深度學習拓展人工智慧邊界

張鈸

人工智慧現在還做不到像人類那樣舉一反三。

■科學院院士 張鈸

近年來，深度學習的提出，在人工智慧領域中是一個重大突破。以往，人工智慧只能用來解決人們非常了解，而且能清楚表達的問題，例如醫療診斷，人們大體上能說清楚一個癥狀是由什麼疾病引起的；例如下象棋，每下一步都能夠說明它的理由，等等。但這些問題、領域都非常有限，而深度學習的意義在於，它拓展了人工智慧所能解決問題的邊界。

深度學習具有一定的通用性。比如現在人們利用深度學習來做圖像識別，不一定要具備非常豐富、專業的圖像知識，外行也能做。所以，深度學習是一種大眾化的工具。而且，即便你對這個領域沒有很深入的了解，但只要擁有充分的數據，就能夠做研究。

正是因為有了深度學習，目前機器人在語音、圖像識別、下圍棋等很多以往都被認為是人類最擅長的領域全面超過人類。谷歌研發的AlphaGo打敗李世石、戰勝柯潔就是例子。

為什麼機器下圍棋能夠超過人類？為什麼人工智慧在圖像識別的某些方面會超過人類？我認為數據、計算資源和演算法是深度學習成功的三大法寶。人們常常感慨大數據的力量、計算資源的力量，但是沒有看到背後演算法的重要性。比如AlphaGo能夠在兩三周內，學到幾千萬個棋局，能夠自己和自己下圍棋，靠的正是強化學習演算法。

但是，人工智慧的發展依然受到多個條件的限制，即大量的數據、完全的信息、確定性的信息和單領域（單任務）。只有這4個限定條件達成后，機器才有可能達到或者超過人類的水平。比如說我們可以利用醫療數據來做大數據處理，像某些疾病的醫療診斷、醫療圖像的識別，只要符合這4個條件，人工智慧都可以做，而且經過努力，可以達到或者超過人類水平。但是，在現實生活中，大量的工作並不符合以上4個條件。

應該說，人工智慧現在還做不到像人類那樣舉一反三。推廣能力差、魯棒性差等局限使得人工智慧要超過人類只是特定意義上的可能，其實它在很多方面還不如人類。人工智慧現在學習的是舉一百反一。它需要經過幾千萬甚至上億的樣本訓練，學過的才能夠識別。因此，這裡有大量的研究工作要做。（本報記者彭科峰整理）