李德毅

　　中國工程院院士、中國人工智能學(xué)會理事長

　　我們今天的科學(xué)家，尤其是計算機科學(xué)家，把‘計算’用得太狠了，對‘計算’的依賴甚至有些‘貪得無厭’了!

　　人工智能學(xué)者不能只盯著計算認知，一味要求 人腦研究的步伐有多快，而要拿出更多的精力放在“記憶認知”和“交互認知”上。

　　關(guān)于自動駕駛，無論是對話、詩詞或者駕駛，圖靈測試都允許測試者現(xiàn)場介入，判定結(jié)果都帶有近似性和主觀性。但是，和對話、詩詞測試相比，駕駛的圖靈測試可以進行更為精確、更為客觀的評測。

　　當(dāng)初汽車被發(fā)明出來的時候，人們最感興趣的是汽車的結(jié)構(gòu)、機械、傳動、輪胎、底盤和車身。到20世紀(jì)，人們感興趣的則是發(fā)動機、碳排放和被動安全。到20世紀(jì)末、21世紀(jì)初，人們總體上關(guān)心3件事情，輕量化、清潔化、智能化。

　　智能化，有4個階段，第一是理性輔助駕駛，以人駕為主;第二是自動駕駛，局部時段可以放開手和腳;第三是自動駕駛，即用自動駕駛接管駕駛權(quán);第四是人機協(xié)同駕駛。

　　無人駕駛的重點，難在擬人。汽車是從馬車演變而來，作為動力工具，汽車的馬力可以達到100匹馬力，但汽車遠遠不如馬應(yīng)對不同的負荷、天氣、路面，以及不同車輛情況下的適應(yīng)能力。說白了，汽車的感知、認知能力遠遠不如馬這個認知主體，“老馬識途，車不如馬!”

　　所以根本問題不在于車而在于人，要解決人的問題，就要讓駕駛員的認知能夠用機器人替代，讓機器人具有記憶、決策和行為能力，于是新的概念產(chǎn)生了——“駕駛腦”。

　　“駕駛腦”不等于駕駛員腦，“駕駛腦”是要做駕駛員的智能代理，要去完成包括記憶認知、計算認知和交互認知在內(nèi)的駕駛認知，他說，這應(yīng)該是人工智能時代最有意義的課題之一。

　　蒲慕明

　　中國科學(xué)院外籍院士、中國科學(xué)院神經(jīng)科學(xué)研究所所長

　　不管是國內(nèi)還是國外，都是如此，不過隨著研究手段不斷豐富，研究領(lǐng)域不斷突破，兩者的交叉融合成為熱點，甚至出現(xiàn)一個新的研究名詞，類腦智能。美國、歐盟都相繼啟動相關(guān)研究計劃，中國也啟動了腦計劃。但中國的計劃是將腦科學(xué)和人工智能結(jié)合得最為緊密的。

　　比如，現(xiàn)在流行的深度學(xué)習(xí)，就是基于人工神經(jīng)網(wǎng)絡(luò)的一個應(yīng)用，這些人工神經(jīng)網(wǎng)絡(luò)都可以從神經(jīng)科學(xué)的一些規(guī)律中得到靈感。蒲慕明說，比如可以借鑒神經(jīng)突觸的可塑性、記憶儲存、提取與消退，等等。

　　目前的腦科學(xué)研究能啟發(fā)人工智能的并不是特別多。因為當(dāng)前的腦科學(xué)研究，僅相當(dāng)于物理、化學(xué)等學(xué)科在19世紀(jì)末期的研究水平，要完全理解大腦，可能是幾個世紀(jì)的事情，而不是我們這個世紀(jì)就可以達到的。

　　對于類腦研究，必須要在這個時候做一些適當(dāng)?shù)膽?yīng)用，假如不把已經(jīng)知道的知識應(yīng)用到對腦疾病的診斷、干預(yù)和治療上，那么到2050年我們的醫(yī)療系統(tǒng)很可能要面臨崩潰——那時你會發(fā)現(xiàn)仍然沒有一個腦疾病能夠治愈。

　　對于人工智能的應(yīng)用，不一定非要完全搞清楚，神經(jīng)科學(xué)一些具有階段性的成果，也可以給人工智能的發(fā)展提供啟發(fā)。

　　譚鐵牛

　　中國科學(xué)院院士、中國科學(xué)院自動化研究所研究員

　　“模式識別”是人類最重要的智能行為，也是人工智能重要的研究內(nèi)容——機器的“模式識別”能力，在一定程度或者很大程度上反映了機器智能“類人”的程度。

　　比如語音識別，近些年突飛猛進的科大訊飛，能將維吾爾語翻譯成漢語，漢語翻譯成維吾爾語;再如步態(tài)識別，在看不到人臉、虹膜和指紋的時候，就能通過步態(tài)在幾十米外感知到其身份。

　　此外，還有圖像識別，其中具有代表性的人臉識別，早在幾年前馬云刷臉支付已經(jīng)引爆輿論熱點。圖像識別不僅可以用在手機上，還可在查找丟失兒童上發(fā)揮作用。

　　關(guān)于模式識別的技術(shù)瓶頸，可通過借鑒生物的機理改進，未來生物啟發(fā)的模式識別在人工智能領(lǐng)域前景可期。其最終追求，是希望模擬逼近人的模式識別，這是非常艱巨的過程。

　　目前，模式識別的主要瓶頸在于魯棒性、自適應(yīng)性和可泛化性。

　　關(guān)于魯棒性，說白了，就是人工智能“夠不夠皮實”“是不是稍微有點擾動，就會出錯”。比如在酒會上聊天，背景噪音比較多，如果想聽清其中某一個人的聲音，就要忽略或者抑制背景中其他對話的干擾——人類可以做到這一點，也就是聽覺系統(tǒng)所謂的雞尾酒效應(yīng)，但人工智能可以嗎?

　　關(guān)于自適應(yīng)性，則比較容易理解，人類的眼睛會隨著燈光的變化、環(huán)境的變化進行調(diào)整，這說明自適應(yīng)性非常強。這一點可以應(yīng)用到人工智能上，比如人臉識別，有一位朋友十幾年甚至幾十年沒見，再見面是否還能認出來?他說，現(xiàn)有的模式識別在這方面還不是很理想。

　　可泛化性，說白了就是“舉一反三”。當(dāng)小孩認識蘋果后，即便只記住了一次，也可以識別其他類型的蘋果，這說明人類看到一個東西后，不僅知其然，還知其所以然。而知其所以然，就是人工智能領(lǐng)域所說的“深度學(xué)習(xí)”。但目前的人工智能深度學(xué)習(xí)，必須建立在大量數(shù)據(jù)的基礎(chǔ)之上，這一點也有待進一步研究。

　　要解決這3個問題，關(guān)鍵還是看人類本身，在微觀層面上，人工智能的模式識別可借鑒人類的神經(jīng)元，神經(jīng)元有興奮性、抑制性、功能可塑性和傳播性?？茖W(xué)家受到這個啟發(fā)，增強了模式識別動態(tài)系統(tǒng)的穩(wěn)定性。