李德毅：新一代人工智慧如何從傳統人工智慧中脫穎而出

作者：李德毅 中國工程院院士、CAAI名譽理事長、主線科技首席科學家

2021年4月10日，“吳文俊人工智慧科學技術獎”十週年頒獎盛典在北京舉辦。頒獎典禮上，中國工程院院士、中國人工智慧學會名譽理事長李德毅榮獲“吳文俊人工智慧最高成就獎”，成為這一最高榮譽的第三位獲得者。李德毅院士在認知模型、智慧控制、不確定性推理、資料探勘、無人駕駛等方面取得多項國際領先成果，是我國不確定性人工智慧領域的主要開拓者、無人駕駛的積極引領者和人工智慧產學研發展的重要推動者。

在大會舉辦期間，李德毅院士也分享了自己對於“新一代人工智慧的看法”。以下是演講全文。

我今天報告的題目是“探索什麼叫新一代人工智慧”。傳統的人工智慧怎麼講？新一代的核心是什麼？能做到什麼樣子？

副標題為“人工智慧100年”，也就是到2056年全世界新一代人工智慧在我們眼裡是什麼樣子。

1956年達特茅斯會議上討論了七個話題，現在拿來看哪一個都不落後，那到本世紀中葉應該是什麼樣子呢？傳統人工智慧有什麼技術表徵呢？新一代有什麼表徵呢？中間的分界點在哪裡？如果我們對這四個問題不認真地思考，整體用資訊化代替人工智慧，那我們就太粗放了，尤其是科技工作者必須坐下來仔細想一想，不要整天雲計算、大資料、人工智慧。

我們要沉下心講一講這四個問號怎麼回答。

新一代人工智慧

如何從傳統人工智慧中脫穎而出？

我個人認為這個分界點可以定在機器學習之後的深度學習事件上，由於人類的圍棋高手都被一個機器打敗，全世界一片譁然。2016年這個事件震動了政治家、心理學家、老百姓，當然也鼓舞了人工智慧學者。它是由早期的機器學習，尤其由深度學習爆發而來。

但深度學習是不是就是新一代人工智慧？我把它作為分界點，傳統人工智慧是什麼？為了方便我發明了一個詞——計算機智慧，凡是在計算機上玩智慧的（演算法、大資料等等），那都是玩的計算機，不算新一代，而是傳統智慧。

算力就是搞計算機，那是計算機本來就應該乾的事情，演算法是人力工程師應該乾的事情，資料就是應用。我們不能滿足於算力、演算法、資料起到的最大作用，要探索新一代人工智慧。

新一代人工智慧起名很難，有人說叫類腦智慧，這個人類最喜歡了，因為人類之所以成為身份鏈的最高階就是我們有一個聰明的大腦。但腦科學不是一兩年的事情，在腦科學沒有搞清楚之前我們能不能做類腦智慧呢？

現在作為人工智慧最頂端的就是GPD3，因為大量算力、演算法來做預訓練、預程式設計，我們清華大學在花很多力量做漢語的預訓練和程式設計，將來自然語言處理，比如生成報告、小說、詩歌，這些都可以在機器上看得到。這些預程式設計、預訓練難道就是我們要的智慧嗎？我覺得我們要的是會學習、智程式設計的人工智慧。

什麼叫會學習？智程式設計，我們要把軟體工程師、演算法工程師用智慧表現出程式碼，讓機器自己寫出來，類似人腦的智慧。為了說清楚這個問題，我願意講講三次認知革命，第一次是五千年前人類發明了語言，尤其是發明了文字。

所有生物能有自己文字的只有人類，文字是脫離生命體智慧，可以把知識，文化承載下來。有了文字才有文化，有了文化才有文明，所以這幾年我一直講兩句話，智慧植根於教育，文明是智慧的生態。500年前人類科學技術革命大發展，認識客觀事件，發明了大量蒸汽，電動一直原子，這些動工具延伸了人的體能，解放人的體力。

100年前開始認識生命科學，發明人工智慧。我們要用人工智慧來延續人的智力，這三次革命很值得人們回顧。現在有人想做人工生命，這件事情要小心，如果人類要培養一個新人類，我們人類不會那麼做的。所以要搞清楚意識，搞清楚生命，這是未來的事情，不是當前的事情。我們要研究人腦組織結構進化和後天學習這兩件事情，因為它成就了人類的智慧。遺傳基因和可塑性就是我們講的機器帶有東西可以學習，一個什麼軟體都沒有的機器不可能學習，後天怎麼學？大家知道人類的智慧和其他生物相比，如果沒有後天的學習是不高明多少的。

