1956 年，在美国达特茅斯学院举行的一次会议上，“人工智能”的研究领域正
式确立。60 年后的今天，人工智能的发展正进入前所未有的大好时期。我今天作的报告，将通过分析时代的特点，这个时代下人工智能与计算机的可能命运，来重新认识人工智能、认识我们赖以生存的计算机，还有我们自己。
后深度学习时代的前提
我们看到如今人工智能的春天又来了，不过和 30 年前日本兴起的人工智能热潮相比，发生了如下变化：时间不同、地点不同、主题也不同。这次人工智能的大发展与深度学习紧密相关，体现在：① 从知识情报处理到深度学习；② 从第五代计算机（日本提出的概念）到类脑计算机；③ 从大容量知识库到大数据；④ 从高速符号推理机到类脑芯片；⑤ 从自然语言理解到感知（机器人）。
与 30 年前的人工智能热潮相比，此次大发展的不同点还在于：一是大数据；二是概率统计方法（及其理论）。正是因为这两个因素催生了当前的深度学习大潮。可以说，大数据与概率统计方法共同推动了神经网络模型的创建和发展。特别是概率统计方法中的贝叶斯统计学，将它“引进”人工智能领域，促使人工智能发生了革命性的变化。
我们现在能够做深度学习，能够在几百万、几千万的参数下做优化，很多人都以为是计算机变快，其实不完全是，还要归功于概率统计方法的变化。这个变化使得我们现在能把深度学习做好。所谓深度，就是网络层数比较多。由于使用深度学习方法，把语音识别、图像识别等的识别准确度提高了 10% 左右，引起了深度学习的进一步发展热潮。
为什么呢？因为深度学习可以解决一些不能清楚表述的问题，也就是说“知其然，不知其所以然”的问题。第二个，它能针对不确定性的问题，针对不断的变化而不断的再学习。另外，深度学习还有一个完全改变传统神经网络的作用，它不仅仅做函数映射，更重要是能自动提取多层次重复的模式（特征），不依赖于人工设计的特征。使模式识别的能力达到新的高度。
可以这么说，深度学习可以帮助我们解决在给定的大数据情境下，在感知信息处理上，有可能达到人类的水平甚至超过人类。
后深度学习时代的人工智能
后深度学习时代的人工智能，就是要把人工智能从狭义的、只能解决一定范围内的问题，推广到更宽广的范围，这就是我们现在所谓的弱人工智能、强人工智能以及通用人工智能。这项工作面临三个主要挑战：
（1）第一个挑战是概率统计方法带来的困难。我们刚刚说过概率统计方法给人工智能带来革命性的变化，但是它也同时给人工智能带来极大的挑战，这也是来自概率统计本身的原因——它通过大量的数据，只能抽取出重复出现的特征，或者是数据中间的统计关联性；找出来的并不是本质上的特征、语义上的特征；找出来的关系，也并不都是因果关系，而是关联关系。也就是说深度学习区分物体的依据是重复的模式，而人类大脑区分物体的依据是语义上的特征，两者有本质的区别，当然存在一定的关联性。
（2）第二个挑战是生数据带来的问题。大数据有很多好处，但是大数据也带来很大困难。我们现在使用的大数据跟以前的海量数据不一样，其中大量的数据是生数据。网络采集的数据都是掺杂了很多噪声、虚假信息、垃圾信息等等，这种数据叫生数据。当前的机器学习方法对于生数据的处理，与经过预加工的数据相比，鲁棒性表现相对很差。
（3）第三个挑战是推广能力、领域迁移。当前的深度学习方法都是就事论事，都很难推广到不同领域，这也就是面临的主要挑战。我们要从一个弱的人工智能推广到强人工智能，必须要克服领域迁移的困难。
要解决前述的这些挑战，目前来讲可以考虑两种解决办法：一个办法是把人工智能中“知识驱动”与“数据驱动”这两个方法结合起来，因为这两个方法是互补的。其中，“知识驱动”跟语义挂钩，可理解；“数据驱动”是黑箱的方法，不可理解，但其优点是可以从数据中提取模型。知识驱动方法是用离散的符号表示，而基于数据驱动的深度学习方法是用高维空间向量表示，如果能把两种方法“沟通” 起来，有可能极大地推动人工智能技术的发展与应用。
另外一个办法是回到神经网络的本源。借助于人脑神经的工作机制研究，进一步推动深度神经网络模型的深入发展。
后深度学习时代的计算机
当前，对计算机有这么几个批评，一个是能耗大，一个是基于的串行处理。在这里，我先给大家吃一个定心丸：现代的电子计算机还需要在很长一段时间里依赖冯 • 诺依曼结构。现在大家讨论最热的话题一个是量子计算、一个是类脑计算。大家不要以为量子计算一出来，现在的计算机就完全不行了。实际上，量子算法目前只有一二种可用的算法，所以它不能完全代替现在的
计算机，就像量子通讯不能完全代替现在的通讯一样。我想给大家吃的第二个定心丸：现在讲的类脑计算，正确地讲叫 BrainInspired Computing，而不是 Brain-like。当前，连大脑的运行机制都没有研究清楚，怎么可能开展完全的类脑计算呢？类脑计算研究的开展，需要学科的交叉，我特别推荐数学、认知科学、心理学、神经科学和语言学等领域的学者积极开展交叉学科
研究，从而推动人工智能理论的进一步发展和创新。
（根据张钹院士在 CNCC 大会上所作的特邀报告《人工智能未来展望，后深度学习时代》整理）
中国科学院院士，教授，博士生导师，智能技术与系统国家重点实验室名誉主任。主要研究领域为人工智能、人工神经网络、机器学习等理论与技术研究。
