2017年5月，谷歌DeepMind开发的人工智能围棋程序AlphaGo在浙江乌镇战胜中国围棋高手柯洁。

编者按：

2017年5月，AlphaGo再次发出挑战，这次对战的是中国围棋高手柯洁。虽然AlphaGo最终战胜了柯洁，但是人工智能的探索仍然只是处于起步阶段。

中国科学院副院长谭铁牛认为，机器在棋盘类游戏里打败人类并非难事。“人类进化的方向并不是玩棋盘类游戏，或者完成很复杂的算术任务。”北京大学机器感知与智能教育部重点实验室主任査红彬进一步解释说。这一讨论发生在2016年由《国家科学评论》执行主编、中国科学院脑科学与智能技术卓越创新中心的领导者蒲慕明主持的关于人工智能的一个论坛上。

撰文 | Jane Qiu

翻译 | 梅    宝

校译 | 杨    苗

责编 | 陈晓雪

导读

2016年，人工智能（Artificial Intelligence）领域发生了几个里程碑式的事件。2016年3月，总部位于英国伦敦的谷歌人工智能研究实验室DeepMind开发的人工智能系统AlphaGo，在围棋比赛中打败了世界冠军李世石。2016年10月，同样还是这家公司，在世界顶级期刊《自然》（Nature）展示了它最新的科技：让机器去解决需要逻辑和推理的任务，比如利用一张从未见过的地图在伦敦地铁里找路。

最近几年，像这样的进步，推动了包括中国在内的许多国家研发前沿的学习机器。2015年，中国科学院建立了脑科学与智能技术卓越创新中心（简称CEBSIT），这个创新中心联合了超过20个中科院的研究所及大学。2016年年初，中国正式推出了中国脑计划（China Brain Project），这是一个为期15年的项目，研究重点在于脑图谱、神经系统疾病和类脑人工智能。

《国家科学评论》（National Science Review，NSR）执行主编蒲慕明，也是中科院CEBSIT的领导者，在他主持的一个论坛中，几位研究者讨论了在人工智能方面，中国最新的举措和进展以及未来的方向和挑战。

人脑与学习的机器

蒲慕明：对于人工智能来讲，2016是激动人心的一年。我有一个基本的问题：当理解人脑还有很长一段路要走的时候，我们怎样做才能推进人工智能的研究？

曾    毅：我认为“类脑"（Brain Inspiration）是人工智能研究未来应该发展的最具有前景的方向之一。不过人类大脑是进化的产物，还没有处于最优化的状态。这也是我为什么强调我们真的不需要去模仿来自脑的所有东西。我们应该借鉴脑里看起来很独特，能提高人工智能模型表现和发展它们认知能力的运行原理。

当然，我们现在只是刚刚开始理解大脑。可能还需要花数百年才能完全理解脑是如何工作的。尽管如此，我们并非一无所知，比如脑的多尺度可塑性原则（Plasticity Principles）。而像这样优越的特点，目前还没有很好地运用到人工智能模型和系统中。

曾毅，中国科学院自动化研究所研究员，类脑智能研究中心副主任

陈云霁：我有一个不同的观点，因为我的研究重点在硬件。但是我同意，人工智能的发展是需要长期努力的，我们应该整合现有的知识，而不是等我们完全理解人类大脑之后再行动。这应该是应用驱动的，目标在于解决特定的实际问题。

蒲慕明：如果我们谈论类脑人工智能，那么人们应该从20世纪40年代起就开始研究机器认知的领域了，但是整合可塑性是相对近期才有的现象。

谭铁牛：的确，人工智能不是一个新话题。现在人工智能受关注度很高，部分是因为在神经科学领域的新进展。虽然类脑很有前景，但这或许不是让机器会学习的唯一方法。

蒲慕明：媒体在捕捉公众视线上也起了很重要的作用，以2016年3月AlphaGo的胜利为例。但是这个事件也展现了这个领域一个很急切的需求：目前的机器并不是很有效率，需要大量的运算能力（很少能有像AlphaGo一样的运算能力）。当运算能力短缺时，这就变得更加明显。所以很多研究者转向了人类大脑，因为大脑效率高。

谭铁牛：公众对于机器，比如AlphaGo的反应有些错位。在棋盘类游戏里打败人类，对于机器来讲，并非难事。

查红彬：我同意。人类进化的方向并不是玩棋盘类游戏，或者完成很复杂的算术任务。这些都不是人类智力最根本的方面。让机器在明确的特定规则下能有良好的表现，这应该是人工智能研究的关键问题。但是目前，对在较少规则下机器的行为能力，比如在家做饭或者在田野工作等任务能力，关注却相对较少。

