中國人工智慧學會理事長、國務院參事、中國工程院院士戴瓊海
【導讀】作為人工智慧的先行者，微軟小冰已升級到第八代，倡導並推廣新型人人互動模式。互動是人類社會發展的重要驅動力，隨著對現有互動瓶頸的不斷突破，新形式的人工智慧互動將無處不在，並對人類社會及商業行為產生深遠影響。未來已來，人工智慧應該怎麼往前走？演算法和算力該怎麼解決？人和AI 將怎樣共處？日前，中國人工智慧學會理事長、國務院參事、中國工程院院士戴瓊海分享了“人工智慧的幾點思考”。
新算力：不僅向物理要，還要向腦科學、光電計算、存算一體等要
跨學科交叉是人工智慧時代的典型標誌，比如潘雲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。人工智慧技術海納百川，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慧時代的幾個問題：第一個是算力；第二個是演算法；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 個計算單元就能做資料分類。但人工智慧發展過程中一直受到算力的困擾，直到GordonMoore 提出了積體電路晶片上所整合的電晶體數量每18 個月翻一番，為後來的幾十年晶片技術的發展指明瞭方向。1999 年，NVIDIA 釋出了GPU 進行並行的資料處理，使得人工智慧向更加廣闊的領域發展。2012 年，Alex 使用AlexNet 進行GPU加速，開啟了深度網路應用的先河。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，說明平行計算、專用晶片對人工智慧具有重要的推動作用。
Rosenblatt於1958年釋出感知器演算法，即使用單個神經元、單層網路進行監督學習（目標結果已知），並且輸入資料線性可分
我們再看看現有技術的發展。流媒體影片佔全球網際網路下行流量的58%，2019 年8 月國內網際網路的終端數已經突破了20 億，這些資料都需要巨大的算力支撐。
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後來的幾十年，晶片算力基本符合摩爾定律。但隨著時間的推移，晶片上電晶體的密度增長已經不再遵循摩爾定律，於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路專用晶片來提升算力。但這些晶片都是專用的，無法滿足通用人工智慧的發展需要。
我以前常說，理學思維，工科實踐。物理要求什麼？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於現在的計算機。隨著有效量子位元的數量不斷增加，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位元的相干性，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，在未來的一段時間裡要想完全用量子計算提升算力，是完全實現不了的。於是，人們提出了存算一體的架構，提升它的算力。所以，人工智慧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，希望透過模擬腦科學裡的機理提升算力；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。
向光電計算要算力，目前國際上已作出三個貢獻，能使計算中心小型化
如何從光電計算要算力？普林斯頓大學的教授做過一個理論分析，進行神經網路計算的構架，從理論上推算，它能提升三個數量級的算力，同時功耗也能降低6 個數量級。功耗現在也是提升算力要考慮的一個重要問題。光電計算能夠給這方面帶來巨大的福利，使得算力提升三個數量級，功耗還能下降6 個數量級。目前這方面的研究工作已經起步。
光電計算並不是一個新東西，它和人工智慧一樣，也是20 世紀50 年代誕生的。只是計算的計算機半導體、矽基的晶片就已經滿足需求，所以研究者就漸漸減少了在這方面的研究。尤其是在1990 年貝爾實驗室用砷化鉀做了一個光學開關來控制計算機的原型，由於當時對算力的需求較小，所以晶片就可以解決。而現在隨著人工智慧對晶片的極致要求，從2017—2019 年，很多機構都對光電計算的研究作出了重要貢獻，比如三維受控的衍射的傳播時間，以及全並行的光速計算。透過研究能夠很快識別一個文字，因為光是不需要電的，所以這種光計算不需要耗電就可以做到以可控高維的光場傳播，從而實現高速高效並行的計算。因此構建光電計算的架構，成為現在解決算力的一個重要研究方向。
1990年1月29日，美國貝爾實驗室宣佈研製出世界第一臺光計算機
光學作為新的計算途徑，它帶來的最重要的變革，一是正規化變革；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。目前國際上作出的貢獻有三個，麻省理工做的干涉神經網路架構非常不錯；明斯特大學和劍橋是留相片材料，做脈衝的架構；清華大學是用衍射神經網路做架構。三種不同的方案都各有優勢，也各有不足。光電計算的算力能提供3 個數量級，使無人系統更快、更小、更智慧。希望大家關注這個方向。
光電智慧晶片最重要的特點是什麼？是它們對龐大的計算中心小型化。我們現在的計算中心都要消耗很大的電能，如果使用光電計算就能節省許多電能。第二，納秒級目標感知與識別。納秒級的感知目標與識別非常快，現在使用相機拍攝，要轉成電，然後再計算。試想如若它是直接光進到相機就計算了，那麼速度就變得非常快。因此光電智慧晶片對新基建裡的工業網際網路、計算機視覺、大資料分析和光通訊都有重要的支撐作用。這是對算力的一個探討、一個思路。
新演算法：從腦科學到人工智慧的認知科學是一條未來研究道路
