今年4月以來，支付寶、微信、銀聯(lián)相繼推出了自己的刷臉支付產(chǎn)品，刷臉支付儼然已成為備受青睞的下一個戰(zhàn)場。有數(shù)據(jù)顯示，預計到2022年，人臉支付使用用戶將突破7.6億人。

然而，隨著人臉識別、語音識別等人工智能技術(shù)的發(fā)展，其安全問題也日益凸顯。近日，在接受《中國科學報》采訪時，中國科學院院士、清華大學人工智能研究院院長張鈸表示，隨著人臉支付應(yīng)用場合日益重要、應(yīng)用規(guī)模日益擴大，其被盜用的潛在風險也越來越大。“為什么到現(xiàn)在還沒有人盜用？是因為獲得的收益太小了，不值得。”

算法、數(shù)據(jù)和計算是驅(qū)動人工智能前進的“三駕馬車”。但是，在香港科技大學講席教授、微眾銀行首席人工智能官楊強看來，就核心算法而言，人工智能距離“現(xiàn)代化”還有很長的路要走。

從初階到現(xiàn)代

在近日于蘇州舉行的第九屆吳文俊人工智能科學技術(shù)獎頒獎典禮暨2019中國人工智能產(chǎn)業(yè)年會上，楊強獲得了吳文俊人工智能杰出貢獻獎。在發(fā)表獲獎感言時，浸淫在人工智能領(lǐng)域30多年的他坦言，人工智能研究距離理想目標還有很長的路要走。

他以物理學為例，“物理學的終極目標之一是用一個理論解釋所有的宇宙現(xiàn)象，但當我們打開一本人工智能領(lǐng)域書籍時，會看到里面有各種各樣的算法，而且每一種算法只針對一個現(xiàn)象”。他認為，這種做法類似物理學發(fā)展初期時呈現(xiàn)的現(xiàn)象，而當物理學已發(fā)展到現(xiàn)代物理學時，人工智能未來也應(yīng)該發(fā)展到現(xiàn)代人工智能，向通用型人工智能理論發(fā)展，用一個理論來解釋N個智能現(xiàn)象。“這是我們應(yīng)該做的事情。”

作為中國人工智能學會理事長，中國工程院院士戴瓊海也提出了這樣一個問題：當下人工智能繁榮的背后一定潛藏著隱患。例如，多學科交叉促進了人工智能飛速發(fā)展，但在新方法、新原理、新技術(shù)、新應(yīng)用不斷涌現(xiàn)的同時，“我們應(yīng)該深入思考，僅只順應(yīng)這一潮流是否會導致錯失人工智能發(fā)生重大變革的機遇，是否應(yīng)該將交叉融合從工程層面推進到基礎(chǔ)科學層面”。

結(jié)合近兩年來學術(shù)界申請國家自然科學基金的情況，國家自然科學基金委員會人工智能處處長吳國政認為，目前人工智能還處于弱人工智能的初級階段。其標志之一是，以目前的基礎(chǔ)理論或核心算法現(xiàn)狀，人工智能在做數(shù)據(jù)標識時主要靠人工、手動，而機器學習的卷積神經(jīng)網(wǎng)絡(luò)是100層還是1000層，實際上并沒有科學依據(jù)，還是在“跟著感覺走”。他希望，能夠與學術(shù)界和產(chǎn)業(yè)界通力合作，“調(diào)研出人工智能的根本科學問題”。

新問題與新方向

在獲頒2019年度吳文俊人工智能最高成就獎這一獎項后，張鈸很快接受了《中國科學報》采訪。談及作為人工智能核心的算法和算力所存在的問題時，他表示 “深度學習有兩個階段是出人意料的”，一個階段是深度學習剛問世的時候，它在降低相關(guān)領(lǐng)域知識要求方面表現(xiàn)出極大的優(yōu)勢。例如，以前做人臉識別，在向計算機輸入信號時要做很多預處理，要花很多時間研究它。而深度學習出來后，輸入原始數(shù)據(jù)就可以了。這就使得剛從事深度學習的人和在這一領(lǐng)域做了很長時間的人沒有區(qū)別。“深度學習一夜之間就成了大家都能用的工具。這一點是大大出乎大家意料的。”

