人們關(guān)心人工智能都聚焦兩個(gè)問題，一是人工智能現(xiàn)在發(fā)展到了什么程度？下一步我們該怎么辦？人工智能的發(fā)展比較緩慢。當(dāng)時(shí)人工智能主要提出了兩個(gè)模型，一個(gè)是以知識和經(jīng)驗(yàn)為基礎(chǔ)的符號推理模型，用來解決人類理性的智能。但是這個(gè)工作進(jìn)展得比較慢。直到2011年，這個(gè)模型才取得較大進(jìn)展，典型的案例就是IBM做的watson系統(tǒng)，在人機(jī)競賽上打敗了人類。

為什么能取得這個(gè)結(jié)果呢？主要原因是，原來專家系統(tǒng)的知識是非常稀缺和昂貴的，而且要把這個(gè)知識放到計(jì)算機(jī)里面去，用人工的方法輸進(jìn)去難度非常大，所以當(dāng)時(shí)進(jìn)展比較慢。為什么2011年能取得很大進(jìn)展呢？最主要的原因就是這里面把互聯(lián)網(wǎng)的大眾知識輸入到系統(tǒng)，不需要經(jīng)過人工加工。

第二個(gè)模型是機(jī)器學(xué)習(xí)或者叫做神經(jīng)網(wǎng)絡(luò)。當(dāng)時(shí)神經(jīng)網(wǎng)絡(luò)在應(yīng)用上的進(jìn)展也很慢，最主要原因是當(dāng)時(shí)神經(jīng)網(wǎng)絡(luò)輸入要靠人工設(shè)計(jì)或者來編制特征。這種情況下我們要做大規(guī)模的系統(tǒng)就很困難。這個(gè)問題到本世紀(jì)初有了很大的轉(zhuǎn)折，即我們現(xiàn)在講的深度學(xué)習(xí)。把神經(jīng)元網(wǎng)絡(luò)的層次增加以后，機(jī)器學(xué)習(xí)得到了根本性的改變，從原始的淺層學(xué)習(xí)變成現(xiàn)在的深度學(xué)習(xí)。另一個(gè)重要改變是我們把原始的數(shù)據(jù)輸進(jìn)去，不必人工干預(yù)，這樣就使得深度學(xué)習(xí)變成一個(gè)大眾化的，大家普遍能用的工具，不需要擁有專業(yè)知識。由于這樣的革命性變化，這個(gè)技術(shù)正被廣泛采用。

深度學(xué)習(xí)最典型的應(yīng)用是解決問題，即模式識別。圍棋為什么能夠成功呢？我們把下圍棋看成模式識別，通過深度學(xué)習(xí)圍棋程序，2015年以前只能達(dá)到業(yè)余五段，通過深度學(xué)習(xí)以后，在兩年的時(shí)間能夠?qū)崿F(xiàn)三級跳，從業(yè)余變成專業(yè)，從專業(yè)變成世界冠軍，現(xiàn)在已遠(yuǎn)遠(yuǎn)超過世界冠軍。其中最重要的原因就是利用了大量的數(shù)據(jù)。

從目前來看，我們重要的任務(wù)就是把深度學(xué)習(xí)，以及早期的符號推理模型應(yīng)用到交通、家庭、健康、教育等領(lǐng)域。我們國家特別強(qiáng)調(diào)在金融和智能制造的應(yīng)用。我們可以看到我們國家的很多獨(dú)角獸企業(yè)，都是借助于深度學(xué)習(xí)技術(shù)，集中在圖像處理和語音識別這兩個(gè)領(lǐng)域。

但是，我們也必須看到深度學(xué)習(xí)的局限性，也就是我們一方面要充分進(jìn)一步應(yīng)用深度學(xué)習(xí)，但是另一方面盡管它可以在各個(gè)領(lǐng)域應(yīng)用，但是也必然受到多種條件的制約。

現(xiàn)在用大數(shù)據(jù)建立的識別系統(tǒng)，盡管在某個(gè)指標(biāo)上超過人類，但其他方面跟人類相比差距非常大。計(jì)算機(jī)的圖像識別率即使能達(dá)到跟人差不多，但仍有錯(cuò)訛。我們?nèi)右粋€(gè)噪聲給計(jì)算機(jī)就可以讓它識別成任何東西，這是它很大的弱點(diǎn)。這個(gè)弱點(diǎn)在很多應(yīng)用場合里面是不允許的，如果在人臉識別、圖像識別里面有這樣的錯(cuò)誤還可以容忍的話，如果這樣的錯(cuò)誤出現(xiàn)在決策上的話，那是人們不可理解的。

我們目前仍然面臨挑戰(zhàn)，雖然人工智能取得了一些進(jìn)展，但仍然有很大的局限性。應(yīng)對這種局限性，深圳非常重視基礎(chǔ)研究，發(fā)展新的理論來引領(lǐng)技術(shù)的突破，克服目前人工智能存在的局限性并擴(kuò)大應(yīng)用領(lǐng)域，這樣才有可能真正使得人工智能讓人類生活得更美好。

（本文摘編于中國科學(xué)院院士、清華大學(xué)人工智能研究院院長張鈸在第二十屆高交會(huì)上的演講。）