观点记@北大教授黄铁军:强人工智能离我们有多远?答案是……-金鸡湖创业长廊-八卦帝

观点记@北大教授黄铁军:强人工智能离我们有多远?答案是……

金鸡湖创业长廊内地男星 2017-09-19 16:16:11 615

创作不易，用心坚持，欢迎请BaGua喝几杯爱心咖啡！

打赏并支持本文打赏并删除本文

观点记

强人工智能是可以做出来的，而且可以在有生之年做出来，30年之内是可以做出来的。

黄铁军：北京大学信息科学技术学院教授，计算机科学技术系主任，国家杰出青年科学基金获得者，教育部长江学者特聘教授，人工智能产业技术创新战略联盟秘书长。

在9月15日的人工智能与类脑计算论坛上，黄铁军作“通往强人工智能的神经形态计算”主题演讲。

他介绍了神经形态计算国内外重要进展，并以报告人课题组正在进行的灵长类初级视觉系统解析仿真为例，介绍仿脑在视觉信息编码和分析识别方面的潜在价值。

（以下是演讲正文）

现在没有任何人工智能是强人工智能。

什么叫强人工智能呢？这个词本身并不新，这是70年代明确的，当时很多讨论的一个词，强人工智能简单地说就是达到人类水平。一个人工智能达到人类水平一定就会超越人类水平，能够像人类一样对复杂的环境适应，遇到问题会解决问题。

今天的人工智能你告诉它做什么它会做什么，但是它遇到新问题不会想办法，但是人会想办法，它要有这种能力，还要有自我意识。就像科幻电影里面看到的，它是有自己的想法，这叫强人工智能。

强人工智能以前大家觉得不可能，但是越来越多的迹象或者用词都在往这个方向上发展，刚才我们说了新一代人工智能发展规划，这里有很多词，尽管他没有说这么强，类脑智能、自主智能、混合智能、群体智能，其实都是在从某个角度描述这样一种未来。

我们下面介绍，怎么去实现这样的一种强人工智能。

现在有很多人否定这件事，说不可能，你说那个东西都是天方夜谭，但是我想提醒的就是，当一个人不管他是多高的专家跟你说不可能的时候，你要问他为什么不可能。实际上很多专家说不可能是因为他不知道怎么做，所以他说不可能，但是天下的事不能因为某些人不知道怎么做就不可能。

我想有一个基本的信念，这个信念就是图灵在1950年写“计算机能思考吗”那篇著名的人工智能发源的论文里面讲到的，这篇文章的结语叫“吾等目力短亦浅，能见百事待践行”。什么意思呢？其实很多事你去争论说行和不行这件事，其实都是没什么用的，就是哲学的辩论的没有什么用的，你能干什么？你能做什么？如果一步步做，你能实现什么？我们要回到这个问题。

我今天要说的是如果我们一步步做，我们就能做出这么个东西来，我想说的就是基本理念图灵说的是一样的，当然后来还有更多的书和论文也在谈这个事——超级智能。

真正超越人类智能的出现，可以有多种途径，我说的只是其中的一种途径，它有N种途径的存在，但是现在的问题不在于说一种还是多少种，而且只要有一种，这件事就会实现。

我刚才讲的30年，30年很近，如果30年的时候有这么一种智能体出现的话，我们怎么办？那不仅仅是改变世界了，那个改变是改变人类历史的一个点。

回过来刚才图灵说的那句话，图灵在谈他的想法，谈他的计算机和智能，他当时就讲计算机和智能。图灵测试我们大家都知道，判断一个系统有没有智能用图灵测试，但是不仅如此，图灵还说得很清楚，怎么做一个能超越人的智能机器的思路。

他说要做一个真正的智能的机器，必须有学习能力，怎么做？分两步，第一步先造一个模拟童年大脑的机器，然后再对它进行教育训练，训练它最简单两的件事：第一，学英语，第二下棋。

这样的机器什么时候能达到目标，超越人？2000年，超过了没有？下棋肯定是超过了。它现在没有自主意识？没有。

搞计算人的人都知道冯·诺伊曼，也知道冯·诺伊曼是个数学家，但是大家不知道冯·诺伊曼写了一本书是《计算机与人脑》。他提出了计算机体系结构之后10多年时间就想这件事，归根到底就是就是这么一个计算机和人脑的差别的问题，怎么去做这个真正像人脑一样的一种真正的智能机器，而不是计算机。

计算机是一个高速的逻辑和计算的装置，不是一个电脑，它仅仅是算得快。这个问题冯·诺伊曼也是想过了的，1956年人工智能这个词出现，冯·诺伊曼是1956年就得了癌症。1956的暑假这些年轻人开始谈人工智能，那个时候冯·诺伊曼没有机会跟他们争论这件事，但是在他的脑子里一定是在想怎么去实现这样一个类似的目的。

在1956年人工智能的第一次会上，他们都是图灵奖获得者，为了自己做一些有创造性有意义的事，发起了这个会：“学习以及智能其他所有的特征的方方面面都可以精确描述，从而能够通过机器仿真”。这是个基本的理念，今天我想大家做人工智能的仍然这么想。