曾    毅：目前人工智能讨论的话题绝大多数仍然在1950年阿兰ž·图灵（Alan Turing）一篇标题为“计算机器与智能”（Computing Machinery and Intelligence）的文章的范围之内。他定义了人工智能的三个方面：第一个是图灵测试（Turing Test），通过一个人对对方发送问题以及来回问答，这个人通过对方的回答，判断对方是人还是机器；第二个是人和机器在棋盘类游戏上的比赛，图灵当时就提出了；第三个是机器能够像孩子一样去学习，这是最根本、目前差距很大的、也是人工智能最具有挑战性的方面。

蒲慕明：通常认为，大量的数据对于训练人工神经网络是有必要的，比如相互连接的节点，就像大脑里的神经元网络一样，然而大脑在做决定时并不需要那么多的信息。我认为这种认识是错误的。实际上，人类大脑也是来源于大量信息的训练，其中大脑网络结构在持续变化。

新生儿有神经细胞，但是并没有完整功能的神经网络。随着多年的学习，神经网络进行修改和细调，并伴随着重要的结构变化。这是人类神经网络如此有效率的原因。我认为发展人工智能的关键在于能发展人工神经网络，使它们的构架可以随着学习而改变。

可塑性：人工智能的本质

谭铁牛：为了更好地了解神经细胞是如何联结的，脑图谱备受关注。但或许理解在发展的过程中网络联接的形成机制更为重要。像大脑一样的结构或许并不能代表像大脑一样的功能，因为结构是静态的，然而学习是动态的过程。

查红彬：我的研究重点是模式识别和计算机视觉。在我看来，人工智能的一个重要特点是它的柔性。毕竟，它们需要在真实的场景下进行操作，因此它们适应动态环境的能力很重要。这种自主学习的能力与类脑计算密切相关，包含两个重要的方面：第一，这个系统必须是可塑的，像人类大脑一样；第二，这个机器必须能够和它周围的社会和自然环境进行互动。目前类脑计算的发展更多的是研究大脑结构以及模仿大脑小部分功能。我认为我们应该更加关注整合可塑性。

蒲慕明：我赞同。可塑性的关键在于连接功能的可塑性，在学习的过程中能反馈并改正错误，最终产生结构上的改变。到目前为止，大家关注的是计算能力和速度，这不是人类智力的本质。

查红彬：如果机器被设计成只需要在固定的环境和规则下行使功能，那么，他们不需要自身的变化。但是，为了让一个学习机器能够真正地对环境变化进行回应，你需要在整个网络中加入反馈机制。

蒲慕明：环境的反馈是与学习相关的。从监督性学习（Supervised Learning）转变为非监督性学习（Unsupervised Learning）的过程中，有哪些挑战？

陈云霁：在研发AlphaGo之前，DeepMind公司曾经在《自然》（Nature）发表过一篇文章。在这篇文章里面，算法程序利用大型数据库，通过“看”视频和学习能提高分数的动作，教会自己怎么去玩数十种经典的电子游戏。这对于强化学习（Reinforcement Learning）来讲，是一种很有效的手段。不过这只是局限于有简单规则和直接目标的电子游戏和棋盘类游戏，或许不能应用于包含复杂的环境性输入的情况。另外一个我的观察是，有很多人在研究感知类人工智能（Sensory AI），这个领域发展得很快，但是认知这一方面却很滞后。

陈云霁，中国科学院计算技术研究所研究员

蒲慕明：这或许和神经科学领域的进展是相呼应的。在感知能力这一块有很多的进展，但是我们对于高等认知过程，比如语言和决策，知之甚少。

曾    毅：我们看到DeepMind算法在深度强化学习上的进步。但是我们也能看到它的问题。尽管机器能够通过和环境的互动，得到反馈，但是程序不能把从一个游戏中的学习收获转移到另一个游戏。当它遇到一个新游戏的时候，它得从头再来。但是人类不是这样，人类能够把从一个任务中学会的技能转移到另外一个新的、毫不相干的任务上。这是人脑的优越性。除此之外，这个模型在规划等方面还存在巨大的提升空间。

查红彬：当我们讨论非监督学习的时候，应该有一些概念上的改变。现在机器学习很多强调培训效率和所用的时间。实际上，学习不是只关于效率，而更多的是关于与环境的互动能力。效率和可塑性是完全不同的挑战，需要完全不同的解决方法。

