，光電智能駕駛會推動這個方面的發展。所以，光電計算使無人系統更快、更小、更智能。目前這個方向也引起了國際學術界和工業界的廣泛興趣，已經有很多機構在這方面開展研究，也希望大家關注這個方向。

第二是算法。因為人工智能最重要的是算法，所以研究學者普遍都在研究算法。那么這些算法怎么來？現有人工智能僅實現了簡單的初級視覺感知功能。就像剛才潘院士提到，有很多無人區的工作有待解決。在初級視覺感知信息處理與高級認知智能過程中，性能遠不如人腦，人腦具有物理學習和數據的抽象能力。有些學者認為深度學習存在極大的危機，BP 算法有很大局限性，需要推倒重來，需要再次從大腦的認知機理模型中尋找靈感。從右圖可以看到困難的問題是易解的，往往簡單的問題是難解的。Hinton 的demo 說明深度網絡現在有危機，因此必須借鑒神經系統的多模數據表示、變換和學習規律及反饋方式，認知計算就將推動人工智能的變革。大家一直在探討人工智能最重要的問題是什么？現在如何實現高效？現在深度網絡是不可解釋的，那么如何做可解釋的？現在不魯棒，如何做到魯棒？

新一代認知智能作為現在算法上國際上最重要的結合點。眾所周知，1969 年BP 算法的雛形是從控制里面來的，是從最優控制理論中產生、采集的。直到1989 年卷積神經網絡誕生。認知和神經科學家首次將BP 算法引入到多重神經網絡，構建了認知計算模型。再到2015 年的計算模型。由此可以看出BP 算法是深度學習使用最為廣泛的，但是它仍存在很多問題。

從1958 年開始研究的啟發卷積神經網絡來看，1981 年的諾貝爾獎得主發現人的視覺是分層的，有高層的視覺分層，也發現視覺系統卷積的特性。于是1980 年日本學者提到簡單復雜的細胞概念，提出了新的認知機理。David Marr 認為，人對視覺信息的表征和處理的計算研究得出了一個重要的結論，視覺和感知效應的關系。2007年Tomaso Poggio 提出了H-MAX 模型。2012 年Alex 的貢獻開啟了人工智能的黃金時代，得到了廣泛的應用。這也是我們算法的歷史由來。通過歷史分析，就能預測未來。

通過展示的內容大家可以看到大部分都是什么？是關于腦科學家神經的分析，通過神經的分析就是啟發類腦計算。上面部分都是整個神經方面的分析，下面部分是希望能夠實現一種類腦的想法，從腦科學能不能到人工智能做類腦方面的研究。最近幾家機構的研究都取得了突破，一是2019 年報道的施路平教授；一是2020 年報道的已經起到了重大作用的吳華強研究類腦的存儲一體的芯片。因此，中國在這方面的研究應該在國際上處于并跑的階段。上面展示的腦的結果，是我們進行了大量調研的，神經元的激活狀態，包括貓的視覺感受、腦機體的神經節。

關于人工智能理論的推算我們做了一個對應和比較，即如何利用腦機器啟發人工智能新理論，實際上是作為新一代人工智能發展的一個重要途徑。我們把它們進行類比、對照，說明什么？很多人工智能專家都借鑒了腦科學的一些機理來響應人工智能應該怎么往前走？這個算法應該怎么解決？怎么具體解決？

成年人的大腦細胞有860~1000 億神經元，而我們電信號在發生作用時會感到整個功耗非常低，就在10~23 瓦之間。如果你在刻苦完成一件事情時，你的最大功耗也在25 瓦以內；如果你迷迷糊糊時，功耗最低才10 瓦左右。所以功耗都很小，但人工智能計算機的功耗是非常大的。

剛才劉市長和我談到，在杭州還要建一個大的計算中心，這時的功耗應該大了很多。那么怎樣能夠提供？從認知科學角度來討論這個問題，于是我們畫了這樣一座大橋。如圖所示，認知計算是溝通腦科學和人工智能的橋梁。為什么？我們首先回過頭來問，認知科學做什么？認知科學一個是多模態的回路觀測，要觀測腦科學里的東西。

第二是多層次的認知模型，包括潘院士說的視覺、聽覺、語言，還有觸覺，這些是多層次的認知模型和腦科學的信息，在這里觀測，通過建立模型形成的是認知科學。我們認為，從腦科學通過認知科學的研究到達人工智能，這就是走另外一條途徑，叫做從腦科學到人工智能，這即是我們所說的未來希望的一條道路，也是研究人工智能新算法的一條道路。