你想要做一个人工智能先得描述清楚，先把形式化，形式化后变成算法，变成软件，编程程序，在计算机上运行，不管是GPO还是别的什么，我们都是在这么想，都是这么做。

60多年人工智能发展，总的来说有这么三大流派。

第一，符号主义。

符号主义就是刚刚说的一种形式化的方法，总要把它描述成符号的一个系统、体系去做，所以现在很多系统就是这么做，经典的人工智能也都是这么做的，包括下棋，这是很典型的一个可形式化的方面。

第二，连接主义（神经网络）。

我虽然说不清楚智能是怎么回事，但是我知道智能是神经网络产生的，人的智能就是我们的大脑的神经网络产生的，所以它的做法构造神经网络，迅速神经网络，试图让神经网络产生功能，这一派比如说在今天的深度学习就是这样的，人工神经网络就要做一个网络，用数据训练它，看它能不能做数据分类，如果能行，那就很好，如果不行，那就修理网络，调整模型，让它试图满足这个功能。

第三，行为主义。

行为主义最形象的就是大家网上看到的机器大狗，这样的一个装置要跟复杂的环境甚至于跟其他的对象进行互动，固定交互，让智能从无到有，从低到高的变化过程叫行为主义，这话说得有点拗口。其实我们人是不是这样？我们生下来从会爬、会走，然后会一些技巧，会打球，会做很多舞蹈，各种复杂的，其实就是训练出来的，它是一个身体在一个环境下面训练出来的，我们很多能力都是通过这样去打造的。

我们粗粗地分大概可以分成这三大流派，这三大流派的思想各有各的道理，所以它在未来当中也都会继续发挥作用。

我想说的是，不要局限在包括今天某一个热门的方法上去，1956年，今天算61年之前，他们的青年老师们想的问题，对于今天来说，都是我们很多人做人工智能想都不想的问题，这是一个很不应该的事情。

他们在两个月里面讨论了7个问题。一个计算机硬件结构这些东西、第二个编程语言、第四个计算规模理论，后来叫计算复杂性理论，这是计算机科技理论很重要的内容。

这个问题今天来讲不新鲜了，搞计算机的人都知道了，但是另外四个问题，今天也没有解决，或者是刚刚开始去有点解决的苗头。比如神经网络，当时那时候的英文用的是neuron nets。神经网络研究什么？研究一群神经元如何形成概念。如果从一个物理系统冒不出新东西来，那你人工智能不是真正的强人工智能。

还有系统能不能自我解决？有没有抽象的能力？我们人工智能是有抽象能力的，能不能有随机性、创造性？现在的系统是没有这些能力的。为什么大家都认同1956年是人工智能的起点？是因为谈到当时真的想到这些问题，虽然这些问题到现在还没有解决。所以这么多年来，人工智能有很多发展，有高潮还有低潮。基本上就是刚才说的这样的一些理念在背后起作用。

这里面最近人工神经网络，人工神经网络这里面说一下，为什么要说一下呢？实际上有一个假定，总认为人工智能要在计算机上做，其实是不对的，计算机不是做人工智能的好平台，神经网络才是。但是神经网络为什么没有像计算机这么成功？那是因为很简单，计算机有晶体管，有了晶体管就有了性能的提升，所以这个产业就发展的很好，所以才有计算机学会这么壮大。

但是这不等于计算机这套思路是对的或者是合理的，或者将来就应该这么一直发展下去，而应该是神经网络。但是神经网络并不比计算机短，但神经网络为什么一直没有发展起来？那如果按刚才的理解，也很简单，因为神经网络一直没有找到一种像晶体管这样的一种物理器件，使得他能构造成规模的大规模的物理实现，没有这样的硬平台支撑，你想在上面做更高级的智能，就没有这样的一个平台，那你也很难把它做起来。

我也做神经网络，但是那时候个热潮，后来大家都不做了，因为大家觉得没做出什么功能来，就开始去别的方向做了，但是有人在坚持。

大家都知道10年之前那篇论文，开启了深度学习这一轮的热潮，后来有一个人也没什么经费，很苦去做神经网络，为什么他能坚持下来？这个是需要一种精神的，你们都觉得不可能，但是我认为这个方法是对的，所以我就坚持做下去。没有这种坚持精神，可能不会有今天这10来年的热潮。

今天我们讲的人工神经网络深度学习，它的基本的理念、基本的方法是什么？对一个神经网络怎么进行训练？要给它设定目标，设定代价函数，划定函数控制整个的训练学习的方向，在这个过程中要有很多的技巧去控制它。

总的来说这样的一个方法，当然我不能说80年代、90年代的时候都想到了，但是很多的时候也确实也都接触过，学过，所以是这样的一套方法在新的时代的一个发展，这是各种网络模型，我们就不展开说了，但是总的来说就是人工神经网络的各种各样的人工网络。

基于这样的一些网络目前做什么呢？其实就是用这样的工具，拿大数据去做训练，我觉得思维导师写得很形象，就是你先选一个网络，你根据你的问题先选一个你认为比较合适的网络，到底哪个合适不知道，但是你自己有经验你选一个。第二个让它训练，它是不是照着你的目的，行为过程是不是这样。

