近年来，通过深度学习，人工智能在某些领域已经可以与人类智能相媲美，甚至超越人类。即便如此，它依然无法理解我们的感情，依然无法像个十岁的孩童一样感知世界。它的局限，就如同它的“神通”一样清晰明了。

　　那么，人工智能的“未来之光”究竟会如何照亮现实呢？

　　6月5日至6日，一场人工智能领域的大咖盛宴——2021全球人工智能技术大会在杭州未来科技城举行。国内外最顶尖的相关专家济济一堂。本报记者走进他们的研究世界，探索人工智能领域的最前沿。

　　深度学习——

　　大数据技术的成效

　　深度学习为人工智能带来了什么？

　　在全球人工智能技术大会上，中国科学院院士、西安交通大学教授徐宗本提出了这样一个论断——“坦率地讲，现在的人工智能仍主要以深度学习为基础”。

　　长久以来，围棋被看作是人类发明中最复杂、最具开放性的智力游戏之一。许多专家曾预测，电脑在几百年的时间内都不可能在围棋上战胜人脑。

　　2017年，乌镇的一场“人机大战”，吸引了全世界的目光。自从智能机器人AlphaGo以4:1的成绩战胜韩国棋手李世石九段以后，中国棋手柯洁九段再度迎战AlphaGo，试图为人类扳回一局。

　　最终的比分定格在0：3——横空出世的AlphaGo让很多人真正意识到了人工智能和深度学习的强大力量。它拥有以深度神经元为代表的智能系统，意味着人工智能可以在某些领域挑战人类智慧的极限。

　　深度学习是机器学习的一种。它在本质上是一种包含多个隐含层的人工神经网络。它从大量数据中学习表示（或特征），以便在分类和预测时从中提取有用信息。理论上，参数越多的模型复杂程度越高，容量就越大，也意味着它能完成更复杂的学习任务。

　　现场有专家告诉记者，这里的“学习”本质上是认知的过程，从未知到已知的探索和思考。“比如1+1=2，一根手指是‘1’，再伸出一根手指，数一数，两根手指那就是‘2’。”这里的“1”和“加号”就是输入，而得到的计算结果“2”就是输出。所以，任何的从已经有的信息，最终获得一个认知的过程都可以称为“学习”。

　　在柯洁与AlphaGo对弈过程中，下一步的棋子落在什么地方，是一种选择问题。当前科学家正用一种叫做“神经网络”的学习策略，来解决这类问题。这类似于在人脑中负责活动的基本单元“神经元”，互相连接成一个更庞大的“神经网络”。

　　而“深度”就是从“输入层”到“输出层”所经历层次的数目。层数越多，学习深度也越深。所以，越是复杂的选择问题，越需要深度的层次多。当然，除了层数多外，每层“神经元”数目也要多。例如，AlphaGo的策略网络是13层，每一层的神经元数量为192个。

　　由此也可见深度学习的局限性——计算的局限，模型的局限，以及过度地依赖标注数据。“有人说，这几年人工智能的发展是大数据发展的成果，也就是认为我们的模型更多还是依靠数据。”现场有专家表示。

　　人机混合——

　　从模仿脑到连接脑

　　或许我们早就用想象力为未来指明了方向。

　　科幻电影《阿凡达》中，人类能够借助机器，为自己的思维“穿上”阿凡达的躯壳。这个躯壳既可以是机械体，也可以是生命体，甚至可以是信息体。

　　回望人工智能发展的60余年，符号主义、连接主义、行为主义的侧重点各不相同，但皆是计算机模仿人类智能或行为。它们或多或少解决了一些实践应用问题，但局限于以“机器”为中心的视角，只考虑由机器构成的智能系统。

　　现在，将人引入，并将其作为系统的重要组成部分——通过人机混合，有望能够充分融合机器智能和人类智能的优点和缺点。

　　专家表示，人类智能和机器智能的混合是必然的发展趋势。理解大脑的运作方式，是人工智能未来发展的一个重要出路或出路之一。

　　就在去年，SpaceX和特斯拉等公司创始人埃隆·马斯克用三只小猪展示了最新一代脑机接口技术和产品——一枚硬币大小，可植入大脑的芯片，以及一台可完成自动植入芯片的手术设备。