接下來我們回過頭再來看看國際上的一些經典貢獻。左邊是腦科學整個的貢獻，這里的貢獻主要講的是什么？人類如何思考。右邊都是圖靈獎，最重要的結論是，貢獻都是什么？機器如何思考？中間應該有一道橋梁，將它們建立關系并連接。所以我們希望認知科學就是這道橋梁。

2016 年美國啟動了1 億美金的阿波羅項目，其記錄并測量了10 萬個神經元的活動與連接。這里最右邊的圖上方是計算神經元的模型，下方是計算機器學習模型。這兩個模型能否通過腦數據建立一個分析？這就是成像。通過研究大腦計算范式，構建認知計算新模型與新方法，從而建立從人的思維到機器思維的橋梁，是啟發新的人工智能理論與算法的重要途徑。這是清華大學構建的一個方案，但這個方案也不一定成熟，只供大家參考。

是生物機制的記憶環路，我們有外部環境、腦皮層和海馬體。左下圖是物理平衡原理，所以我們期待構建一個BMP 的網絡算法，就腦科學、數學和物理結合起來的一個網絡模型。上方是我們構建的新型網絡模型的一個通用的框架。

在算法問題上，我們還在進一步研究，也希望為各位專家提供一個方案。所以人工智能算法能不能從知識驅動到腦科學，但數據驅動那邊是什么？是大場景、多對象的一個很大的數據庫，構建的什么？三駕馬車能不能做認知驅動，這是我們構建的一個新算法，一個框架的架構。這是算法層面的思考，希望大家批評指正。

第三，人和AI 怎樣共處。眾所周知，AI 賦能人類，而不是成為人類，更不是取代人類。50年前圖靈就說過，人工智能的發展不是把人變為機器，也不是把機器變成人，而是“研究、開發用于模擬、延伸和擴展人類智慧能力的理論、方法、技術及應用系統，從而解決復雜問題的技術科學并服務于人類”。因此，人工智能與人類和諧發展，需要考慮人工智能與人類之間協同安全、隱私和公平的問題。

最終實現以人為本、服務于人的目標。我們目前有個課題項目是孫富春老師和吳飛老師在負責。我們在做什么？未來的人工智能安全教育和它與人類的合作的調研，調研完成后準備和美國人工智能學會、歐洲人工智能學會討論人類命運共同體的話題。

這里以人為本、服務于人類的這4 個問題是我們最重要的、要探索也回避不了的問題，分別是倫理、隱私、協同和安全。人和人類怎么去合作？人和機器AI 要有交互，人和自然界也要交互。極限交互是什么意思？在危險的場景，我們希望通過AI 和AI 交互，AI 和場景交互，人類和AI 交互，即我們看不見的、看不清的、聽不見的、觸摸不到的，我們稱之極限交互。AI 交互實現顛覆性用戶體驗，提高人類認知和改造世界的能力。這就是說極限交互的特點。

我們現在開會都線上開展，很多機構都在開發線上虛擬線下，如《王牌特工》中所展示的。這時就相當于一種極限環境。我們開的線上會議就和線下會議一樣。我想這樣的一套系統，2020年年底可能就有望見到。所以，這即是我們所說的沉浸式AI 交互。我們調研了今年中小學、大學的課程基本上都是線上上課。通過上課質量對比，北京的幾個學校的教學質量都是有所下降的。我們只是采用了這種形式，但是這種形式并沒有帶來更好的教學效果。

即使如此，以后要改變這種教學效果，我想會帶來更好的用戶體驗。很多高校和企業都做了相關類型的研究，比如微軟108 個相機的立體建模、Facebook 做的立體建模，以及谷歌、清華建的。清華現在一個相機也在做深度建模的形式，建完一個人的模型后，就能把它放到任何地方，這樣虛擬線下就可以實現了。

大家可以看到，這樣就可以實現全息智能教學。比如智能精準的推薦、線上泛在接入、真人的全息授課、沉浸交互課件。根據今年的AI 研究發展，AR 眼鏡最輕可以達到50 克，此前AR 眼鏡很重，所以發展不起來。但我覺得未來眼鏡也是一個重要趨勢，虛擬線下的一個重要區域。未來AI 驅動的混合現實，賦能教學、生產、設計和交流，包括工業設計都可以在此開展，這是未來AI 交互的一種重要的工具，也是人和AI 之間交互的一個重要的途徑。

