楊衛(wèi)麗

（軍事科學院國防科技創(chuàng)新研究院，北京 100142）

1 引 言

2019年2月11日，美國總統(tǒng)特朗普簽署行政命令，啟動美國人工智能計劃［1-2］，旨在加強美國人工智能技術(shù)發(fā)展，強調(diào)“維持美國人工智能領(lǐng)導力”。這一動向預示著人工智能作為顛覆性前沿技術(shù)，已成為未來科技領(lǐng)域角逐的新戰(zhàn)場。

2 人工智能內(nèi)涵與特征

2.1 人工智能基本內(nèi)涵

人工智能概念最早出現(xiàn)在1950年英國數(shù)學家阿蘭·圖靈的著名論文《計算機器和智能》中，圖靈提出了人工智能的基礎(chǔ)問題：機器能夠思考嗎？

1956年，在達特茅斯學院的會議［3］上，以約翰·麥卡錫和明斯基為代表的一批科學家共同探討用機器模擬人類智能問題，首次提出了“人工智能”這一術(shù)語，也因此被認為是人工智能誕生的標志。麥卡錫給出了他對人工智能的定義：制造智能機器、特別是智能計算機程序的科學與方法。

圖1 達特茅斯學院會議會址Fig.1 Meeting site of Dartmouth College

在此后的60余年發(fā)展進程中，人工智能作為一門前沿交叉學科，一直沒有統(tǒng)一的定義?！洞笥倏迫珪穼θ斯ぶ悄艿慕忉專簲?shù)字計算機或者數(shù)字計算機控制的機器人在執(zhí)行智能生物體才有的一些任務(wù)上的能力；《維基百科》對人工智能的解釋：人工智能就是機器展現(xiàn)出的智能，即只要是某種機器，具有某種或某些智能的特征或表現(xiàn)，都應該算作人工智能；美國人工智能學會對人工智能的解釋：科學地認識人類思想和智能行為，并利用計算機對其進行模仿和體現(xiàn)的學科等。

盡管各種表述不盡一致，但核心思想趨同。即：人工智能的發(fā)展不是把人變?yōu)闄C器，也不是把機器變成人，而是“研究、開發(fā)用于模擬、延伸和擴展人類智慧能力的理論、方法、技術(shù)及應用系統(tǒng)，從而解決復雜問題的技術(shù)科學”。人工智能研究的目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作，如會看、會聽、會說、會思考、會學習、會行動。

2.2 人工智能主要特征

與其他技術(shù)相比，人工智能技術(shù)具有獨到的技術(shù)特征。一是自主性，這是人工智能的核心屬性，意味著隨著環(huán)境、數(shù)據(jù)或任務(wù)的變化，機器可以自適應調(diào)節(jié)參數(shù)或更新優(yōu)化模型，甚至不排除演化“自我意識”的可能。二是進化性，人工智能技術(shù)具備學習知識、運用知識的能力，能在訓練中快速進化升級，通過不斷學習、獲取各類知識，產(chǎn)生各種洞見，升級、改進原有狀態(tài)，達到“終身學習”的完美狀態(tài)。三是可解釋性，人工智能技術(shù)有一個模糊的特質(zhì)，即無法給出行為決策推理過程，雖然基于過去積累的大量數(shù)據(jù)，可自動分析總結(jié)，預測未來會發(fā)生的事情，但卻往往會產(chǎn)生不可預知的結(jié)果，這種“黑盒”特性使可預測性問題復雜化，難以獲得人類的信任。四是速度與耐力，人工智能技術(shù)克服了人的生理機能限制，可連續(xù)、長時間執(zhí)行重復性、機械性、高危性任務(wù)，在超算能力的支撐下，人工智能的反應速度是人類的上千倍，工作效率遠超人類。

圖2 人工智能主要特征Fig.2 Main characteristics of Artificial Intelligence

3 人工智能發(fā)展現(xiàn)狀

從人工智能概念誕生至今，已有60余年，先后經(jīng)歷了推理期、知識期和機器學習期。在“兩起兩落”之后，特別是進入2010年以后，依靠大數(shù)據(jù)、GPU并行計算、深度學習技術(shù)的發(fā)展，人工智能迎來了第三次復興，相關(guān)技術(shù)領(lǐng)域的研究也取得了實質(zhì)進展。

