李德毅院士：智创未来 未来已来

　　李德毅 中国工程院院士，欧亚科学院院士，指挥自动化和人工智能专家，中国人民解放军总参谋部第六十一研究所研究员，中国人工智能学会理事长，中国指挥和控制学会名誉理事长，北京邮电大学计算机学院院长，中国电子系统工程研究所副所长，国家自然科学基金委员会信息科学部主任。主要研究领域为电子信息系统重大工程的研制和开发、云模型、人工智能等。

　　2016年带着我们难忘的记忆，就这样翻篇了。由我们学会发起、全国多个组织积极参与的、纪念全球人工智能60年的一个个系列活动历历在目，在我们身边发生的种种无人驾驶的比赛和试验活动还在让我们激动不已，AlphaGo战胜人类围棋冠军李世石的震荡被Master的新战绩推向又一个新高潮，时间就这样把我们带入了新的一年——2017年。

深度学习会火
无人驾驶会火
机器人产业会火
机器同传会火
人机博弈会火
交互认知会火
不确定性人工智能会火
智能交通和智慧城市会火

　　然而，对人工智能工作者而言，我们要能够在社会上人工智能很火的时候有一点冷思考。在泡沫的下面，有什么是我们要花大力气去创新、去攻克的呢？中国的优势在哪里？我们要不忘“用人工的方法和技术，模仿、延伸和拓展人的智能”的初心，继续前进！

　　在新的一年里，越来越多的人意识到，科技强则国强，人智能则国智，用“智能”作为当今社会时代印记，命名这个时代，是我们人工智能学会值得高兴的一件事。

　　智能可提升创新驱动发展源头的供给能力，我们曾经依靠资源、资本、劳动力等要素投入，支撑中国经济的快速增长和规模扩展，但这已经成为历史，加快从要素驱动发展向创新驱动发展的转变，人工智能是一种解决方案。

　　在农耕社会和工业社会,人类的生产工具主要是基于物质和能量的动力工具，得到了极大地发展；现代劳动工具转向了基于数据、信息、知识、价值的智力工具，使得人口红利、劳动力红利的作用效果不再明显，创新驱动发展成为时代的最强音，智能的红利已经到来！当今，不仅是材料、能源、传统制造和动力工具，更重要的是基于数据、信息、知识、价值和智能的智力和智力工具，成为人类拓展认识世界、改造世界能力的新的切入点。

　　中国是世界第一人口大国，智力资源丰富，中国人的智能和智力的培养和提升，成为智能强国的基础，智能产业成为先进社会最重要的经济来源，所以智能已经提升到国家战略的高度，智能科学技术对经济繁荣，国家安全，人口健康，生态环境和生活质量，比以往任何时候都重要。

　　在全社会热烈关注智能的同时，我们同样也要有点冷思考。2016年获得李克强总理授予“中国政府友谊奖”的美国科学院院士、美国工程院院士约翰?霍普克罗夫特认为：中国拥有全球1/6的人口，却没有能拥有全球1/6的智力资源。他的观点值得我们自我追问，我们人工智能学会还能为智能再多做一点什么？例如说，在推动“智能科学与技术”作为一级学科的论证和普及中，我们能再多做一点什么？

　　我们已经告别了人工智能收获满满的2016年，迎接人工智能充满希望的2017年，智创未来，未来已来，让我们张开双臂，热烈拥抱智创时代的到来！

张钹院士：后深度学习时代的人工智能

　　张钹 中国科学院院士，教授，博士生导师，智能技术与系统国家重点实验室名誉主任。主要研究领域为人工智能、人工神经网络、机器学习等理论与技术研究。

　　1956年，在美国达特茅斯学院举行的一次会议上，“人工智能”的研究领域正式确立。六十年后的今天，人工智能的发展正进入前所未有的大好时期。我今天做的报告，将通过分析时代的特点，这个时代下人工智能与计算机的可能命运，来重新认识人工智能、认识我们赖以生存的计算机、还有我们自己。

后深度学习时代的前提

　　我们看到如今人工智能的春天又来了，不过和三十年前日本兴起的人工智能热潮相比，发生了如下变化：时间不同、地点不同、主题也不同。这次人工智能的大发展与深度学习紧密相关，体现在：

（1）从知识情报处理到深度学习；
（2）从第五代计算机（日本提出的概念）到类脑计算机；
（3）从大容量知识库到大数据；
（4）从高速符号推理机到类脑芯片；
（5）从自然语言理解到感知（机器人）。

　　与三十年前的人工智能热潮相比，此次大发展的不同点还在于：一是大数据；二是概率统计方法（及其理论）。正是因为这两个因素催生了当前的深度学习大潮。可以说，大数据与概率统计方法共同推动了神经网络模型的创建和发展。特别是概率统计方法中的贝叶斯统计学，将它“引进”人工智能领域，促使人工智能发生了革命性的变化。

　　我们现在能够做深度学习，能够在几百万、几千万的参数下做优化，很多人都以为是计算机变快，其实不完全是，还要归功于概率统计方法的变化。这个变化使得我们现在能把深度学习做好。所谓深度，就是网络层数比较多。由于使用深度学习方法，把语音识别、图像识别等的识别准确度提高了10%左右，引起了深度学习的进一步发展热潮。

　　为什么呢？因为深度学习可以解决一些不能清楚表述的问题，也就是说“知其然，不知其所以然”  的问题。第二个，它能针对不确定性的问题，针对不断的变化而不断的再学习。另外，深度学习还有一个完全改变传统神经网络的作用，它不仅仅做函数映射，更重要是能自动提取多层次重复的模式（特征），不依赖于人工设计的特征。使模式识别的能力达到新的高度。

　　可以这么说，深度学习可以帮助我们解决在给定的大数据情境下，在感知信息处理上，有可能达到人类的水平甚至超过人类。

后深度学习时代的人工智能

　　后深度学习时代的人工智能，就是要把人工智能从狭义的、只能解决一定范围内的问题，推广到更宽广的范围，这就是我们现在所谓的弱人工智能、强人工智能、以及通用人工智能。这项工作面临三个主要挑战：

（1）第一个挑战是概率统计方法带来的困难。我们刚刚说过概率统计方法给人工智能带来革命性的变化，但是它也同时给人工智能带来极大的挑战，这也是来自概率统计本身的原因—它通过大量的数据，只能抽取出重复出现的特征，或者是数据中间的统计关联性；找出来的并不是本质上的特征、语义上的特征；找出来的关系，也并不都是因果关系，而是关联关系。也就是说深度学习区分物体的依据是重复的模式，而人类大脑区分物体的依据是语义上的特征，两者有本质的区别，当然存在一定的关联性。

（2）第二个挑战是生数据带来的问题。大数据有很多好处，但是大数据也带来很大困难。我们现在使用的大数据跟以前的海量数据不一样，其中大量的数据是生数据。网络采集的数据都是掺杂了很多噪声、虚假信息、垃圾信息等等，这种数据叫生数据。当前的机器学习方法对于生数据的处理，与经过预加工的数据相比，鲁棒性表现相对很差。

（3）第三个挑战是推广能力、领域迁移。当前的深度学习方法都是就事论事，都很难推广到不同领域，这也就是面临的主要挑战。我们要从一个弱的人工智能推广到强人工智能，必须要克服领域迁移的困难。