一个北大教授眼中的人工智能

近期，AlphaGo再次挑战柯洁，这场人工智能（AI）领域的热门话题再次引发了全球范围内的热议。随着AI技术的飞速发展，越来越多的人开始关注这一领域，AI已经逐渐成为公众关注的焦点。在此背景下，我们有必要回归学术圈，与科研人员进行深入的AI话题探讨，以期获得新的认知收获。

近期，我们有幸拜访了北京大学数学学院信息科学系教授林作铨先生。林教授从事AI研究长达30年，拥有丰富的教学和研究经验。在这位资深专家的带领下，我们得以深入了解AI领域的最新进展和未来趋势。

对于AlphaGo与柯洁的对战结果，林教授表示，从教学角度出发，他更关注不同研究和应用的最新进展，而非受个人研究偏好影响的知识传授。关于这场对战，林教授认为，AlphaGo的胜利是预期之中的。围棋作为完美信息的博弈，计算机通过搜索算法模拟人类下棋过程，逐步寻找最佳走法。由于搜索空间的庞大性，计算机无法穷尽所有可能的情况。启发式方法和概率模型被应用于指导搜索过程，使计算机能够在一定程度上预测和做出决策。AlphaGo的重大突破在于将围棋走子过程视为识别问题，并运用深度学习方法大大减少了搜索空间。这使得计算机能够在合理的时间内找到最优搜索树路径，从而实现了对人类的优势。

至于如何看待人工智能是否具有智能这一问题，林教授认为这涉及到对智能的精准定义。人类的智能是复杂而多面的，目前尚未有明确的数学模型能够定义智能。AI技术依赖于计算模型，如图像识别等特定领域的模型能够解决特定问题。要判断AI是否具有智能还需进一步探索和发展相关技术和理论。

林教授强调，未来的AI研究需要寻找比AlphaGo更好的算法，单纯重复或改进现有算法难以取得突破。人机大战虽然引人关注，但最终目的是推动AI技术的发展。对于人类与机器如何共处的问题，林教授认为未来所有游戏比赛中AI都可能战胜人类，但这并不影响人们日常生活和娱乐活动的进行。重要的是如何平衡人类与机器的关系，发挥各自的优势。同时他也指出人工智能的发展将推动许多领域的进步并改变人们的生活方式。

总之在林教授看来通用人工智能的发展仍然面临诸多挑战尽管AlphaGo在围棋领域取得了显著成果但对智能的定义仍然模糊我们需要不断探索和发展新的技术和理论以更好地理解和利用人工智能这一神奇而复杂的领域。智能，一个抽象而引人入胜的概念，自从图灵测试提出以来，AI研究者们便致力于通过计算机模拟人类的智能机制，以揭示智能的本质。就像通过模仿鸟的飞行创造了飞机，人们通过研究空气动力学原理来解释飞行现象一样，潜水艇的制造灵感来源于鱼儿的游动。AI研究的初衷便是选择如棋类游戏等典型领域作为突破口，通过在这些领域取得的成绩来寻找通用智能的线索。正如AlphaGo在下棋方面的杰出表现，但其在处理其他问题时仍显得捉襟见肘。AlphaGo的成功只能表明它在特定领域找到了有效的方法，要想将其应用于更广泛的领域，如麻将或桥牌，仍面临诸多挑战。

那么，什么是人类级别的智能呢？这是一个相对的概念。虽然计算器在算术计算方面超越了儿童，但这并不能代表人类的智能。AlphaGo战胜人类棋手，无疑展现了其智能的一面，但它并不能处理其他复杂问题，比如证明定理。

早在学术界的深入讨论中，人们已经认识到，衡量AI的智能需要更高的标准。虽然AI在30年前就已经在很多问题上有了深入的思考，并意识到实现智能的难度很大，但在某些方面仍然难以突破。AI需要拥有知识并运用知识来解决问题，这是智能的体现。除了当前的深度学习外，AI的主体是基于知识的系统。实践表明，处理精确的专业知识是可行的，但应对人类的常识却颇具挑战。人类的常识往往是意会不可言传，这也成为衡量AI是否达到人类智能水平的重要标准。

深度学习带来了显著的进步，特别是在解决识别问题上，如语音、图像和对象的识别。这是对外界环境的感知方面的常识处理。对于更深入的常识问题，如关于人的心智状态的推理，深度学习还不能完全解决。