我得出一個新的定義，智慧是學習的能力，是解決問題的能力。學習又是解決問題的基礎，學習可以很多。學習的結果是記憶，這句話很重要。我們不但要研究計算智慧，還要研究記憶智慧。解決問題是學習的目的，不能用一臺機器總是做它原來能夠解決的問題，我們希望解決它從來沒有遇到過的新問題這是我們要追求的。這裡面怎麼解決？用數學家語言來講，怎樣把一個設計問題基於高階次來做，把小變數放到一個大變數範圍內研究才能夠解釋，解決這個問題。我個人認為算力演算法和資料僅僅是計算機智慧的硬核。

為什麼這個事情這麼強大？這不是偶然的，可以看看這張片子。每一個理工男都知道微積分，後來波爾做了邏輯代數成就了計算機，後來Fraga提出了位置演算。有人在有限數學資源裡面怎樣表示無窮的數學能力，打破了人們思維傳統界限。有人提出了23個數學難題，後來哥德爾提出完備性定理，最後出來的兩位神，就是圖靈和伊曼兩位專家，他們不但是人工智慧之父，而且也是計算機之父。

圖靈模型是在1936年發表，在1945年提出自動計算機，1950年他成為人工智慧之父。他寫了一篇重要文章《計算機器和思維》，馮洛伊曼先生用馮洛伊曼五個要素形成一個實實在在的物理機器，這叫計算機，所以智慧科學的發展就是不斷地提出智慧問題，確保智慧可解釋性，引起了數學危機。再證明，讓這個封閉性圈子越搞越大。

因此我們現在遇到一個基本問題就是開放性跟封閉性的矛盾，可以無限接近真理，但永遠不可能相同它。人工智慧科學家或者認知科學家這40位學者獲得的諾貝爾獎和圖靈獎，可以看到他們是怎樣來做智慧和人工智慧研究的。1978年西蒙拿了經濟學諾貝爾獎，同時在前一年又拿了人工智慧圖靈獎，這是我們的楷模。

現在說類腦智慧，確切說應該是受腦科學或者認知科學啟發的人工智慧。並不是要在一個機構上做出真正類腦物理腦裝置，而是受啟發的。我們要認真研究怎麼啟發，受了哪些啟發讓我們能夠做新一代智慧呢？就是人工智慧工作者要認真研究的物件。

我們不但要類腦，還要類人，還有軀體的智慧。能在物理裝置上重現人類智慧，受腦科學和認知科學啟發新一代人工智慧架構，就是了解新一代人工智慧的四梁八柱才是人工智慧科技工作者追求的方向。

利用類腦人類發明了飛機，反過來用空氣動力學解釋了鳥的滑翔，鳥在飛行當中的動作還是很多的，不能全解釋。利用類腦人類發明了計算機，反過來用計算智慧解釋了人腦部分智慧。類腦，類人之路還很長，我們不能太急躁，不能太浮躁。

到底啟發了我們什麼呢？為什麼我們可以做這些事情呢？我列出五條啟發點，每一個都很重要，圍繞這五條孵化了才可以。回顧人工智慧70多年發展，我們有三條主線，一個行為主義機器人學派，他們提出機器如何像人一樣行為。一個是符號主義，這是人工智慧的主流學派，我原來在英國讀博士的時候，我做的是位次演算，位次邏輯。他們強調的是機器如何像人一樣思考，於是我們有了推理，預測可解釋。現在大家比較看好的就是研究主義，尤其是人工神經網路然後出現了深度學習，尤其是轉接學習。

機器腦如何像人腦一樣連線，今天當我們研究新一代人工智慧時候我們發現這三個學派封閉型假說都要被打破才行。於是我們從行為主義者強調模仿和類比，人類的模仿是人類抽象思維第一個功能。從行為智慧得到感知智慧，計算智慧強調模型驅動繼續發揚計算智慧。從連線主義裡面強調要考慮語境，語用，語構，語法四要素。人類智慧進化先低階後高階，第一階認知產生了感知智慧行為智慧，高階認知產生記憶智慧和計算智慧，而人工智慧恰是相反。我們先忠於符號計算，第一階認知一直很弱必須大大加強。我搞了這麼多年無人駕駛，本質上是搞的跨模態感知智慧，認知用得很少。因為鐳射雷達跟毫米波雷達和攝像頭搞不好跑不起來的。

人工智慧不是人造生命，生命是人類存在的底線，觸碰底線要慎之又慎。為什麼要剝離意識呢？因為上海這個地區對倫理很重要，我多談一點為什麼現在當前不急於做人工生命的原因。意識這個問題，所有哲學家都感興趣。計算機已經成功把智慧和意識剝離了，計算機沒有意識但它有智慧，因此我們可以繼續做沒有意識，有智慧的高階機器。非生命人工智慧可以確保一以貫之的工具性，智慧體外延伸才是人類最需要的。