查红彬，北京大学机器感知与智能教育部重点实验室主任

曾    毅：我认为人工智能的圣杯（Holy Grail）是开发通用智能系统，这种系统机制上受脑启发，行为上也和人类类似。具有人类水平人工智能的系统能够去处理环境信息，定义问题，然后自己找到解决方法。但是真正的困难不仅仅是挑战更高的认知功能，莫拉维克悖论（Moravec’s Paradox）对此有很好的阐释。就像汉斯·ž莫拉维克（Hans Moravec）所说：“让计算机在智力测试或者下棋中展现出成人的水平是相对容易的，让计算机掌握一岁小孩般的感知和运动技能，却很难或者是不可能的”。

中国人工智能的黄金时期

蒲慕明：中国在人工智能领域做了什么？需要什么样的政策来支持人工智能的发展？

谭铁牛：对于中国的人工智能和神经科学来讲，这是一个黄金时代。中国政府对此很重视，中国脑计划被中央领导多次提及，这是在未来十多年中国主要的重大科学项目之一。这是前所未有的。

曾    毅：的确，政府在多个层面给予了很多支持。除了广为人知的国家层面举措，地方性的项目也逐个启动，促进人工智能的研究和发展。比如北京有一个类脑计算项目，中科院几个研究所、北京大学、清华大学等都参与其中。和我们的商业伙伴一起，我们研究所（中科院自动化研究所）也设立了一个10亿人民币的风险资本基金，致力于人工智能和机器人的发展。

蒲慕明：看起来很多大学和研究所在人工智能上都有项目。他们的研究重点有哪些区别？

查红彬：高校和科研院所在策略计划上，并没有什么不同，尽管科研院所更多是在国家项目合作的基础上运行的。当然，不同的研究组会专注在模式识别、硬件或者机器人等不同领域。中国的研究者更愿意关注西方的前沿进展。当有一个很有前景的方向出现时，大家马上都想参与其中。

蒲慕明：中科院计算技术研究所有一些令人鼓舞的进展。能简要介绍一下吗？

陈云霁：我们研究所主要是做硬件的。一个重要的进展是发展前沿芯片来处理人工神经网络。在20世纪80年代的时候，人们发展这样的硬件的程度是很小的，只是模仿神经细胞以及突触（指两个神经细胞连接之处，峰电位通过特定的化学物质扩散进行传递）。现在我们开发的处理器虽然很小，但是通过“虚拟化”运算技术，能模拟在神经网络中的无数神经细胞和突触。

蒲慕明：中科院自动研究所？最近有什么进展？

曾    毅：脑启发的智能的确是我们研究所的研究重点。我们长期的目标是解码人类智能的机制和原理，以及开发具有通用智能的类脑智能系统。最近代表性的工作是并行脑模拟器（Parallel Brain Simulator），它能够在脑的多个尺度初步模拟认知脑，从离子、神经细胞、脑的不同区域以及不同复杂程度的神经环路到认知行为。

我们已经证明，当一些神经科学原理融入进去的时候，例如神经细胞的动态分配、突触的形成和消除、兴奋性和抑制性神经细胞的合适比例，我们的脉冲神经网络（Spiking Neural Networks）的准确性能得到显著的提高。

蒲慕明：这很有趣，这一突破能让我们做什么？

曾    毅：这使我们能够初步模拟小鼠的大脑，包括7100万个兴奋性和抑制性脉冲神经元、1900亿个突触和213个脑区。我们也正在研发更接近人脑工作原理的类脑脉冲神经网络模型，这些模型能够拥有认知功能，比如模式识别、演绎、强化学习和工作记忆。并行脑模拟器也是一系列认知机器人的“大脑”，这个人工大脑的许多不同脑区能够相互协调，共同完成多个认知任务。

在和中科院CEBSIT的其他成员合作中，我们也发布了一个名为“链接脑数据中心”（Linked Brain Data）的知识引擎，专门用于脑科学、神经科学、人工智能的研究。这个研究整合了来自神经科学、心理学、认知科学等不同学科对脑的认识，针对不同物种自动建立了脑关联图，展示不同尺度的脑组成（基因、离子通道、蛋白质、神经元、脑区）与百余种认知功能和400余种脑疾病之间的关联关系。

中国面临的挑战

蒲慕明：目前的主要挑战是什么？中国应该做些什么去提高自己的研究产出？

谭铁牛：人工智能与计算机科学、神经科学、认知科学、心理学等相关。应该有一些平台，能让来自不同学科领域的科学家们进行沟通交流，分享科研进展，探讨未来研究方向。大家应该意识到不同学科领域的科学家能互相得到启发，只有那样大家才有动力走到一起交流互动。

