AI发展至今已有60年光景，已处于高速成长阶段。60年的光阴里AI都取得了哪些进展?有哪些制约因素?我国AI发展到了什么水平?

图灵奖获得者、美国科学院院士、美国工程院院士John Hopcroft，中国科学院院士张钹，中国工程院院士高文等国内外AI顶尖学者齐聚一堂，为你带来详细解读。

AI的下一次突破何时到来?

世界范围内，AI已经发展了60年左右的时间。然而从上世纪60年代开始，30多年的时间里并没有研究出可以比肩人类的技术。直到1997年，IBM研发的深蓝超级计算器击败国际象棋世界冠军加里·基莫维奇·卡斯帕罗夫，至此AI终于实现了里程碑式的突破。2005年，在斯坦福大学时任副教授的Sebastian Thrun带领学生打造的一款名为“斯坦利”的机器汽车，成功穿越300英里沙漠，成为历史上第一个完成DARPA无人驾驶汽车挑战赛的自动驾驶汽车，业内公认“斯坦利”是AI应用的又一次突破，Sebastian Thrun也因此成为了谷歌自动驾驶汽车系统的专家，帮谷歌打造出自动驾驶的原型车，谷歌也凭此成为了自动驾驶领域的领军者。

到了2012年，也是AI迄今距离最近的一次突破——深度学习。当时机器学习已经非常流行，但是还不足以达成AI的最高目标，而深度学习的理论已经存在了几十年，直到2012年终于取得突破，它可以构建AI已知的所有功能，包括决策理论、规划和推理，让AI距离真正解决问题又近了一步。

深度学习可以解决什么问题?比如有一辆自行车，深度学习可以将自行车进行结构性的拆解，对车座、车把、车轮等组成部分进行识别。“但是当遇到一件与自行车十分类似的物品时，深度学习会把它自动归为同类。”图灵奖获得者John Hopcroft在6月21日线上举办的2020北京智源大会上谈到，深度学习的问题在于它不能告诉你自行车每个部分的功能是什么。

下一代人工智能要取得突破，可以在深度学习的基础上附加相应的逻辑，实现让AI知道脚踏板可以驱动车轮，区分有用邮件和垃圾邮件。

康奈尔大学教授Bart Salmen认为，深度学习还有很大的提升空间，它是一种基于数据训练的学习方法，但是人类是有感知能力的，要达到人类水平，就要学会感知。张钹认为，感知=感觉+认知，目前深度学习方法只触及到了感觉层面，还未达到认知高度，需要真正的知识灌输，下一代AI要明确地把知识驱动和数据驱动结合起来才能真正取得突破

那么AI的下一次突破何时到来，又一个十年、二十年?

John Hopcroft认为，历史上农业发展花费了上千年，制造业发展花了几百年，AI首次取得成功只用了几十年，所以下一次突破会很快。

专家们纷纷表示，下一代AI一定要具有可解释性，使用者需要知道AI究竟是怎样运作的，这也是增强人类对AI信任度的关键。

John Hopcroft指出，AI的下一次突破不一定是计算能力的突破，也有可能是生物学层面的突破。

AI需要解决什么问题?

隐私和安全问题是人工智能技术应用大规模铺开所面临的一大挑战，这是很多用户在接受使用AI应用前最担心的问题之一。

中国科学院院士张钹在大会上指出，要解决这个问题，首先要从两个层面来探讨。一是如何正确合理运用隐私，这需要AI开发企业的高度自律。隐私保护是为了防止伤害集体和个人的利益，涉及到保护和使用的关系，可以很严也可以很松，不一定一步到位制定出完整的规则，需要逐步的改进。

二要避免人工智能滥用的问题，这是目前深度学习无法解决的问题，需要谈到人工智能治理这个层面。张钹指出，一方面要定义规则，制定严格的法律法规，另一方面要发展安全可靠、可信、可扩展的人工智能技术，这样才能真正保证人工智能的安全。“人工智能治理非常重要，只有想清楚如何治理，才能知道技术往哪些方向发展。”张钹谈到。

此外，还要建立让用户信任的AI应用机制。香港科技大学教授杨强认为，开发者和应用方不可能隔绝开来，需要共同协作、互相交流。开始可以先采用加密模型参数，对于使用者来说，可能会不清楚传递是参数还是数据，那么就可以引入一个中心机构，让每一个参与者在这个中间机构中传递信息。另外也可以引入区块链的管理模式，借助其透明化且不可篡改的机制对隐私加以保护。

中国工程院院士高文认为，开源是解决AI隐私问题最好的办法，没有一蹴而就的解决方法。“就像武术一样，要想做到厉害就要不停攻防。”高文强调，“不要太过担心资源共享有可能带来的恶意攻击，因为技术发展过程中一定会考虑到针对性的解决办法。”

中国AI发展痛点在哪里?

新基建浪潮下，国内各大企业通过兴建大量基础设施，强调大算力来抢占技术高地，那么AI到底需要多大的算力?

杨强认为，大算力是AI突破的方式。学术界很多专家开始尝试采用迁移学习的方法解决通用问题，如果算力足够大，那么迁移学习就可以适配到各个领域，符合纵深发展的条件。

高文指出，下一代AI要解决高效能的问题。AI的下一阶段要求是超过人的精度，但是人本身并不需要太大的算力。所以下一步应提高计算机的学习能力，减少低效学习所消耗的大量电力，不能过分追求大算力。

我国在AI科研平均水平已经接近世界水平，但是最高水平和世界领先仍有较大差距。“没有从0到1的发现。”张钹指出，我国AI研究尚未突破创新的瓶颈，基础研究落脚点在发表论文的数量上，与过去相比有巨大的进步，也是制约因素。

杨强认为，有责任心有志向的学者应该在创新上努力，重点是选题质量而不是文章数量。研究方向一要足够新，二要足够难，三要让人很容易理解。“计算机的发展离不开数据，触手可及的数据更容易实现落地。”杨强说道，“不要跟风热门领域，有很多新领域更值得探索。”