人工智能的歷史

人工智能（Artificial Intelligence，簡稱AI）的歷史可以追溯到物理學家薛定諤于1944年出版的科普書《生命是什么——活細胞的物理學觀》。這本書希望從物理學和化學原則的角度來解釋生命現象，它開啟了分子生物學的大門，也在人工智能的早期發展中起到了重要作用。在1956年馬文•明斯基組織的達特茅斯會議里，麥卡錫首次提出了“人工智能”的概念，這被公認為是AI誕生的標志。在這次會議中，大家一致認為“學習或者智能的任何其他特性的每一個方面都應能被精確地加以描述，使得機器可以對其進行模擬”。

自此之后，人工智能經歷了三次熱潮，人們對人工智能的認識也在逐步完善。第一次熱潮源于連接主義的進展，里程碑式的成果是20世紀中期McCulloch和Pitts發現了神經元“興奮”和“抑制”的工作方式以及1956年Rosenblatt提出的“感知機”模型。同時，1959年Solomonoff有關文法歸納的研究和1965年Samuel將分段劃分引入對符號域的數據處理，也促進了符號主義的發展。人工智能在連接主義、符號主義以及行為主義等領域的成功，讓當時的科學家們興奮不已，并樂觀地估計10年后便有可能制造出像人一樣有智能的機器。然而，明斯基出版的《感知機》一書指出，當時的人工智能研究甚至不能解決一些簡單的二分類問題，而其它主義的進展也遭遇了瓶頸，使得人工智能進入了第一個寒冬。

1986年，連接主義學派找到了新的神經網絡訓練方法，即利用反向傳播技術來優化神經網絡的參數，二分類問題因此得以解決。符號主義也提出了“如果—則”的專家系統，于是，人工智能再次掀起新一輪熱潮。但好景不長，科學家們發現“如果—則”的規則容易出現組合爆炸問題，即無法窮盡可能的規則。而1995年提出的統計學習理論，既有嚴密理論又有完美算法支持，讓理論方面存在不足的連接主義再次淡出視野，人工智能也因此成為以統計學習和機器學習為主導的研究。

人工智能的現狀

2012年，在計算機視覺領域一個關于大規模圖像檢索的比賽中，深度學習研究的領袖級人物Geffrey Hinton帶領團隊成員Alex Krizhevsky和Ilya Sutskever提出了一種新型的深層網絡模型AlexNet，顯著地將識別性能提高了近10個百分點。而這個提升之前曾被以為需要20年的時間，這讓科研人員開始重新關注神經網絡尤其是深層網絡的研究。

通過近六年的努力，深度學習在計算機視覺、圖像處理、自然語言處理、語音識別等眾多領域都取得了耀眼的成績。其成功的原因主要有三個：

第一，模型本身的變化。與傳統的神經網絡不同，深度學習對網絡采用了逐層做特征學習的方式，并在每一層中采用了不同的角度加以處理，使得網絡在學習能力或特征工程上得到了極大的加強。

第二，數據規模的顯著提升。在2012年前，沒有超大規模的數據可用來訓練網絡，這使得之前網絡即使能做深，也達不到傳統統計學習和機器學習的性能。而2012年后，這一問題得到了解決。一方面是采集設備的成本下降和來源變得豐富，數據的收集能力明顯增強；另一方面是人工標注對大量有效數據集的形成起到了幫助。據媒體報道，目前國內至少有近千家標注公司和工廠、共20余萬名以上的數據標注員在從事人工標注的工作。另外，2014年以后，通過對抗生成式網絡來生成偽數據的策略也大幅度減輕了大數據的需求問題。

第三，可并行計算的GPU顯卡帶來的算力提升也功不可沒。自從Geoffrey Hinton等提出的AlexNet深度網絡首次采用雙GPU來處理數據后，現有的深度學習模型都是基于多GPU計算完成的。

深度學習也帶來了產業界的同化。由于其模型采用了“輸入為問題、輸出為目標，中間的規律完全通過深度模型來學習”的“端到端”設計理念，各行業特有的規律都能通過收集大數據集，并通過模型學習來完成。因此，這種端到端的操作方式，加上現階段源碼共享的流行，讓原來領域差異明顯的產業界如電信、金融、安防等都投身到人工智能的研發與應用中。不僅如此，在圍棋上AlphaGo、AlphaZero的所向披靡、戰無不勝以及對300年圍棋譜的新認識，還有波士頓機器人團隊的碩果累累，都讓人感覺人工智能近在眼前。