蒲慕明：我目前观察到的现象是，我们有一个很大的神经科学团体以及一个很大的人工智能团体，但这两个团体之间在会议上很少有互动。

查红彬：在中国这的确是一个大问题。这可能部分与教育相关，比较狭隘。结果，我们的科学家的视角相对比较局限，对于他们领域之外的事情不太感兴趣。

蒲慕明：这是一个好的观点，我们正在努力地修正。中科院现在正在尝试双导师体系，在这里面每个研究生有两个来自不同研究领域的导师，学生必须在每一个实验室花大量的时间。从人工智能这方面来看，学生真的很有必要在神经科学和计算领域都得到训练。这样的训练越早开始越好。

蒲慕明，中国科学院上海生命科学研究院神经科学研究所所长

陈云霁：这是个好主意。但是我觉得这应该从本科生教育阶段就开始，设立比现在更加广泛和灵活的教育体系，让学生有更多的自由去追求他们的兴趣。

蒲慕明：我认同。现在的本科生教育太专业化了。他们有很多的课程是局限在某个专业的点上。当他们毕业之后，通常不愿意换到另外一个不同的领域。在我看来，研究者应该经常转换领域。这应该是一个常态，而不是例外，因为有创意的想法就是这样产生的。

蒲慕明：我们的人工智能研究与发达国家相比怎么样？

陈云霁：与西方国家相比，中国的优势在于我们有巨大的市场，而且发展很迅猛。这在某种方式上也能推动基础研究。中国的一个问题是人们倾向于去跟随西方现行的观点。我认为，我们应该在那些我们认为有前景，但目前又不是很潮或者在短期内还没有实用价值的领域中耕耘数十年。例如，或许我们应该更加关注认知人工智能的研究，这个领域的任何突破都有可能引发革命性影响。

曾    毅：正像我们探讨的一样，类脑人工智能这个概念并不是全新的。一些研究者已经利用计算模型去研究认知心理学几十年，现在这些被用于人工智能。我同意陈云霁的观点：需要花费几十年时间去研发有效的人工智能体系。目前，中国非常缺乏这样长期的努力，但是中科院CEBSIT正在朝着这个方向发展。

谭铁牛：中国在包括模式识别等领域研究了几十年，直到最近有些工作才被称为类脑人工智能。中国在此领域的研发投入是相当大的，也有着一支庞大的研究力量和大量的论著。但是我们倾向于跟随西方潮流，关注在对现有技术的渐进提升。我们还缺乏重大突破，目前总体上也滞后于西方发达国家。

谭铁牛，中国科学院自动化研究所研究员，中国科学院副院长

蒲慕明：为什么会这样？

谭铁牛：这与整个社会环境和科技评价体系有关。这也与学术界的一些文化，特别是一些急功近利的现象有关。

查红彬：我认为这也与发展阶段有关。中国从较低的水平开始，现在一直在追赶。一旦整体的水平上升，这个情况应该会朝着更好的方向发展。到时候，中国的研究者就能够获得更多的自由去追逐自己的兴趣，无论西方怎么样，自己可以做一些有风险的项目。

谭铁牛：关键在于建立平台，把研究者聚集在一起，激发创意，分享最新研究结果。也有必要改革评估体系，鼓励科学家去尝试长期的、有风险的项目。

曾    毅：我认同。我们不缺支持或钱。我对发达国家的研究越了解，越觉得我们缺的是差异化思考的能力。我们习惯于跟随潮流，很少人愿意冒险花费数十年证明一个想法。我们似乎只顾着发表很多以晋升为目的的论文。但是差异化思考以及有勇气尝试大多数人都不敢触碰的领域，比如通用智能，甚至是机器意识，绝对是很重要的。

蒲慕明：国际合作和国际竞争的关系是怎样的？我怀疑有的研究可能对军事应用有影响。在和国外的研究者合作时，存在这样的问题吗？

谭铁牛：这肯定需要平衡。在我看来，如果我们和世界上最好的研究团队合作，能够提升的更快一点。

蒲慕明：在神经科学研究所，许多人是害怕与西方国家的研究者工作的。他们担心自己好的想法会被西方国家的研究者所窃取，西方国家的研究者行动更快且有语言优势可以更快发表结果。

谭铁牛：在人工智能方面，我们也存在类似的问题。我认为在开展国际合作的时候，哪些该说，哪些不该说，是有技巧的。在开展国际合作的过程中，我们应该学会去保护自己在知识产权等方面的利益。

本文转载自知识分子（微信公号：The-Intellectual）。知识分子是由饶毅、鲁白、谢宇三位学者创办的移动新媒体平台，致力于关注科学、人文、思想。

英文原文2016年12月发表于《国家科学评论》（National Science Review，NSR），原标题为“Research and development of artificial intelligence in China”。

原文链接：https://doi.org/10.1093/nsr/nww076