第二是演算法。現有人工智慧僅實現了簡單的初級視覺感知功能。在初級視覺感知資訊處理與高階認知智慧過程中，效能遠不如人腦，人腦具有物理學習和資料的抽象能力。有些學者認為深度學習存在極大的危機，BP 演算法有很大侷限性，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。
新一代認知智慧作為現在演算法上國際上最重要的結合點。眾所周知，1969 年BP 演算法的雛形是從控制裡面來的，是從最優控制理論中產生、採集的。直到1989 年卷積神經網路誕生。認知和神經科學家首次將BP 演算法引入到多重神經網路，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 演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 年開始研究的卷積神經網路來看，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。於是1980 年日本學者提到簡單複雜的細胞概念，提出了新的認知機理。David Marr 認為，人對視覺資訊的表徵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係。2007年Tomaso Poggio 提出了H-MAX 模型。2012 年Alex 的貢獻開啟了人工智慧的黃金時代，得到了廣泛的應用。透過演算法的歷史分析，就能預測未來。
卷積神經網路常用來分析視覺影象，其創始人是著名的計算機科學家Yann LeCun
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儲存一體的晶片。因此，中國在這方面的研究應該在國際上處於並跑的階段。
關於人工智慧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慧新理論，實際上是作為新一代人工智慧發展的一個重要途徑。我們把它們進行類比、對照，說明什麼？很多人工智慧專家都借鑑了腦科學的一些機理來響應人工智慧應該怎麼往前走？這個演算法應該怎麼解決？怎麼具體解決？
認知科學一個是多模態的迴路觀測，要觀測腦科學裡的東西。我們認為，從腦科學透過認知科學的研究到達人工智慧，這就是走另外一條途徑，叫做從腦科學到人工智慧，這即是我們所說的未來希望的一條道路，也是研究人工智慧新演算法的一條道路。我們希望認知科學就是這道橋樑。
極限互動：在危險的場景裡，形成未來人-AI- 物融合社會的發展
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。因此，人工智慧與人類和諧發展，需要考慮人工智慧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、服務於人的目標。目前孫富春老師和吳飛老師在負責“未來的人工智慧安全教育和它與人類的合作的調研”的課題，調研完成後準備和美國人工智慧學會、歐洲人工智慧學會討論人類命運共同體的話題。
以人為本、服務於人類要探索也迴避不了四個問題，分別是倫理、隱私、協同和安全。人和AI 要有互動，人和自然界也要互動。極限互動是什麼意思？在危險的場景，我們希望透過AI 和AI 互動，AI 和場景互動，人類和AI 互動，即我們看不見的、看不清的、聽不見的、觸控不到的，我們稱之極限互動。AI 互動實現顛覆性使用者體驗，提高人類認知和改造世界的能力。這就是說極限互動的特點。
我們和AI 怎麼互動？比如透過虛擬現實這樣的一個介面來進行互動。虛擬/ 增強現實、自然互動技術，這就是未來資訊獲取與互動的一種方式，它能拓展人類的能力，改變產品形態和服務模式，也能推動認知、智慧與文化藝術的變革，促進未來人-AI- 物融合社會的發展。這即是我們所說的一個特徵。
虛擬現實藝術是以虛擬現實（VR）、增強現實（AR）等人工智慧技術作為媒介手段加以運用的藝術形式
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。這時就相當於一種極限環境。我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 互動。這樣就可以實現全息智慧教學。比如智慧精準的推薦、線上泛在接入、真人的全息授課、沉浸互動課件。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。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 互動的一種重要的工具，也是人和AI 之間互動的一個重要的途徑。
帶有預測性的願景：從2016年到2066年，智慧驅動未來，AI逐漸達到人類水平
腦機介面、人機融合、人機“共生永存”，包括意識儲存的概念，能不能永遠存在機器人身上或者儲存到一個地方。這都是未來發生的事，但未來已來，現在腦機介面發展非常快，我們經常說的腦疾病，比如阿爾茨海默症、癲癇病。如果找到了這樣的病理特徵時，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。
智慧驅動未來，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”。智慧光電晶片、知識驅動、資料驅動、認知驅動，這是智慧驅動的一個大的未來。從這裡可以看出，人工智慧逐漸達到人類水平。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。當然這是我們的願景，這個願景是帶有預測性質的，也帶有一定的基礎討論。
編輯：袁琭璐
責任編輯：李念
綜合自中國人工智慧學會、快科技