AI追求的是通用智能，也就是所谓的强AI。但目前仍停留在专用智能的阶段，如AlphaGo的围棋能力属于弱AI。从实际应用角度看，弱AI已经取得了巨大的成功并体现了其价值。只有能在某方面达到人类智能程度的AI技术才能被视为真正的AI。

那么如何评估深度学习的优势和局限呢？

深度学习的优势在于其强大的识别能力。无论是语音、文本还是图像和对象识别等领域都有广泛的应用前景。通过深度学习算法的应用，我们可以将识别准确率提高到新的水平。以AlphaGo为例，它通过深度学习的应用实现了棋盘上的高精度识别。一些医疗系统也借助深度学习的技术通过识别皮肤变化和医疗图像进行疾病的诊断。深度学习在自动特征抽取方面也表现出了强大的能力。通过逐层加深神经网络结构来识别从低级到高级的特征是一种表征学习的方法。这种方法相较于传统的方法如应用数学和统计学习在自动抽取特征方面具有显著的优势能够将识别准确率提升到一个新的数量级。深度学习的实际应用已经证明层次越深效果越好并且从理论上也能证明深度是有意义的。尽管如此深度学习的局限性也是显而易见的。首先深度学习是在神经网络的权重参数进行优化以减少误差的过程中进行的但误差减少是有极限的因此一味增加层次并不一定能带来更好的效果。其次在实际应用中深度学习在某些情况下仍然无法比拟人类的理解能力例如在语音识别方面尽管深度学习的准确率很高但在处理带有口音的普通话时仍显得力不从心因为人类能够借助理解来弥补识别上的不足而深度学习在这方面还有待提高。因此尽管深度学习在某些领域取得了显著的进步但仍需认识到其局限性并不断探索新的方法和技术以推动人工智能的发展达到人类级别的智能水平。林作铨的观点深度解析：人工智能的当下与未来

林作铨对人工智能（AI）的见解深入且富有洞察力。他不仅对深度学习和机器学习有独到的理解，还对整个AI领域的研究方向和技术趋势有着清晰的把握。以下是对他观点的深度解析，探讨人工智能的当下状况和未来可能的研究方向。

一、深度学习的现状与问题

林作铨认为，目前深度学习主要集中于监督学习，通过大数据集进行算法训练以优化参数。尽管在技术和应用上取得了显著进展，但深度学习仍面临一些挑战。无监督学习是一个具有更大潜力的领域，但其在数学上的优化问题仍然突出。特别是在数学上找不到所需的非线性函数形式时，需要突破性的创新。深度学习还无法模拟人类的某些智能形式，如推理等高级智能能力。

二、深度学习之外的研究方向

林作铨强调了AI不仅仅是机器学习或深度学习，还有其他重要的研究方向。例如，知识图谱和会话式AI系统。知识图谱旨在构建一种本体库，即知识库，可应用于各种知识系统，是下一代Web的目标之一。而会话式AI系统则是自然语言理解的一个重要应用领域，具有广泛的应用场景。他还提到了自然语言理解的复杂性及其潜在价值，认为如果自然语言理解问题得到解决，AI问题也将随之解决。

三、AI的未来研究方向

在林作铨看来，AI的未来发展很可能与“逻辑+概率+神经元”相结合。逻辑是人工智能理解和推理的基础，概率是处理不确定性的关键，而神经元则代表了模拟人脑神经网络的重要途径。这三者的结合可能会为AI带来新的突破。他还强调了学术研究的重要性，认为学术研究总是超前的，各种技术和方法将在实践中不断完善和应用。

四、总结与展望

林作铨的观点为我们提供了对人工智能的深入理解和未来发展方向的洞察。他认为，人工智能的研究是一个长期、复杂的过程，需要持之以恒的努力和不断突破。未来，AI的研究将更加注重多元化和综合性，结合各种技术和方法解决实际问题。他也提醒我们，要保持对AI的恒温热情，持续关注和投入，因为“任何研究领域都时热时冷”。

