李国杰院士在《中国计算机学会通讯》上发表了“有关人工智能的若干认识问题”一文，讨论了人工智能目前几个关键问题： 人工智能是否会再次进入严冬？ 深度学习是否达到了发展的天花板？ AlphaFold给我们什么启示？ 可解释性和通用性是不是当前最重要的研究方向？ 符号主义与联结主义融合的前景如何？ 中国如何发展人工智能技术和产业？

精彩段落：

之前人工智能遭遇寒冬，是因为当时的技术还不能创造较大的经济价值。第三波人工智能的兴起不是来自学术界，而是来自企业界的驱动。本质上不是人工智能界发明了以前不知道的新技术，而是数字化的普及产生了智能化的需求。只要智能化的需求旺盛，学术界不像前两次那样盲目乐观，人工智能就不会马上进入冬天。如果能扎扎实实地在合适的应用场景推广合适的智能技术，人工智能可能会度过一段较长时间的“秋天”。

传统人工智能主要是模拟一个人的智能行为，新一代人工智能要求模拟人类社会和物理世界。如果我们能去掉人工智能头上神圣的光环，放下人工智能高贵的身段，在工业制造、生物学、医学、社会科学等诸多领域甘当配角，新一代人工智能不但不会进入严冬，必将走出小舞台，奔向科学研究和数字经济的大舞台，进入飞速发展的康庄大道。

现在就下结论说机器学习的参数规模已经到头了可能为时过早，进一步增加参数可能对提高自然语言理解等应用的智能化水平还有潜力。但增加参数无疑会提高算力要求……一味地增加算力显然不是人工智能发展的唯一方向。

有些数学家认为，用计算机不可能真正解决语义理解问题。这可能是深度学习本质的天花板，我们需要创建新的数学、新的计算理论，简单地集成和优化现在的人工智能技术无济于事。

我认为，人工智能的目标主要是两个：一是计算机的智能化，二是人造物理世界（主要是工业世界）的智能化。人造物理世界的智能化除了计算机视觉等感知技术外，最重要的应该是机器的自动（辅助）编程技术，或者说机器控制程序的自动进化技术。相对于深度学习，国内学者对机器自动编程几乎无动于衷，这应该是我国人工智能发展布局上的一大失误。

机器学习的真正难点在于保证机器的目的与人的价值观一致。人工智能面临的重要挑战不是机器能做多少事，而是知道机器做的对不对。

对人类大脑的模仿、数学家应对维数灾难的求解、物理原理的适用是三个完全不同的视角，但得出的结论都是多层人工神经网络和梯度下降法等基础算法，绝不会是偶然的巧合，深度学习技术在计算机视觉和自然语言理解等领域取得成功的背后一定还有更深层次的原因。加州大学伯克利分校马毅教授最近发文，从数据压缩（和“群不变性”）的角度提供了对深度（卷积）网络的完全“白盒”解释，展示了深层架构、线性算子等所有参数都可以从最大化速率缩减（具有“群不变性”）的原则推导出来。这可能是深度学习理论的重大进展，值得高度关注。

这两项成果（AlphaFold和深度学习分子动力模拟）的意义在于，深度学习融合了过去的四种科学范式，创造了一种新的科学范式，我称之为“科学研究第五范式”的雏形。

可解释性不应是AI研究的首要目标。……提高可解释性不一定是防止出错的唯一途径，防错研究应该成为人工智能的重要研究方向。

通过获取足够多的背景知识，让机器具有更丰富的常识，可以逐步提高人工智能系统的通用性，但近期内不必将追求像人脑一样的通用性作为主要研究目标。在一个领域内有足够的通用性就有很宽广的应用前景。对于人工智能研究，比最大程度的通用性更紧迫的研究目标包括：应对具体应用复杂环境的鲁棒性和自适应性，智能系统的安全性等。

人工智能的下一步发展要更加解放思想，跳出现有的符号主义和联结主义的框框，从神经科学、生物科学、人文科学等更广泛的领域获取灵感。

今天发展人工智能技术仍要坚持这个战略，采取“弱人工智能” 和“强人工智能”两条腿走路的方针。“强人工智能”还处在基础研究阶段，要解放思想，争取“广种奇收”。要毫不犹豫地大力发展和推广“弱人工智能”技术，以计算机和控制设备（系统）的智能化为重点，将人工智能技术融入数字经济和智慧社会之中。

内容中包含的图片若涉及版权问题，请及时与我们联系删除