港科大张潼教授最新发言：对人工智能发展的一

雷锋网 AI 科技评论按，2019 年 4 月 18 日，「新消费新动力——2019 年乐信合作伙伴大会」在深圳举行，国际著名机器学习专家、香港科技大学教授张潼出席会议并发表主旨演讲，在演讲中他提到 AI 发展的关键要素，以及现在难以解决的问题，我们将来需要研究的方向，雷锋网 AI 科技评论将他的发言内容整理如下，有删减。

　　大家好！非常高兴能够在这个场合与大家分享 AI 的相关技术。我们现在站在了 AI 时代，AI 在很多场景中改变了行业。比如产生新的人机交互方式，这种产生从新的终端开始——由之前的电脑到手机、再到现在的智能音响设备等，这些设备对于智能交互的要求越来越高，AI 在其中产生了非常大的作用。还有像无人车、机器人等一系列物理设备能够进入到人们的生活中，这也指日可待。再就是跟今天的主题更加相符合的，即 AI 渗透进各行各业，能够帮助各行各业赋能产生更大的价值。

　　AI 相关技术以及发展

　　人工智能从技术上分为多个层次，最基础的层次就是硬件、芯片、服务器等，再往上是机器学习等各种 AI 技术，继续向上是各个应用方向，如计算机视觉、语音处理、自然语言处理和大数据统计分析等，特别是大数据统计分析，在金融行业有非常多的应用，再往上有很多技术点，之后就可以制定行业解决方案，最终赋能各个行业。

　　为什么说 AI 最近有了广阔的发展？主要基于两个因素：一是大数据在近年来急剧升温，包括传感器、云计算的发展、数据收集能力和存储能力的加强等，这导致数据越来越多；二是计算能力的增强，从 80 年代的个人电脑到 90 年代互联网、再从 CPU 到多核 CPU、GPU、异构计算等，在计算能力上也有了很好的基础。在此之上，近些年，特别是近十年左右，机器学习有了非常好的发展，在工业界取得非常多的应用，在原来的层次上使效果有了很好的提升。

　　早期的机器学习，它的方法是人工对具体的问题抽取出一些特征，在特征上做统计分析，这种方法目前在很多产业还是有应用，但从上一个十年开始，在一些场景上大家可以用深度学习技术把这些方法取代掉。深度学习的技术是端到端的学习，把人手工提取特征这一部分用机器取代了。

　　怎么做到这一点？有两个要求，一是数据量更大，基于大数据才能学习这种特征；二是计算的要求更多，如果 80 年代做，算力不够，要算十年或一百年，现在一天就算出来了。强大的计算能力和大数据取代了一些人工，造就了深度学习的巨大成功。这一成功也带来了它的倡导者，包括三位主要的深度学习研究人员 Yoshua Bengio, Yann LeCun, Geoffrey Hinton 获得 2018 年图灵奖，这也说明计算机界对人工智能、机器学习给予了非常大的肯定。

　　在一些单一的场景下，针对具体的问题，AI 的确产生了非常好的能力，甚至能超过人。有些人看到现在的 AI，会有一些不切实际的预期，觉得 AI 无所不能。实际上并不是这样。

　　早期，2010 年开始的 ImageNet 竞赛直接导致了深度学习的发展，2012 年，通过采用 GPU 运算，迅速把传统的方法取代了。这是一个单一的场景，ImageNet 比之前的数据集大很多，通过大的算力，逐渐取得成果。近些年，比较著名的案例就是 AlphaGo，AlphaGo 下围棋能够赢得人类，这是同一套思路在同一个问题上，用了非常多的模拟数据、自对弈，通过学习更多的棋局，通过更大的计算能力，比如谷歌 TPU 等新型硬件，然后又用了一些比较好的算法，三个方向同时发展，导致在单一场景上取得了非常强的能力，也让人觉得 AI 能够取代人类。

　　于是人们会经常问一个问题，如果 AI 能够下围棋，是不是所有事情都能做了？其实并不是，是有缺陷的。下围棋是一个单一的任务，差不多的任务如玩游戏，目前玩的是《星际争霸》，从下围棋到跟人类打《星际争霸》，AI 进行了漫长的迁移，而这个迁移需要非常特别的定制化的算法和方式。从现在 AI 的情况来讲，可迁移性并不强。

　　未来的挑战和应用

　　将来会怎么样？一方面还是沿着大数据在工业界的很多应用场景。比如我研究机器学习，我更关注的是在数据较小的复杂场景下怎么学习得更好，能够实现现在不能做的任务。

　　举一个例子，无人汽车用的场景非常复杂，如果我给一个机器学习模型看了很多白天的图像，让它进行图像分类与识别，在真实的应用场景上给的是夜晚的图像，在夜晚图像上，机器学习算法的效果就会非常差。

　　另外比如说语音识别，在安静的情况下我训练了一个系统，它的能力可以超过人类，但是如果在复杂噪音的情况下，它的性能就会下降，并不比人类更强。

　　此外，模型的可迁移性并不强，包括在一些小的数据集上会产生一些问题，解决这些问题非常重要，这些问题一旦解决了，很多的应用场景就能够得以实现，包括无人驾驶，还有机器人在物理世界做一些具体的任务，因为物理世界极具多样性，如果我们有更好的学习能力，就能够使这些成为可能。

　　再往后就更复杂了，我们能够理解世界，表达世界，甚至模拟世界将会发生什么事情，我们具有语言表示、逻辑思考等能力，但是机器目前并不行，而且并没有好的实现手段。我觉得人工智能还有很长的路要走，将来还有很多值得研究的地方需要我们去攻关。