（1）機器博弈。2016年3月，谷歌 AlphaGo機器人在圍棋比賽中以4：1的成績擊敗了世界冠軍李世石［5］，下棋招法超出人類對圍棋博弈規(guī)律的理解，擴展了圍棋多年以來積累的知識體系。2017年初，AlphaGo的升級版Master橫掃全球60位頂尖高手。2018年，谷歌旗下Deepmind團隊發(fā)布AlphaGo Zero，該程序能夠在無任何人類輸入的條件下，三天自我博弈490萬盤棋局學會圍棋，并以100：0的成績擊敗AlphaGo。由于圍棋被認為是非常復雜的棋類游戲，因此 Alpha Zero 被視為人工智能突破性的進展。

圖3 AlphaGo與李世石的博弈Fig.3 Game between AlphaGo and Lee Sedol

（2）模式識別。作為人工智能最具應用價值的技術(shù)之一，識別技術(shù)已發(fā)展成熟，甚至超出人類水平。在人臉識別方面，運用深度學習進行人證比對（驗證證件持有人與證件照片是否一致），在萬分之一的誤識率下，正確率已經(jīng)超過98%；在圖像識別方面，ImageNet大規(guī)模視覺識別挑戰(zhàn)（ILSVRC）要求準確地描述每張圖片上是什么，結(jié)果顯示，人類的誤差率為5%，而運用深度神經(jīng)網(wǎng)絡(luò)的統(tǒng)計學習模型的誤差率從2012年的16%降低到2015年的3.5%［6］。2019年，葡萄牙研究人員采用卷積神經(jīng)網(wǎng)絡(luò)模仿人類和其他哺乳動物大腦理解周圍世界，證明了該網(wǎng)絡(luò)可以自學并識別個體運動。其中，識別斑馬魚和蒼蠅的準確率都在99%以上。在語音識別方面，2017年，谷歌大腦和Speech團隊聯(lián)合發(fā)布最新端到端自動語音識別系統(tǒng)，將詞錯率降至5.6%，接近人類水平。2017年，蘋果公司推出的智能私人助理Siri和微軟公司推出的個人智能助理微軟小娜已經(jīng)能夠與人聊天。

圖4 ImageNet 數(shù)據(jù)庫Fig.4 ImageNet database

（3）機器翻譯。深度學習將機器翻譯提升到新的水平。2016年6月，谷歌公司的谷歌神經(jīng)網(wǎng)絡(luò)機器翻譯（GNMT）系統(tǒng)，采用深度學習技術(shù)克服整句翻譯難題，使出錯率下降70%，在部分應用場景下接近專業(yè)人員的翻譯水平。同年11月，谷歌多語種神經(jīng)網(wǎng)絡(luò)機器翻譯系統(tǒng)上線，能在103個語種間互譯。2017年4月，谷歌翻譯改用基于“注意力”機制的翻譯架構(gòu)，使機器翻譯水平再創(chuàng)新高。同年5月，F(xiàn)acebook公司依托先進圖形處理器硬件系統(tǒng)，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)，開發(fā)出新的語言翻譯系統(tǒng)，處理速度是谷歌翻譯的9倍。

圖5 谷歌機器翻譯系統(tǒng)Fig.5 Google machine translation system

（4）認知推理。2011年，IBM研制的深度問答系統(tǒng)（DeepQA）沃森超級計算機在美國知識搶答競賽節(jié)目《危險邊緣》［7］中，以3倍分數(shù)優(yōu)勢戰(zhàn)勝了人類頂尖知識問答高手，刷新機器認知極限。2015年，美國馬里蘭大學研究人員開發(fā)出一種新系統(tǒng)，使機器人在“觀看”YouTube網(wǎng)站上“如何烹飪”系列視頻后，無需人工干預，即可解析視頻信息，理解、掌握示范要領(lǐng)，并利用新獲取的信息識別、抓取和正確運用廚具進行烹飪，進一步提高機器對場景及事件的認知水平。

圖6 沃森超級計算機Fig.6 Watson supercomputer

（5）社會計算。機器能夠更高效、快速處理海量的數(shù)據(jù)。從1997年深藍基于規(guī)則的暴力搜索戰(zhàn)勝國際象棋冠軍，到2016年得益于大數(shù)據(jù)提供了海量學習素材的AlphaGo攻克圍棋，人工智能的計算能力提高了3萬倍，遠超人類計算能力。

從現(xiàn)階段人工智能的發(fā)展看，計算智能已超越人類水平；面向特定領(lǐng)域的感知智能進步顯著，形成了人工智能領(lǐng)域的單點突破，甚至在局部智能水平的單項測試可以超過人類智能，應用條件基本成熟，但不具備通用性；智能認知發(fā)展尚處于初級階段?？傊?，當前人工智能技術(shù)還處于依托數(shù)據(jù)驅(qū)動的感知智能發(fā)展階段，總體技術(shù)水平與人類智能水平還有很大差距［8-9］。

