張勤

如果將達(dá)特茅斯會(huì)議作為人工智能（AI）誕生的標(biāo)志的話，我正好與AI 同歲。但是，迄今為止，國際上對AI 是什么仍眾說紛紜。比較有共識(shí)的似乎是對AI 的代際劃分，即第一代AI 是基于知識(shí)的，第二代AI 是基于數(shù)據(jù)的。而現(xiàn)在，大家正在開啟對第三代或新一代AI 的研究。但要弄清楚新一代AI 的特征，首先必須搞清楚第一代和第二代AI 存在的問題。

我認(rèn)為，第一代AI 之所以不夠成功，主要問題有三個(gè)：第一，其知識(shí)是以規(guī)則的形式表達(dá)的，因而是碎片化的，盡管有一套格式，但很難說是一個(gè)嚴(yán)謹(jǐn)?shù)目茖W(xué)體系，更像是一種實(shí)用技術(shù)。然而，沒有嚴(yán)謹(jǐn)?shù)目茖W(xué)理論支撐的技術(shù)是走不遠(yuǎn)的。第二，缺乏嚴(yán)謹(jǐn)?shù)牟淮_定性表達(dá)和推理算法?，F(xiàn)實(shí)世界絕大多數(shù)都有不確定性，只有證明數(shù)學(xué)定理等少數(shù)情況無不確定性。顯然，沒有嚴(yán)謹(jǐn)?shù)奶幚聿淮_定性的算法限制了第一代AI 的應(yīng)用。第三，追求通用AI（AGI），將目標(biāo)定得過于寬泛，要求其像人一樣能夠?qū)W習(xí)、識(shí)別、分析、歸納、推理、感知等，是不現(xiàn)實(shí)的。

第二代AI基于大數(shù)據(jù)機(jī)器學(xué)習(xí)，能夠有效應(yīng)對不確定性，其代表是深度學(xué)習(xí)(DL)模型。主要問題也有三個(gè)：第一，由于DL 的本質(zhì)是數(shù)據(jù)擬合，模型缺乏可解釋性。對很多應(yīng)用而言，沒有可解釋性就難以可信和應(yīng)用。例如疾病診斷，要綜合患者的癥狀、體征、實(shí)驗(yàn)室檢查、影像學(xué)檢查，以及性別、年齡、病史等各種信息，根據(jù)彼此的關(guān)系才能下診斷結(jié)論，而且結(jié)論只能由作為用戶的醫(yī)生下，由醫(yī)生承擔(dān)責(zé)任，否則會(huì)出現(xiàn)很多法律問題。這就需要AI 可解釋，包括計(jì)算結(jié)果可解釋（怎么算出來的）、計(jì)算模型可解釋（能理解）、計(jì)算方法可解釋（物理意義清晰）。然而數(shù)據(jù)擬合是一種黑箱方法，從原理上就不具備可解釋性。第二，依賴數(shù)據(jù)獨(dú)立同分布假設(shè)。這里的同分布不僅指訓(xùn)練集與測試集之間，而且指訓(xùn)練和測試集與真實(shí)應(yīng)用場景之間，都要同分布。但很多情況不符合這一假設(shè)。例如基層醫(yī)療機(jī)構(gòu)診病的數(shù)據(jù)樣本空間與用于DL 模型訓(xùn)練和測試的數(shù)據(jù)集（三甲醫(yī)院病歷）的樣本空間就不同，導(dǎo)致泛化問題。第三，與第一代AI 一樣，追求AGI，想用一個(gè)模型解決所有問題，但結(jié)果往往不佳。事實(shí)上，由于開放式問題的模式不可窮盡，總有擬合不到的。這就為其應(yīng)用懸了一把達(dá)摩克利斯之劍。這也是當(dāng)前自動(dòng)駕駛所面臨的困境。至于數(shù)據(jù)獲取難、清洗加工難、保護(hù)隱私難、數(shù)據(jù)產(chǎn)權(quán)難、訓(xùn)練能耗大等非技術(shù)問題，就不在這里討論了。

事實(shí)上，計(jì)算機(jī)只能執(zhí)行人事先設(shè)定的程序（包括算法和數(shù)據(jù)），不具有真正意義上的智能，至少目前如此。就某個(gè)具體問題而言，用人設(shè)定的計(jì)算機(jī)程序來代替人解決問題是完全可能的，并且其表現(xiàn)往往超過人（例如AlphaGo 戰(zhàn)勝李世石）。一旦應(yīng)用超越了事先設(shè)定的計(jì)算機(jī)程序所要解決的問題的邊界（例如用AlphaGo 下以前沒有見過的半個(gè)棋盤或兩倍棋盤的圍棋），就很難保證AI 仍有上佳表現(xiàn)，但人卻可以舉一反三。在當(dāng)前人們對生物腦知之甚少的情況下，在尚未解決自我意識(shí)是什么和怎樣產(chǎn)生的情況下，用計(jì)算機(jī)模擬人這樣的生物腦很難，因?yàn)橐M的對象是什么不清楚。一個(gè)顯著的區(qū)別是：人能夠通過自我意識(shí)理解事物，而計(jì)算機(jī)沒有自我意識(shí)，也理解不了事物（缺少理解主體）。從這個(gè)意義上講，學(xué)習(xí)（Learning）這個(gè)詞用在計(jì)算機(jī)上是不恰當(dāng)?shù)摹M合（Fitting）更準(zhǔn)確，但不夠吸睛。

我的看法是：當(dāng)前AI 應(yīng)著力研究兩個(gè)領(lǐng)域：第一，研究生物腦的工作機(jī)理，這主要是醫(yī)學(xué)和生物學(xué)的事情，以及相關(guān)學(xué)科的事情（例如生物電鏡）。第二，研究能解決具體問題的AI 模型，無論其基于知識(shí)還是基于數(shù)據(jù)，不一味追求AGI。不同領(lǐng)域有不同需求，從而適用不同模型。例如人臉識(shí)別，無所謂可解釋還是黑箱，即使有一定錯(cuò)誤率也問題不大，這時(shí)用深度學(xué)習(xí)模型就很好。當(dāng)然還要在現(xiàn)有基礎(chǔ)上精進(jìn)。對于診?。ú恢皇强雌蚣膊『Y查）和工業(yè)系統(tǒng)故障診斷來說，沒有可解釋性的模型是不可信，因而也不宜用的；基于知識(shí)的模型（當(dāng)然要系統(tǒng)化和具備處理不確定性的能力）才是可信和可用的，大數(shù)據(jù)學(xué)習(xí)并非必由之路。事實(shí)上，核電站幾乎沒有可供學(xué)習(xí)的故障數(shù)據(jù)，但要求AI 能夠診斷從來沒有出現(xiàn)過的故障。對核電站操作員的要求也相同，所以這一要求并不過分。

歸納一下：新一代AI 要有可解釋性，不依賴或少依賴數(shù)據(jù)獨(dú)立同分布，知識(shí)應(yīng)系統(tǒng)化，能夠處理不確定性，基于數(shù)據(jù)或知識(shí)或兩者均可，但未必通用。

我對AI 的定義是：AI 是一門科學(xué)技術(shù)，將由人類智能解決的問題轉(zhuǎn)化為由人造機(jī)器來解決。這里首先要明確所解決的問題是不是智能問題。如果是，且由機(jī)器來解決，就是AI。適合于解決本領(lǐng)域智能問題的模型就是強(qiáng)AI 模型，與其是否通用無關(guān)。