这里面涉及到参数怎么初始化，优化过程中的一些技巧，以及到最后训练了半天，你看看结果怎么样？结果两种可能，一种这个网络选的太强大了，所谓太强大了就是网络规模也大，实际上表达能力很强，使得产生了死记硬背，你给它N个输入，M个输出，对应关系全记住了，但是它没有方法能力，你再给它新的，他还是不会。所以如果出现这种情况，那说明你的网络需要政策化的方法控制它了，如果不够效果不好，那说明你选的网络不对，或者是你的网络规模不够，那再换一个网络。

我说这个过程是什么意思呢？今天的深度学习背后是有人的，这个人无论是教授还是研究生还是一个IT的民工，大家都是人在控制、人在训练，人在掌握这样的一个训练过程，所以叫人工神经网络，所以叫人工智能，这个人工的色彩太重了，到今天为止人是上帝，人是智能系统的一个控制者，这是到今天为止都是这样子的。当然即便是通过这样的一个方法，其实我们也达到了很不错的效果。

刚才讲靠计算机做人工智能，尽管一开始很多人这么想的，但是他从他的方向上讲并不合适，为什么这样讲？

大家看计算机取得成功应用的这些东西，不说早期的，包括现在的云计算、大数据、虚拟现实各种新的应用，背后靠的都是计算能力的指数增长，靠的并不是你有什么新的理念或者全新的什么东西，就是靠的这么一个技术带来这样一个溢出的好处。

因为我们坐上了一个顺风船，这个船开得很快，所以我们好像都很成功，并不是你自己这么成功，因为你坐在了一个快船上面而已。

但是人工智能根本问题的解决，我们不能永远靠坐顺风船，我们一定要造一个新的结构，一定要造一个新的平台。神经计算机从物理上，从实现上就是为神经网络而生的，所以它的效果就会更好。

这个事并不是一个新概念，就像我刚才说的从1943年开始，人类都在这么想，不过一直没有找到合理的物理实现手段。你说你造一个什么样的神经网络，造一个什么样的神经网络能产生强人工智能呢？

现在唯一的一个神经网络产生强人工智能就是我们的大脑，因为在宇宙之前，只有我们的大脑能够做到这一点。所以很简单我们就要造一个跟大脑一样的神经网络，对它进行训练，它就应该可以产生类似的功能。

一说大脑，大家马上就怕了，大脑这么复杂怎么能做得到呢？如果我们把大脑是怎么回事搞清楚了，实际上科学的三大问题就解决了。所以，这也是一个很难的问题，你要问脑科学家，大脑的奥秘怎么能解开？脑科学家会告诉你，没有几百年是解决不了，当然有人说永远解决不了。

如果大家照这种思路去想问题，这事没法做，大脑太复杂了，你想学大脑，你连大脑怎么工作都不知道，你怎么做得出来呢？这个想法是有它的道理，但是也有它的偏颇之处，为什么呢？因为我们认识一个复杂对象，至少有两个角度。

一般我们说脑科学分两个，一个是认知科学，一个是神经科学。认知科学是从功能上来了解的，有点像中医，中医虽然搞不清楚人的细菌，但是一样也可以治病，虽然不能治所有的病，这叫认知科学，从功能上对一个复杂系统进行认识。神经科学有点像西医，我向去分解，先去去找基本的物质基础，然后再去观察它，大概是这样的。今天我们要做神经型的计算或者类脑计算，实际上更多是从神经科学出发。

我们先看是什么样的一个结构，是什么样的一个装置产生了这样的功能。这个在历史上有很多成功的例子，飞机就是一个。之所以能造出飞机，不是因为我们会空气动力学，而是因为人类先造成了飞机，三四十年之后才搞清楚空气动力学。

历史上很多时候技术是领先于科学的，科学也就是从伽利略开始有这么五六百年的历史。基础的历史在人类有了之后，会用棍子去摘果子开始我们就有了，所以很时候是我们先会做，先做出来，然后再理解为什么会做。

先实践，先做出来再去理解它，世界上的事你要想问为什么，有太多的东西回答不出来。指南针为什么指南？宋朝人他能回答得出来吗？但是他得用，后来我们才知道地球是圆的。

所以我们做人工智能也是一样，我们要先做，所以回到刚才图灵说的，我们知道很多事，你争论没有用的，我们先要去做，先去实践、尝试做出来它自然就会有发展。

实际上就是把大脑解析开，大脑的神经网络是怎么回事，然后我们做物理的器件，按照大脑的神经元，神经突触以及神经网络，构造出一个跟大脑相似的，在信息处理意义上相同的网络，不是生物意义上相同的网络，去训练它，让它产生复杂的功能，然后我们去分析为什么这样的一个装置会产生这样的功能，生物的大脑是不是也是这么产生功能的？最后才去搞清楚意识，就是人的大脑是怎么回事。

把最难的问题放在最后，不要把最难的问题放在第一步，如果放在第一步就是哲学家，就是争论，上来就开始给你很多的一套一套的，但是没用，有用是你去实践，去做。