4 人工智能發(fā)展趨勢

人工智能經(jīng)過60多年的發(fā)展已取得重大進展，但總體上還處于初級階段。未來，在新一代信息技術(shù)發(fā)展驅(qū)動下，人工智能將進入新一輪創(chuàng)新發(fā)展期，呈現(xiàn)以下發(fā)展走勢。

（1）感知智能向認知智能方向邁進

現(xiàn)階段的人工智能依托大數(shù)據(jù)驅(qū)動、以芯片和深度學習算法框架為基礎(chǔ)，雖在感知智能方面已取得突破，但存在深度學習算法嚴重依賴海量數(shù)據(jù)，泛化能力弱且過程不可解釋等問題［10-11］；同時，隨著摩爾定律的失效，支持人工智能發(fā)展的硬件性能呈指數(shù)增長將不可持續(xù)。因此，依托深度學習的人工智能發(fā)展將會遭遇瓶頸，以遷移學習、類腦學習等為代表的認知智能研究越發(fā)重要，追求人工智能通用性、提升人工智能泛化能力成為未來人工智能發(fā)展目標。

（2）機器智能向群體智能方向轉(zhuǎn)變

隨著新一代信息技術(shù)的快速應用及普及，深度學習、強化學習等算法的不斷優(yōu)化，人工智能研究焦點已從單純用計算機模擬人類智能、打造具有感知智能/認知智能的單一智能體，向打造多智能體協(xié)同的群體智能轉(zhuǎn)變，這將是未來的主流智能形態(tài)。在去中心化條件下，通過“群愚生智”涌現(xiàn)更高水平的群體智能；計算機與人協(xié)同，通過融合人類智能在感知、推理、歸納和學習等方面的優(yōu)勢，與機器在搜索、計算、存儲、優(yōu)化等方面的優(yōu)勢，催生人機融合智能，實現(xiàn)更智能地陪伴人類完成復雜多變?nèi)蝿?wù)［12-13］。

（3）基礎(chǔ)支撐向優(yōu)化升級方向發(fā)展

人工智能的發(fā)展取決于三要素，即數(shù)據(jù)、算法、算力。面向未來，萬物智聯(lián)。數(shù)據(jù)獲取將超高速率、超多渠道、超多模態(tài)、超大容量和超低延時，數(shù)據(jù)形態(tài)從靜態(tài)、碎片化轉(zhuǎn)向動態(tài)、海量化、體系化；數(shù)據(jù)處理從大規(guī)模并行計算向量子計算、從云端部署向邊緣計算擴展，機器運算處理能力高效去中心化［14］；算法模型將是深度學習算法優(yōu)化和新算法的探索并行發(fā)展。提升可靠性、可解釋性以及無監(jiān)督學習、交互式學習、自主學習成為未來發(fā)展的熱點方向。

5 人工智能的實現(xiàn)路徑

在推動人工智能發(fā)展的道路上，國外當前主要在探索兩條途徑［15］。一條途徑是圍繞人類如何處理感官、感知與認知數(shù)據(jù)展開研究，通過模擬人類的認知機制，形成以模型學習驅(qū)動的機器智能；另一條途徑是強調(diào)對人腦模型的研究，以工程技術(shù)手段模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，通過大量的非線性并行處理器來模擬人腦中眾多的神經(jīng)細胞（神經(jīng)元），用處理器的復雜連接關(guān)系來模擬人腦中眾多神經(jīng)元之間的突觸行為，形成認知仿生驅(qū)動的類腦智能?，F(xiàn)階段，人工智能發(fā)展的主流技術(shù)路線仍是機器智能，類腦智能整體還處于實驗室研究階段。

6 結(jié)束語

得益于深度學習取得的顯著成果，人工智能近年來得到了快速發(fā)展，并逐漸在各領(lǐng)域開始應用，但距離“很好用”還有諸多瓶頸，如需要海量數(shù)據(jù)和高質(zhì)量的標注；自主學習、自適應能力弱；計算機CPU、GPU消耗量大；可靠性、泛化性、可解釋性不足；以及未來發(fā)展還有很大不確定性等。然而，人工智能朝著人類智能水平逼近發(fā)展的大方向不會改變，并會逐步帶領(lǐng)人類進入人機協(xié)同的新時代。