第二個階段是應(yīng)用了一段時間之后，發(fā)現(xiàn)這個方法問題很大。張鈸告訴《中國科學報》，這主要體現(xiàn)在四個方面。一是不可信，表現(xiàn)在算法的結(jié)果無法解釋。二是不安全，如非常容易受攻擊、被欺騙。三是不可靠，會出現(xiàn)重大錯誤。例如，人類可能會把騾子看成驢，而機器卻可能把石頭看成驢，這導致其在關(guān)鍵的時候是不可用的。四是推廣能力差，不能舉一反三。

基于此，張鈸及其團隊提出發(fā)展“第三代人工智能”，即將數(shù)據(jù)驅(qū)動和知識驅(qū)動結(jié)合起來，突破目前人工智能所存在的局限，解決知識自動獲取、表達及推理等三個問題。張鈸告訴記者，“僅靠數(shù)據(jù)是不可能產(chǎn)生智能的。人類智能的基石是知識。如果計算機處理知識的能力達到了人類的水平，那么它的智力就可以達到人類的水平。”

而在楊強看來，雖然深度學習確實存在短板，例如無法解決數(shù)據(jù)孤島的問題，對于分布式、零散數(shù)據(jù)無法有效利用，但是他認為，深度學習繼續(xù)向前發(fā)展的話，“還是有很多財富可以挖掘”。例如，跟工業(yè)等各行各業(yè)深度結(jié)合。而對研究者而言，除了深度學習，也可以另辟蹊徑，如關(guān)注小數(shù)據(jù)，分布式、零散數(shù)據(jù)等。

“卡脖子”問題何解

在東南大學儀器科學與工程學院院長宋愛國看來，“人工智能領(lǐng)域‘卡脖子’的關(guān)鍵技術(shù)還是挺多的”。例如，人工智能是模仿人的感知、認知等智能行為的，但是現(xiàn)在我們對于人的感知和認知機制并不是很清楚。而之所以不清楚，既是科學問題，也有技術(shù)瓶頸的原因。“因為在探測人類大腦的思維過程方面，缺乏相應(yīng)的儀器，使得我們無法獲悉人類思維過程中大腦神經(jīng)元的動態(tài)成像過程。”

平安集團首席科學家、吳文俊人工智能杰出貢獻獎獲獎?wù)咝ぞⅰ翱ú弊印奔夹g(shù)分為兩種，一種是屬于從0到1的，全世界都沒有解決方案，我們要進行開拓性研究。還有一種是人家有而我們沒有的，例如開源軟件等。“實際上，在‘卡脖子’領(lǐng)域我們有很多機會，這是我們的機遇。”

“現(xiàn)在很多學生都在做人工智能方面的工作，而且做得很快，但基本上是用國外的開源軟件，收集的數(shù)據(jù)也都是國外的。這兩方面我們要從根本上加以改變。”楊強告訴《中國科學報》。他建議，為了解決“卡脖子”問題，我們要多多鼓勵國內(nèi)人工智能從業(yè)者開源并使用他們的軟件，同時提倡貢獻自己用于測試的數(shù)據(jù)集。“這些工作往往都是沒有光環(huán)的，失敗的可能性很大，希望各方面都給予他們支持。”

另外，要有更多的人來做基礎(chǔ)研究。“因為現(xiàn)在以深度學習為核心的人工智能只是人工智能很窄的一個方面，還有很多新的方向有待我們研究。在國外，很多學者都在從事非常冷門的研究，而這樣的現(xiàn)象在國內(nèi)很少看到。”楊強說。他希望，從事人工智能研究的青年學子們除了計算機知識，還要跨學科學習心理學、認知學、大腦神經(jīng)學、醫(yī)學等方面知識，因為“這樣的人才既具有‘深’的能力，又具有‘廣’的能力，才能更好地進行知識遷移”。