学：学生，教：教师，李：李晓榕
李：三代人工智能都各有所本、各有所倚，也就各有所偏：第一代有赖于对机理规则的认识，第二代基于相关的专家知识库，以深度学习为代表的第三代依赖于相关实例的大数据库。前两代现在被称为“老牌AI”（Good Old-Fashioned AI），它们分别由原理和知识驱动，学界已相当了解其实用的难度和局限，兹不赘述。数据驱动的第三代难以克服根植于所用数据库的任何缺陷和局限。数据不够、不好、不全、有误或与当前任务失配，学习效果自然也就不会好。例如，用于训练或评价的数据缺乏针对性（对当前情况的独特性体现不够），过于陈旧（不再符合当前情况），体量不够大或种类不够丰富，有统计偏差（某些类数据太多或太少），过于宽泛笼统，不够全面完备，代表性不足，有死角、误导性或定性错误，等等。它还难以应对发生概率微乎其微的灾难性黑天鹅事件1：若学习中从未遇到这类事件，则不知如何应对（特斯拉自动驾驶车辆的几次致命事故都根植于此）；而本不该发生的这类事件一旦发生，领教过其灾难性后果后，往往又会考虑过甚，反应过度（一朝经蛇咬，十年怕井绳）。这些都是数据驱动方法的固有软肋。可见，即便只专做一事，深度学习网络对数据库的要求也还是可能太高而不现实，更别说想要有通能。退一步说，纵然它原则上适用于通能，因任务五花八门，培训所需的合格数据库也会奇大无比，不现实。李：以自动驾驶的深度学习网络为例。其输入主要是环境感知以及自身定位和运动状态的信息，但因成本所限，车上所装传感器有限，未必能足够可靠及时地采集到全方位足够的有用信息。这就是一种“数据死角”。特斯拉自动驾驶车辆的有些事故就根植于此。另一方面，老牌AI专注于模仿人类智能的上层宏观抽象功能。与此迥异，深度学习网络受到人脑在信息处理下层微观具体结构方面的启示，其网络结构和参数是靠事例数据来训练确定的，其计算输出的自然形式是连续型的，而不是离散型或逻辑型的。这与涉及不确定性的问题的认知和决策等任务比较匹配，但它本身难以产生确定无疑的必然结果，与逻辑演算、推理演绎等要求绝对纯净、完全精确的抽象工作不很匹配，也难以胜任发现严格规律（比如机器证明）、构建逻辑规则、创立精确概念、更新人类知识、生发深层理解、提供新颖见解等逻辑层面或其他高层工作。这些都是深度学习这类统计数据训练方法的短板，但可以靠与其他方法结合来弥补。简言之，“面向机理或知识”的老牌AI更适用于基于书本智慧（book smart）追求精确“整洁”的抽象问题之解和硬规则硬约束，它难以对付矛盾的情况，其进步更依赖于通用机理等内部本质。而“面向任务”的深度学习网络更适用于基于市井智慧（street smart）、具有不确定性、本质“邋遢”或近似的具体问题和软规则软约束，它更着眼于、偏重于实用效果等外部表现，自然也就应用硕果累累，而理论成就寥寥。学：为什么说深度学习网络与逻辑演算推理等要求完全精确的抽象工作不很匹配？李：一个连线权重待定的人工神经网络（ANN）就是一个参数待定的函数，数据培训就是从中选取最合适者来拟合数据，其结果是一个权重确定的ANN，即一个参数确定的函数。ANN的万能近似定理说，前馈单隐层或深层ANN所构成的集合在连续函数集合中是稠密的，即：对于任一连续函数，都存在这种ANN能以任意精度近似它。这是ANN方法在功力上的主要理论支持。但是，逻辑演算、推理演绎等完全精确的抽象工作对应的函数并不连续，因而ANN对它的近似精度似乎缺乏完全的理论保障。特别地，深度学习是通过事例培训完成的，因其基于数据的概率统计本质，必受误差、噪声等各种不确定因素的影响，难以与精确工作匹配。形象地说，这种方法所得的拟合曲面不会像精确工作所对应的曲面那样“简洁干净”。现代的黄金标准是科学化、数学化、抽象化。随着现代化和现代科技，包括人工智能技术的日益强大和深入人类活动，人的思维、行为和社会也随之日益机器化、程式化、规则化、精确化和标准化。因此，信息简化、算法思维、逻辑验算等体现科技特色的方面日渐普及，“只可意会，无法言传”的常识和直觉的地位江河日下，人文修养、伦理道德、精神生活的领域日渐缩小。这是现代人异化、机器化的一大趋势，逐渐造成了上述这两方面本该平衡的日趋严重失衡。老牌AI的发展无疑强化着这个趋势，而近年来勃兴的以深度学习为代表的基于统计数据培训的技术在精神实质上倒并非如此。