未來已來，我記得好像李院士5 年前作報告，就說未來已來，即讓我們著急起來，未來實際上腦機接口、人機融合、人機“共生永存”，包括意識存儲的概念，能不能永遠存在機器人身上或者存儲到一個地方。所以這都是未來發生的事，現在腦機接口發展非?？欤覀兘洺Ｕf的腦疾病，比如阿爾茨海默癥、癲癇病。如果找到了這樣的病理特征時，我們有兩種再生方法。如果知道神經元的種類，可以用其他的神經元修復這種生物的修復方法，把這些神經元修復好；還有一種用我們超材料代替這些神經元的活躍程度。如果能做得不錯，腦子就能夠保持高度清晰，人類壽命延長50 年是一個很正常的事情。

智能驅動未來，我們有更聰明的“大腦”、更靈巧的“手”、更明亮的“眼睛”、更靈敏的“耳朵”。智能光電芯片、知識驅動、數據驅動、認知驅動，這是智能驅動的一個大的未來。從這里可以看出，人工智能逐漸達到人類水平。從時間表2016 年開始，一直規劃到2066 年，所有人類的任務都取代了，機器AI 都能夠把它完成。當然這是我們的愿景，這個愿景是帶有預測性質的，也帶有一定的基礎討論。

我們說要做認知智能。什么叫做認知智能？以前有過圖靈測試，你做的算法需要測試，那測試要求有沒有？因此我們從圖靈測試開始，主要測試某個機器是否能表現出與人等價或無法區分的智能。當時是模仿游戲，因此我在最后的部分也講一講測試。

圖靈的測試一直在不斷發展。可以看到從1950 年提出圖靈測試，1986 年早期自然語言處理計算機也在期待測試。一直到2014 年，郭院士的“Eugene Goostman”程序首次“通過”了圖靈測試。2015 年人工智能終于能像人類一樣學習，并通過了圖靈測試。但是這些測試情況怎么樣？有什么有待改進的地方？下面這幾位專門研究圖靈測試的專家，測試機器常識推理的能力，測試神經網絡抽象推理的能力，還有針對通用人工智能（AGI）測試，比如家庭健康護理（ECW）的能力，這些都是人工智能測試的新模式，且層出不窮。因此圖靈測試也是我們人工智能發展的一個重要方向。

下面又回過頭來，知識驅動、腦科學、數據驅動上面是認知驅動。那么新一代人工智能算法能不能做出來？什么叫做出來？能不能有認知測試？這就是我們所說的一個重要的目標課題，也是我們對人工智能發展的一些思考。

人工智能實際上產業變革的歷史進程發展非?？?。信息時代隨著現在數字經濟，也就是人工智能時代的到來。這里可以看到許多美國典型的人工智能企業，當然還有中國的企業，包括字節跳動、地平線等，還有一些歐洲的企業，所以人工智能已經成為推動全球經濟發展的核心驅動力。人工智能也是新基建，已上升為國家戰略非常重要。前幾年潘院士倡導的人工智能2.0 得到了國家的高度重視。2020 年我國人工智能市場的規模增速遠超全球市場規模的增速水平。這是我們整個調查的結果，已用于智能安防、醫療、金融和教育等領域，比如我們余杭區的智能醫療小鎮。新基建是一項非常重要的大工作，剛才高省長、劉市長說到的都在這里面有所體現。

2019 年發表在Nature 上的一篇文章關注中國在人工智能領域的領先發展。我們實驗室十幾位老師和學生調研了近10 年浙江省頒布了44 例人工智能相關的政策。浙江看杭州，杭州就看余杭。所以杭州打造AI 有無限的想象、無限的空間，也感謝杭州未來城對我們全球人工智能技術大會的支持。

最后總結一下，實際上今天和大家分享了三個方面的話題。第一個話題就是共處，更高的工作效率、生活質量和安全保障，極限環境下交互，什么叫極限環境？比如開現場會議，我們地理位置相隔甚遠，但我希望我們面對面交流，這就是一個極限；第二個是算法，更逼近本源的認知計算理論與方法，這是我們所說的重要的一個議題；第三個是算力，數量級性能提升的新型計算范式與芯片架構，這是最重要的。我希望未來能夠發展人工智能這三個方面的問題，包括多維度、多角度和深層次的認知測試。
責任編輯:pj