從著名的圖靈測試開始，人工智能便在跌跌撞撞中找尋自己前進的道路。
近年來，通過深度學習，人工智能在某些領域已經可以與人類智能相媲美，甚至超越人類。即便如此，它依然無法理解我們的感情，依然無法像個十歲的孩童一樣感知世界。它的局限，就如同它的“神通”一樣清晰明了。
那么，人工智能的“未來之光”究竟會如何照亮現實呢？
6月5日至6日，一場人工智能領域的大咖盛宴——2021全球人工智能技術大會在杭州未來科技城舉行。國內外最頂尖的相關專家濟濟一堂。本報記者走進他們的研究世界，探索人工智能領域的最前沿。
深度學習——
大數據技術的成效
深度學習為人工智能帶來了什么？
在全球人工智能技術大會上，中國科學院院士、西安交通大學教授徐宗本提出了這樣一個論斷——“坦率地講，現在的人工智能仍主要以深度學習為基礎”。
長久以來，圍棋被看作是人類發明中最復雜、最具開放性的智力游戲之一。許多專家曾預測，電腦在幾百年的時間內都不可能在圍棋上戰勝人腦。
2017年，烏鎮的一場“人機大戰”，吸引了全世界的目光。自從智能機器人AlphaGo以4:1的成績戰勝韓國棋手李世石九段以后，中國棋手柯潔九段再度迎戰AlphaGo，試圖為人類扳回一局。
最終的比分定格在0：3——橫空出世的AlphaGo讓很多人真正意識到了人工智能和深度學習的強大力量。它擁有以深度神經元為代表的智能系統，意味著人工智能可以在某些領域挑戰人類智慧的極限。
深度學習是機器學習的一種。它在本質上是一種包含多個隱含層的人工神經網絡。它從大量數據中學習表示（或特征），以便在分類和預測時從中提取有用信息。理論上，參數越多的模型復雜程度越高，容量就越大，也意味著它能完成更復雜的學習任務。
現場有專家告訴記者，這里的“學習”本質上是認知的過程，從未知到已知的探索和思考。“比如1+1=2，一根手指是‘1’，再伸出一根手指，數一數，兩根手指那就是‘2’。”這里的“1”和“加號”就是輸入，而得到的計算結果“2”就是輸出。所以，任何的從已經有的信息，最終獲得一個認知的過程都可以稱為“學習”。
在柯潔與AlphaGo對弈過程中，下一步的棋子落在什么地方，是一種選擇問題。當前科學家正用一種叫做“神經網絡”的學習策略，來解決這類問題。這類似于在人腦中負責活動的基本單元“神經元”，互相連接成一個更龐大的“神經網絡”。
而“深度”就是從“輸入層”到“輸出層”所經歷層次的數目。層數越多，學習深度也越深。所以，越是復雜的選擇問題，越需要深度的層次多。當然，除了層數多外，每層“神經元”數目也要多。例如，AlphaGo的策略網絡是13層，每一層的神經元數量為192個。
由此也可見深度學習的局限性——計算的局限，模型的局限，以及過度地依賴標注數據。“有人說，這幾年人工智能的發展是大數據發展的成果，也就是認為我們的模型更多還是依靠數據。”現場有專家表示。
人機混合——
從模仿腦到連接腦
或許我們早就用想象力為未來指明了方向。
科幻電影《阿凡達》中，人類能夠借助機器，為自己的思維“穿上”阿凡達的軀殼。這個軀殼既可以是機械體，也可以是生命體，甚至可以是信息體。
回望人工智能發展的60余年，符號主義、連接主義、行為主義的側重點各不相同，但皆是計算機模仿人類智能或行為。它們或多或少解決了一些實踐應用問題，但局限于以“機器”為中心的視角，只考慮由機器構成的智能系統。
現在，將人引入，并將其作為系統的重要組成部分——通過人機混合，有望能夠充分融合機器智能和人類智能的優點和缺點。
專家表示，人類智能和機器智能的混合是必然的發展趨勢。理解大腦的運作方式，是人工智能未來發展的一個重要出路或出路之一。
就在去年，SpaceX和特斯拉等公司創始人埃隆·馬斯克用三只小豬展示了最新一代腦機接口技術和產品——一枚硬幣大小，可植入大腦的芯片，以及一臺可完成自動植入芯片的手術設備。