從國家層面看，我國對人工智能給予了前所未有的支持力度。2017年7月，國務院發布了《新一代人工智能發展規劃》。規劃預計到2020年，我國人工智能核心產業規模將超過1500億元，帶動相關產業規模超過1萬億元；到2030年，人工智能核心產業規模將超過1萬億元，帶動相關產業規模超過10萬億元。而在本輪熱潮中，我們也看到了大量與人工智能相關的公司的創建，其中不乏有進入中國獨角獸企業榜單的。資本對人工智能的關注也近乎狂熱，甚至行內有些投資機構在對人工智能相關公司進行估值時，會以在頂級人工智能領域會議論文發表的數量為參考，這又直接導致了AI相關的公司愿意花重金去吸引AI方向上有良好論文發表紀錄的優秀人才。

那么，現在人工智能具體發展境況如何呢？我國又處在什么關鍵位置呢？

人工智能的憂思與展望

首先，我們得肯定，隨著國內研究能力的提高，國內科研機構在頂級期刊或會議上發表論文的數量較以往已經上了好幾個臺階，目前我國論文的發表數排全球第二便是很好的明證。然而，在原創性上，我國的科研創新還沒有占據國際主導地位，比如論文的引用數在國際上未排進前十名，說明論文的影響力不夠；在人工智能必需的硬件環境上，我們仍嚴重依賴于目前還無法國產化的GPU顯卡；在軟件平臺上，我們仍依賴于PyTorch、Tensorflow等國外軟件；在深度學習的核心算法上，國內提供的關鍵算法相對較少，多是在國外團隊設計的相關算法上的小修小改。

其次，對論文的過度看重，導致科研院校和行業偏好選擇“短平快、易產出”的方向進行研究，而對可能需要3—5年甚至更遠的5—10年才能有產出的研究方向不甚感冒，這從論文的引用率上就能看出一斑。而資本的進場，又容易讓原本可能可以按時間節點穩步發展的企業產生加速擴張的心態，這多少會影響其對原創性研究的追求。如果這些企業缺乏專業的管理和財務團隊，則很有可能會導致投資方期望過高而實際產出偏低的結果。如果對此不重視，說不定第三波人工智能的熱潮會因為“AI經濟泡沫”的破滅跌回低谷。一旦出現這一現象，很有可能會有較二波寒冬更長的寒冬期。這些都是值得我們警惕的問題。事實上，當前人工智能在產業界中取得明顯進展的，主要是與預測相關的智能應用，但從更廣義的智能角度來看，人類仍有較多同智能相關的問題尚待解決：

第一，深度學習通過擴大模型來獲得預測能力的同時，也由于模型參數過多導致可解釋性變差，不太容易提取出可解釋的結論或規則。第二，常識智能尚無明確的解決方案。如人走路不會識別路面的精細細節但卻可以快速行走，出門時發現下雨后又返回家中拿傘，這些都屬于常識智能。然而，目前對于常識智能，仍缺少可以拿來分析的有效理論和模型。第三，小樣本問題。在很多情況下，樣本的收集是困難或昂貴的，甚至人工標注也不可行，如全基因組的測序、高性能計算芯片的參數檢測等。此時，依賴需要大數據訓練的深度學習就很難獲得好的性能。第四，硬件依賴問題。目前的深度學習嚴重依賴于GPU顯卡的并行能力，然而，并非所有環境都能提供具有高效運算的硬件。因此，有必要設計更有效、不依賴于GPU的模型和方法。第五，情感智能的研究。盡管在情感方面存在不少的研究，但多數研究是基于情感的預測來展開的，對真實情感的模擬還遠沒達到人類會難以區分的地步。結果就是，現有的服務機器人還難以形成真正的情感。

那么，我們有沒有可能借助其它學科的進展來促進人工智能的發展呢？舉例來說，腦科學對人腦的研究，盡管在分子級別以及神經細胞群的活動較以往已經有了更深入的認識，但受限于探測器的時間和空間分辨率，目前對大腦的精細和全局分析仍有較大的發展空間。同時，遺傳學雖然對基因編碼機制進行了廣泛研究，可以對智能體的基因進行全序測量，但是基因在非編碼區形成的調控機制仍不是完全明了的。此外，在未來智能社會中，假定智能體具備了真正的智能，可以作為群體融入到人類社會，那么就需要有社會學關于群體行為的研究成果做參考和支撐，但是，目前還缺少可資量化的社會學行為分析方法。

總體來看，盡管其他學科對智能也有不少的研究，但并不是盡善盡美。我們需要取長補短，并結合人工智能學科的研究，才有可能對智能研究進行進一步完善，避免人工智能進入下一個寒冬。

【本文作者為復旦大學計算機科學技術學院教授、博導】

責編：李 懿 / 楊 陽