中科院三院士谈AI：人工智能的“脑洞”有多大？

　　李德毅

　　中国工程院院士、中国人工智能学会理事长

　　我们今天的科学家，尤其是计算机科学家，把‘计算’用得太狠了，对‘计算’的依赖甚至有些‘贪得无厌’了!

　　人工智能学者不能只盯着计算认知，一味要求 人脑研究的步伐有多快，而要拿出更多的精力放在“记忆认知”和“交互认知”上。

　　关于自动驾驶，无论是对话、诗词或者驾驶，图灵测试都允许测试者现场介入，判定结果都带有近似性和主观性。但是，和对话、诗词测试相比，驾驶的图灵测试可以进行更为精确、更为客观的评测。

　　当初汽车被发明出来的时候，人们最感兴趣的是汽车的结构、机械、传动、轮胎、底盘和车身。到20世纪，人们感兴趣的则是发动机、碳排放和被动安全。到20世纪末、21世纪初，人们总体上关心3件事情，轻量化、清洁化、智能化。

　　智能化，有4个阶段，第一是理性辅助驾驶，以人驾为主;第二是自动驾驶，局部时段可以放开手和脚;第三是自动驾驶，即用自动驾驶接管驾驶权;第四是人机协同驾驶。

　　无人驾驶的重点，难在拟人。汽车是从马车演变而来，作为动力工具，汽车的马力可以达到100匹马力，但汽车远远不如马应对不同的负荷、天气、路面，以及不同车辆情况下的适应能力。说白了，汽车的感知、认知能力远远不如马这个认知主体，“老马识途，车不如马!”

　　所以根本问题不在于车而在于人，要解决人的问题，就要让驾驶员的认知能够用机器人替代，让机器人具有记忆、决策和行为能力，于是新的概念产生了——“驾驶脑”。

　　“驾驶脑”不等于驾驶员脑，“驾驶脑”是要做驾驶员的智能代理，要去完成包括记忆认知、计算认知和交互认知在内的驾驶认知，他说，这应该是人工智能时代最有意义的课题之一。

　　蒲慕明

　　中国科学院外籍院士、中国科学院神经科学研究所所长

　　不管是国内还是国外，都是如此，不过随着研究手段不断丰富，研究领域不断突破，两者的交叉融合成为热点，甚至出现一个新的研究名词，类脑智能。美国、欧盟都相继启动相关研究计划，中国也启动了脑计划。但中国的计划是将脑科学和人工智能结合得最为紧密的。

　　比如，现在流行的深度学习，就是基于人工神经网络的一个应用，这些人工神经网络都可以从神经科学的一些规律中得到灵感。蒲慕明说，比如可以借鉴神经突触的可塑性、记忆储存、提取与消退，等等。

　　目前的脑科学研究能启发人工智能的并不是特别多。因为当前的脑科学研究，仅相当于物理、化学等学科在19世纪末期的研究水平，要完全理解大脑，可能是几个世纪的事情，而不是我们这个世纪就可以达到的。

　　对于类脑研究，必须要在这个时候做一些适当的应用，假如不把已经知道的知识应用到对脑疾病的诊断、干预和治疗上，那么到2050年我们的医疗系统很可能要面临崩溃——那时你会发现仍然没有一个脑疾病能够治愈。

　　对于人工智能的应用，不一定非要完全搞清楚，神经科学一些具有阶段性的成果，也可以给人工智能的发展提供启发。

　　谭铁牛

　　中国科学院院士、中国科学院自动化研究所研究员

　　“模式识别”是人类最重要的智能行为，也是人工智能重要的研究内容——机器的“模式识别”能力，在一定程度或者很大程度上反映了机器智能“类人”的程度。

　　比如语音识别，近些年突飞猛进的科大讯飞，能将维吾尔语翻译成汉语，汉语翻译成维吾尔语;再如步态识别，在看不到人脸、虹膜和指纹的时候，就能通过步态在几十米外感知到其身份。

　　此外，还有图像识别，其中具有代表性的人脸识别，早在几年前马云刷脸支付已经引爆舆论热点。图像识别不仅可以用在手机上，还可在查找丢失儿童上发挥作用。

　　关于模式识别的技术瓶颈，可通过借鉴生物的机理改进，未来生物启发的模式识别在人工智能领域前景可期。其最终追求，是希望模拟逼近人的模式识别，这是非常艰巨的过程。

　　目前，模式识别的主要瓶颈在于鲁棒性、自适应性和可泛化性。

　　关于鲁棒性，说白了，就是人工智能“够不够皮实”“是不是稍微有点扰动，就会出错”。比如在酒会上聊天，背景噪音比较多，如果想听清其中某一个人的声音，就要忽略或者抑制背景中其他对话的干扰——人类可以做到这一点，也就是听觉系统所谓的鸡尾酒效应，但人工智能可以吗?

　　关于自适应性，则比较容易理解，人类的眼睛会随着灯光的变化、环境的变化进行调整，这说明自适应性非常强。这一点可以应用到人工智能上，比如人脸识别，有一位朋友十几年甚至几十年没见，再见面是否还能认出来?他说，现有的模式识别在这方面还不是很理想。

　　可泛化性，说白了就是“举一反三”。当小孩认识苹果后，即便只记住了一次，也可以识别其他类型的苹果，这说明人类看到一个东西后，不仅知其然，还知其所以然。而知其所以然，就是人工智能领域所说的“深度学习”。但目前的人工智能深度学习，必须建立在大量数据的基础之上，这一点也有待进一步研究。

　　要解决这3个问题，关键还是看人类本身，在微观层面上，人工智能的模式识别可借鉴人类的神经元，神经元有兴奋性、抑制性、功能可塑性和传播性。科学家受到这个启发，增强了模式识别动态系统的稳定性。