研究人員不僅能夠通過植入的芯片讀出大腦活動，對小豬行為做出預測，還能向電極發送信號并刺激它們的大腦。神經元細胞會根據電極發出的信號產生反應。
科幻正在變為現實，雖然預測和控制一只豬的行為聽上去是如此顛覆認知。
腦機接口意味著腦機融合，也就是腦和機形成循環。機器從大腦或生物體當中讀取神經信號，并且通過系統解釋、處理、再處理神經信號，再通過外部信號重新輸入干預腦的過程，
在這個過程中，人機接口變為腦機接口。我們不再通過鍵盤或視覺等其他行為來形成鏈接，而是通過植入和非植入晶體芯片的方式，直接鏈接人與機器。
理論上，腦機接口設備可以被期待用來解決很多問題，比如視障、聽障、帕金森綜合癥等。腦部損傷患者有可能因此重新獲得對世界的某方面感知。甚至，電影《黑客帝國》里一個神經現實的世界可能實現。
這種從計算機領域提出的人機交互的新路徑，為腦機智能形態的融合提供了一個雙向、系統的信息通道。這也是用一個全新的角度，來看待人工智能——從模仿腦到連接腦。
在紀念“人工智能之父”圖靈誕辰百年的文章中，國際頂級期刊《自然》明確提出，未來人工智能的一個重要發展方向，就是腦機體在一起融合并協同工作。
近年來，微絲電極、猶他陣列、密歇根陣列、記憶神經假體等前沿成果相繼誕生，眾多專家學者跨專業、跨學科投身腦機接口研究的大潮之中，它已然成為人工智能領域的熱土。
與會專家認為，腦機融合的智能有望成為兼容生物智能體的環境感知、記憶、推理、學習能力和機器智能體的信息整合、搜索、計算能力的新型超強智能形態。
“超智能”——
有創造力的人工智能
許多年，學術界對人工智能的看法依舊：機器的高級認知能力很初步，人工智能的應用路阻且長。
清華大學計算機科學與技術系教授孫富春在接受記者采訪時說：“深度學習僅僅解決了大規模數據到標簽的映射問題，主要做分類；它還是底層的計算，還沒有辦法達到高層認知層面。”
這也就意味著，目前的人工智能還是只能針對特定對象、特定場景。它的學習過程處于一個黑箱之中，見不著光、探不著底。
我們如何從狹窄的、特定領域的智能邁向真正可以解釋的、更通用的智能呢？
通用智能并不一定意味著人類智能，但我們希望機器能做出人類的判斷和決策。這并不一定意味著機器將實現創造力、直覺或本能等沒有數字類比的概念。它將具備處理多種類型的任務，和適應未曾預料的情形的能力，并且毫無疑問可以識別“正義”和“公平”這樣的概念。
與會專家認為，通用智能要么將顯著慢于人類思維，難以通過硬件或軟件加速，要么將通過大規模并行和硬件改進而獲得快速提速。“我們將從數千個內核 GPU，擴展到數千個芯片上數以萬億計的內核。其數據流來自數十億的傳感器。在第一種情況中，當加速變緩時，通用智能可能不會那么有趣。在第二種情況中，其增速的斜坡將會非常陡峭、非常快。”
超越通用智能后的下一步是“超智能”。從某種程度上來說，這是一種具有創造力的人工智能。
有圍棋專家稱 AlphaGo 的一些落子是“創造性的”。但它們源自與其他所有落子完全一樣的過程和模式，而并非以一種新的視角看待這項游戲。同樣算法的重復應用可能會產生讓人類感到驚訝或意外的結果，但僅僅的驚訝并不是我們所說的“創造力”。
面向人工智能領域的發展未來，科大訊飛董事長劉慶峰向記者提出了自己的展望：一是深度學習的“黑盒”變“白盒”。讓深度學習從關注程序外部結果到深入程序內部邏輯結構，從數據結構化、網絡可視化到推理過程化，衍生出“具有可解釋性的人工智能”。這樣的需求是當下十分迫切、也是未來人工智能的攻堅方向。二是人機共存時代到來，人機共存更加和諧、自然。人機交互將更加以人為本，人工智能將更加順應每個人的發展，包括多模態感知和呈現，可編輯的人工智能人設，場景自適應的交互等。三是人工智能和多學科交叉研究，將加速促進人工智能在更多行業中引發顛覆式的革新。如人工智能和腦科學的結合，人工智能的基本算法在材料科學和生物制藥領域都將起到巨大作用。