汽車成為我們的工具，就是人類的第一殺手。這個第一殺手之所以產生就是人類意識造成的，因為它疲勞，它有情緒，思想不集中。我們要這個意識幹什麼呢？我們只要意識不要智慧，如果要意識，對不起這條路很長。意識可以分成三種，自覺意識，自我意識或傳遞意識。自覺意識需要當前人工智慧學界做出一個人造的面板，把機器人包裹起來，讓它能夠感知到自我，面板功能很強大。到哪裡找到這樣面板呢？人全身有1000億個上皮細胞常常更新，可以再生，體內還有15萬公里總長的神經，這樣人造面板到哪去做？如果沒有，談什麼意識呢？我建議大家先做工具，不要做意識。

當前情況下做一個受腦科學啟發的人工智慧，一定要拿出一個非馮洛伊曼架構出來。在監管上類似人腦的神經組織，這個機器放到這個地方應該能感知到周邊的環境，在智慧駕駛裡面叫做同步定位和對映。新時代人工智慧價值，我提出兩個迴圈，兩個協同。一個是客觀事件跟內部迴圈，透過五個感覺，感知器官。還有就是軀體的迴圈，形成動力學行為。內部還有兩個協同，工作記憶跟場景記憶協同，記憶跟計算協同。

我們不要把所有機器都搞成CPU為主，可以資料中心為主，讓CPU加速。只有在計算裡面才有CPU為主，讓GPU加速，不要所有晶片都是CPU為主，能不能做到這一點呢？我們還要有一個知識圖譜，用快速和慢速雙驅動形成對記憶的提取。把記憶提取做出來，在人工生命裡是一件很偉大的事情。

新一代人工智慧的核心在哪

第二點講一下會學習，這個是新一代人工智慧的核心。

現在所有計算機都是軟體工程師的智慧程式設計的程式碼在一次又一次簡單執行而已。我們希望這個機器在學習過程中能夠解決新的問題，這才叫做新一代人工智慧。因此找它的邊界怎麼找呢？學習形態是互動，學習核心是理解，學習結果是記憶，學習成為新一代人工智慧解釋解決現實問題的基礎。記憶智慧成為新一代人工智慧中多領域，多情景可計算智慧的邊界和約束。

用語用，語境來約束語義和語法。機器在客觀空間裡要有位置感知能力，形成位置空間感，為什麼不講多模態呢？因為我覺得視覺和聽覺，哪怕是雙模態已經很豐富了，不在於多而在於互相之間交叉融合，就是我們講的資訊融合，資訊衝突更多一點，怎麼樣做衝突消減才是我們認真要做的事情。

這裡面涉及到一個很基本問題，到底用沒有通用智慧？我認為人類學習過程中是不可以劃分通用和專用，也不可以劃分什麼叫常識，什麼叫非常識。

AlphaGo不是專用要是能把不同棋盤都能下，把遊戲規則稍微改一下那個在專用裡面也叫通用，這就是我的基本觀點。相對地不要刻意區分，歸根到底是人的魔法，魔法當中最重要是抽象，類推，類比。所以怎麼學呢？我提出了三種學習方法，一個叫做課堂學習，一個叫做模擬學習，一個是真實環境下的學習。

假如我們做這樣一個無人駕駛，機器人向人學習。像特斯拉一樣還是你開，你開了兩年之後這個駕駛腦說可以開了，就是第二階段，機器開車讓駕駛員干預一下。到了一定時候機器人學會了它說我不但可以從虹橋到蘇州，我可以叫所有汽車都從虹橋到蘇州，機器人叫機器人，這多好。這裡面最重要的是怎樣形成知識圖譜，我們提出一個記憶網路的想法。用資料化，網路化來做這件事情。

我們知道神經元是一個超大規模的網路，怎樣挖掘知識，進行基因提取我們正在做這方面的工作。我們希望透過學習讓機器自學語言，讓機器人聽一聽課，他有語言能力，有聽覺，有視覺，還有手可以做表示，利用它的互動能力去學習去提問，學了一年兩年能不能讓它自己寫一個新的程式呢？這就是我們自己推崇的。

機器人需要依賴自身軟硬體和外部變化的環境，透過互動學習和記憶實現自程式設計自成長。機器人也許無法改變自身研發或者基礎軟體，如同人無法改變自己的基因一樣，可以透過自程式設計擴充自己能力，也可以透過互動提出擴充硬體或者基礎軟體的要求，讓它的主人配合它更好的增長才幹，適應環境增長。行為主體一定是人類，我們提出兩個驅動，情景資料和自身模型，歸納和研究系統推進，理性和經驗迭代發展。

到2050年最浪漫的事也許是新一代人工智慧和人類一起與時俱進，一起學習成長，解釋解決新的問題，今天的手機以後將變成可互動，會學習，自成長，個性化的個人代理。

傳統人工智慧是計算機智慧，應該是封閉型人工智慧。新一代人工智慧應該是開放性人工智慧，傳統人工智慧應該是算力演算法和資料，新一代人工智慧是互動學習和記憶，傳統人工智慧解決的是確定性問題，我們要解決的是不確定性人工智慧。（完）