让我们从逻辑的角度开始探索。按照教科书的定义，逻辑学是研究人类思维的学科，是探索智能的古老领域。在历史长河中，逻辑从原始的目标出发，逐渐发展成为数学的基础，再进一步成为计算机科学和人工智能的基石。数理逻辑作为现今最好的知识表示工具，在AI领域扮演着至关重要的角色。AI中的逻辑不仅模拟人类拥有知识，还帮助我们运用知识去解决问题，特别是在知识表示方面，一阶逻辑具有强大的表达能力。命题逻辑和深度学习在解决常识推理问题时面临挑战。除此之外，逻辑在AI中还有许多不为人知的应用，如逻辑程序设计语言Prolog。

接下来，我们来聊聊概率论。概率论作为古老的数学工具，在处理不确定知识方面表现出色，是AI实践中的重要组成部分。实际上，当某些应用领域缺乏工具时，概率统计成为解决问题的有力武器。概率论从公理出发定义，与逻辑有着紧密的联系。近年来，“逻辑+概率”的结合已经取得了一些研究成果，如一阶概率逻辑和统计关系学习，实现了逻辑和概率的互补。

让我们关注神经元。神经元的数学模型证明神经元网络具有命题逻辑的表达能力。深度学习与神经网络密切相关，能够进行如机器翻译等文本处理任务。尽管神经网络经历了起伏，但其在识别问题上的表现令人瞩目，如语音识别。对于这类识别问题，逻辑难以发挥作用，只能通过深度神经网络学习获得并转化为知识后再进行推理。尽管深度学习有许多未解决的问题，但它与概率模型结合，为解决这些问题提供了新的思路。

逻辑、概率和神经元在AI领域中各有其独特地位和作用。结合它们的技术潜力是巨大的，但并非简单的集成。假设能将这三者结合在同一框架中，将是AI领域的一大突破。这一研究方向不仅是学术的，也与工业界紧密相连。关于AI在企业中的应用以及智能产品的发展，这是一个值得深入探讨的话题。一些创新的商业模式将AI技术融入其中，创造出革命性的工业产品。例如，汽车出行模式通过应用AI技术大大提高了效率和用户体验。展望未来，我们期待更多真正智能的产品涌现市场，而不仅仅是现在市场上的新潮卖点。企业的智能化转型无疑是当前的一大热点，这其中潜藏的问题也不容忽视。仅仅把智能手机的做法照搬到电视机上，显然无法充分发挥电视服务的潜力。电视机企业在智能电视产品模式的设计上，尚未深入理解如何打造一种革命性的客厅人机交互体验。他们未能运用AI技术让电视服务变得智能化，从而为用户提供卓越的使用体验。这个问题未能得到有效解决，实在令人遗憾。

对于其他家电产品，如智能冰箱、智能电饭煲等，尽管被称为智能家电，但其应用场景相对简单，智能元素的加入更多是一种营销噱头，而非实质的智能化。目前，人们关注的焦点已转向智能音箱和智能汽车。智能音箱在自然语言理解方面存在一定挑战，但在特定狭窄领域，如亚马逊的智能音箱，已经表现出色。

至于智能汽车，虽然涉及立法等社会问题使其发展有所限制，但由于其不需要过多的知识处理，运用深度学习和计算机视觉技术等机器人技术反而更具可行性。智能汽车的普及并非一朝一夕能够实现。

企业智能化转型的背后，既有的各类计划推动，也源于企业间的竞争需求，尤其在制造业等传统行业中，这一问题尤为迫切。回顾企业信息化的发展历程，曾有一段时间，企业信息化被视为一个黑洞，认为其耗资巨大且产出难以衡量。如今信息化搞得好的企业已经证明了其价值和竞争力。在信息化尚未完全成熟的情况下，企业又要迎接智能化的挑战。信息化是智能化的基石，但我们不能等待信息化完全完成后再开始智能化，那样将错失竞争优势。

当前，企业管理软件产品中的AI技术应用尚显不足。大型软件难以实现基于AI的重新架构开发，其智能化功能更多是为了市场营销而添加，难以满足企业智能化的实际需求。许多初创公司的智能化管理软件需要在企业实践中不断应用和完善，传统企业可能因担心成为试验品而持谨慎态度。

企业智能化的道路可能充满曲折，甚至需要付出高昂的成本，就跟企业信息化一样。但市场竞争会推动一些企业先行尝试并成功。企业在迈向智能化的过程中，首要的是制定战略和规划，并寻找既懂信息化又具有AI背景，还能结合企业经营管理做好战略规划的人才。这样，企业才能在智能化的浪潮中立足并取得成功。