老牌AI大都对应着表达明确简洁的外显知识，而由于缺乏归纳和抽象等能力，ANN靠监督学习或（强化学习等）非监督学习，所得知识更像无法简洁明确表达的默会知识或内隐知识（比如弹钢琴的本事）。西方知识观历来重外显、轻内隐。深度学习的大获成功，让这种“非简洁外显知识”扬眉吐气。不过，深度学习网络往往“能做而不会表达，也不善于规划”，而一般认为善于规划是高智能的起码要求。老牌AI难以对付软问题。对于硬问题，ANN难以无指导地自主得到精确解，但随着规模的增大可能逼近精确解。对此，一个辩护是：所谓硬问题的精确解原本就是假想情况下假想问题的理想解，而非实际情形下实际问题的实际解。在深度学习网络中，分布式表示的概念都是模糊的“概念云”，而非边界清晰的“概念子”，这与大多数实际情况比较相近。 前面说过，西方文化传统更依赖于“粒子、元素、单位、定位、精确”等观念，中国文化传统更依赖于“场、波、气、云、关系、网络、模糊”等观念。由此看来，相对而言，老牌AI更具西方特色，深度学习网络更具东方特色。ANN的分布式表示更偏向于中国式、关系式的表示，其中概念和概括的产生、相关、变化、分化等都更灵活，不像定位表示那么死板难解。这也与上述趋势相符。再者，人工智能研究迄今三代全都专注于智能的生理或行为基础方面，而忽视智能的社会属性。而正是人的社会属性需求产生了语言、自我表达和自我意识，人类智能所依赖的语言、文字、知识、经验乃至意识等都是在社会生活中产生和发展的，都带有文化的烙印。社会性是人区别于其他动物的一大鲜明标志，对人类智能的构成有重大意义。狼孩的例子足以说明社会性的重要。还有，包括深度学习在内，人工智能研究大都不够重视智能的动态性、时变性，即时间维度，它们更适用于静态问题。 再一方面，深度学习因其数据驱动的本质，相应的研发缺乏理论指导，像靠试错法配方来炼“智能仙丹”。这类通用的东西，往往有个强大普适的框架，但面对特定问题缺乏理论指导，没有比较系统的应对方法，致使研发者成为“炼丹师”。学：听了李老师这么说，还是不知道人工智能到底是不是个大有作为的专业。李：如果你感兴趣的是“既能又智”的真正智能，那要小心不被忽悠上当。如果你感兴趣的是“专能”，那人工智能（像不少其他专业一样）是不错的专业。纵然如此，也要做好充分的思想准备。近期内，人工智能的研究以应用大数据深度学习来解决具体问题为主。绝大多数这类研究（尤其是科研新手的工作）缺乏创意而枯燥乏味，包括标定大量数据，靠“试错法”配方来调参的“炼丹”，测试各种方案的结果好坏，等等。这样的工作会极大消耗你的热情和冲动。真正针对基本方法的研究，在其中想必是凤毛麟角。总之，我认为，以往的人工智能只是“有小技而欠能不智”，当前以大数据深度学习为代表的人工智能大概是“有专能而欠智”，我相信它无法达到、更遑论在近期内达到“既能又智”，我甚至难以相信非生物的无机机器能达到“既能又智”。要在未来达到“既能又智”、最终超越人类智能，得靠经人类改造后的生命与机器的有机结合，而这种研究应有前提：先期或同步提升道德修为，既智慧卓绝又道德高尚。______________________________
1. 李世石在与阿尔法狗人机大战第四局的白78手，就是一起黑天鹅事件。阿尔法狗未考虑这一被判定为万分之一概率的“神来之笔”，从而满盘皆输。它也无法考虑概率如此小的事件，否则来不及计算。一般而言，复杂系统的反应无法预测，且有远离绝大多数情形的灾难性黑天鹅事件。如果训练数据中没有相近的事例，深度学习的产品可能会大冒傻气，为了完成任务而犯傻闯祸，做未被明确禁止的傻事祸事。比如：为了最大化主人新书的销售而雇杀手暗杀主人以引起轰动效应（参见Dan Brown, Origin）；为了看清煤气室中的东西而点燃蜡烛；要让车内的朋友下车而又不慎把车钥匙锁在车内时，求助于开锁服务。
未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）大脑研究计划，构建互联网（城市）大脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。
如果您对实验室的研究感兴趣，欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
