出席第十九届“二十一世纪的计算”大会的专家合影。

AI和机器学习的出现是人类历史的一个拐点。

■本报记者 计红梅

John Hopcroft是美国康奈尔大学计算机系工程学与应用数学教授，也是1986年图灵奖得主。两年前，他还在从事计算机科学理论的研究，而今却投身于人工智能（AI）的洪流。“AI确实吸引了太多人的想象力，现在每个人都在想着怎么做AI，几乎可以说都和AI沾边。”

近日，第十九届“二十一世纪的计算”大型国际学术研讨会举行期间，谈起如今AI的热度，微软全球资深副总裁、美国计算机协会（ACM）院士Peter Lee深有感触。

在Peter Lee看来，AI和机器学习的出现，是人类历史上的一个拐点，就好像曾经的活字印刷术一样，将改变人类的历史。而我们需要做的，则是推动AI的应用和普及，以及不断探索AI的极限。

人工智能革命“还需另外40年”

本届“二十一世纪的计算”学术研讨会的主题是“人工智能，未来之路”。主办方微软亚洲研究院与哈尔滨工业大学之所以聚焦于此，是希望在人工智能浪潮全面爆发的时刻，从计算机科学基础研究的角度探寻人工智能领域的未来走向，帮助人们更好地抓住计算机科学发展的机遇。而前来参加此次盛会的数位学术“大咖”对此俨然也是“心有戚戚焉”。

John Hopcroft所作大会报告的主题就是“AI革命”。作为实现人工智能的一种方法，John Hopcroft认为，信息革命正在改变我们的世界，而机器学习则是其重要的推动力。其中，深度学习是机器学习非常重要的一个方面。然而，截至目前，深度学习仍旧存在一些问题。

他举了一个例子，几乎相同的两张猫的图片，深度学习算法将其中一张识别为猫，而将另一张识别为汽车。这表明，这一算法并不能解释猫之所以被称之为猫的原因，也不理解猫是一种爱吃鱼的动物。因此，他认为，“现在的人工智能只是高维空间的模式识别而已，并不能抽取物体的本质特征，进而理解其功能或其他重要方面。”在John看来，要实现这一点，需要另外40年的时间才能完成这场革命。

Raymond Mooney是美国得克萨斯大学人工智能实验室主任，也是ACM和美国人工智能学会（AAAI）院士。他也认为，虽然近年来深度学习在很多非常具有挑战性的领域取得了长足的进步，如语言识别、图像识别、棋牌游戏等，但这一算法的能力被过度夸大了，它具有明显的局限性，尚不能真正解决AI的核心问题。

他特别指出，现在基于神经网络的深度学习吸引了人们绝大部分的注意力，相对而言，符号学习这一古老而重要的分支并没有得到应有的重视。他希望未来能把深度学习与符号学结合起来，真正实现人工智能。而“未来之路”还很长，也会很激动人心。

基础研究的重要性

滕尚华是美国南加州大学计算机科学与数学系教授、ACM院士，曾两度获得理论计算机领域最高奖——哥德尔奖。他的研究成果对于如何应对大数据时代的挑战有重要启示。

作为一名计算机理论科学家，滕尚华告诉《中国科学报》记者，他之所以研究某个问题，是因为这个问题让他觉得“非常美”，具有想象的空间。在他看来，“理论和实际总是有很大的距离，这个距离有时候是好事情，有时候却是坏事情”。好事情就是它给做理论的人一个小的自我空间，可以让研究者更加富有想象力，坏的一面就是它不一定马上就会产生影响。“所以美和有用不一定相同。”

此前，微软全球资深副总裁、微软亚太研发集团主席兼微软亚洲研究院院长洪小文在其《中国人工智能的发展正迎来最好的时代》一文中写道，“中国要拥有更强劲、更可持续的AI竞争力，除了关注在产业上开花结果的技术，还需要加大对基础研究的投入，甚至是那些尚处于‘冬天’的领域。”

对此，滕尚华也很认同。不过，他很乐观地认为，现在包括清华、北大、哈工大等在内的国内一流高校已经培养出很多接受了世界级训练的有才华的青年，不亚于世界任何其他地方。在开放、自由的交流氛围下，在好奇心的驱使下，这些年轻人未来一定可以“自我优化”，做出有价值的基础研究。

微软公司新近成立了微软研究院人工智能中心（MSR AI）。在接受《中国科学报》记者采访时，Peter Lee表示，其初衷正是为了纠正这样一个危险的倾向，即有些研究员可能更倾向于从事一些短期的、能很快产生实际影响的研究，而微软则希望他们对AI能够有更长期的思考。“这就是为什么我们成立了MSR AI这个新机构的原因，主要是希望能够促进对于AI最根本、最基础的一些理解和研究。”

AI的局限性

10月19日凌晨，谷歌人工智能团队DeepMind在《自然》杂志上发表论文，宣布新版AlphaGo——AlphaGo Zero可以在没有人类指导的情况下学习。这一进展在业内引起了很大反响。

谈及这一话题，Peter Lee告诉《中国科学报》记者，如果能够非常具体地定义某一个任务，例如打游戏，或者完成某项翻译工作，微软研究员所提出的一种新的学习范式——对偶学习，也非常接近于能够让机器在无监督的情况下进行自我学习。对偶学习最关键的一点是，给定一个原始任务模型，其对偶任务的模型可以给其提供反馈。例如，就机器翻译而言，从中文到英文和从英文到中文，就是一种对偶性。

不过，Peter Lee也坦承，如果任务是更加复杂或者开放性的问题，还不清楚AI的这种学习模式能否进行。

洪小文表示，如何帮助机器更好地学习是一个未来非常广阔的话题。除了对偶学习，微软还在风格迁移、视觉特征迁移等方面都提出了新的算法，以促进AI创造力的提升。

那么，我们现在距离完美的人工智能究竟还有多远？对此，Peter Lee认为，虽然目前人工智能在技术和产业两个方面都面临“奇点时刻”，但这一问题仍旧难以回答。因为我们还不知道人工智能的潜力是否像光速和声速一样有局限性和边缘。“我们唯一能确定的是，机器的智能和人类智能是非常不同的。”