　　研究人员不仅能够通过植入的芯片读出大脑活动，对小猪行为做出预测，还能向电极发送信号并刺激它们的大脑。神经元细胞会根据电极发出的信号产生反应。

　　科幻正在变为现实，虽然预测和控制一只猪的行为听上去是如此颠覆认知。

　　脑机接口意味着脑机融合，也就是脑和机形成循环。机器从大脑或生物体当中读取神经信号，并且通过系统解释、处理、再处理神经信号，再通过外部信号重新输入干预脑的过程，

　　在这个过程中，人机接口变为脑机接口。我们不再通过键盘或视觉等其他行为来形成链接，而是通过植入和非植入晶体芯片的方式，直接链接人与机器。

　　理论上，脑机接口设备可以被期待用来解决很多问题，比如视障、听障、帕金森综合症等。脑部损伤患者有可能因此重新获得对世界的某方面感知。甚至，电影《黑客帝国》里一个神经现实的世界可能实现。

　　这种从计算机领域提出的人机交互的新路径，为脑机智能形态的融合提供了一个双向、系统的信息通道。这也是用一个全新的角度，来看待人工智能——从模仿脑到连接脑。

　　在纪念“人工智能之父”图灵诞辰百年的文章中，国际顶级期刊《自然》明确提出，未来人工智能的一个重要发展方向，就是脑机体在一起融合并协同工作。

　　近年来，微丝电极、犹他阵列、密歇根阵列、记忆神经假体等前沿成果相继诞生，众多专家学者跨专业、跨学科投身脑机接口研究的大潮之中，它已然成为人工智能领域的热土。

　　与会专家认为，脑机融合的智能有望成为兼容生物智能体的环境感知、记忆、推理、学习能力和机器智能体的信息整合、搜索、计算能力的新型超强智能形态。

　　“超智能”——

　　有创造力的人工智能

　　许多年，学术界对人工智能的看法依旧：机器的高级认知能力很初步，人工智能的应用路阻且长。

　　清华大学计算机科学与技术系教授孙富春在接受记者采访时说：“深度学习仅仅解决了大规模数据到标签的映射问题，主要做分类；它还是底层的计算，还没有办法达到高层认知层面。”

　　这也就意味着，目前的人工智能还是只能针对特定对象、特定场景。它的学习过程处于一个黑箱之中，见不着光、探不着底。

　　我们如何从狭窄的、特定领域的智能迈向真正可以解释的、更通用的智能呢？

　　通用智能并不一定意味着人类智能，但我们希望机器能做出人类的判断和决策。这并不一定意味着机器将实现创造力、直觉或本能等没有数字类比的概念。它将具备处理多种类型的任务，和适应未曾预料的情形的能力，并且毫无疑问可以识别“正义”和“公平”这样的概念。

　　与会专家认为，通用智能要么将显著慢于人类思维，难以通过硬件或软件加速，要么将通过大规模并行和硬件改进而获得快速提速。“我们将从数千个内核 GPU，扩展到数千个芯片上数以万亿计的内核。其数据流来自数十亿的传感器。在第一种情况中，当加速变缓时，通用智能可能不会那么有趣。在第二种情况中，其增速的斜坡将会非常陡峭、非常快。”

　　超越通用智能后的下一步是“超智能”。从某种程度上来说，这是一种具有创造力的人工智能。

　　有围棋专家称 AlphaGo 的一些落子是“创造性的”。但它们源自与其他所有落子完全一样的过程和模式，而并非以一种新的视角看待这项游戏。同样算法的重复应用可能会产生让人类感到惊讶或意外的结果，但仅仅的惊讶并不是我们所说的“创造力”。

　　面向人工智能领域的发展未来，科大讯飞董事长刘庆峰向记者提出了自己的展望：一是深度学习的“黑盒”变“白盒”。让深度学习从关注程序外部结果到深入程序内部逻辑结构，从数据结构化、网络可视化到推理过程化，衍生出“具有可解释性的人工智能”。这样的需求是当下十分迫切、也是未来人工智能的攻坚方向。二是人机共存时代到来，人机共存更加和谐、自然。人机交互将更加以人为本，人工智能将更加顺应每个人的发展，包括多模态感知和呈现，可编辑的人工智能人设，场景自适应的交互等。三是人工智能和多学科交叉研究，将加速促进人工智能在更多行业中引发颠覆式的革新。如人工智能和脑科学的结合，人工智能的基本算法在材料科学和生物制药领域都将起到巨大作用。