因此，人工智能的发展并不是一帆风顺的。这条曲线，更多描述的是人工智能应用的不同发展阶段。1956人工智能被提出后，大家认为AI很快能够满足大家的需求。人工神经网络（Perceptron）1957年被提出，第一个人工智能软件（做定理整理的LogicTheorist）也很快被提出。因为当时计算机速度很慢，存储量很小，同时，人们意识到人的智能思维过程不能单纯依靠符号表示。因此，人工智能不能很快实现。这一阶段，中国并没有参与。

　　在20世纪80年代，个人电脑出现，美国在搞“星球大战”计划，欧洲在搞“尤里卡计划”，日本提出“第五代计算机”，即可以做出一个像人一样可以交互和思考的计算机。中国当时发起863计划，第一次开始进行研究人员的培养和补充。

　　到了90年代末，互联网兴起，人工智能处于最不景气的阶段。当时AI专业毕业都找不到工作，因为人工智能解决不了实际问题。在那个时间点，中国已经储备了做人工智能科学研究的人才。科大讯飞是1999年成立。当时创业很艰难，当时提出3年要做100个亿，其实到今年，讯飞要做100亿还是有难度的。但是，互联网和移动互联网的发展为AI的发展奠定基础，这也让中美两国成为世界上唯二两个既拥有AI技术准备（庞大的科研人员）,又拥有互联网和移动互联网基础设施和产业构型的国家。如今，AI在全球的竞争，就是中美之间的竞争。

　　不同的人对于AI有不同的观点。而另一些真正做人工智能研究的人，比如Michael Jordan和YannLeCun认为，人工智能还远未达到能够威胁人类的地步，还有很多技术探索工作要做。人工智能威胁派想的大多是强人工智能，现在工业界取得突破的是弱人工智能，这之间还有很大差距。

　　最近有两本书很有名，《人类简史》和《未来简史》。《未来简史》中提到一个观点，将来的人工智能是否会有意识。我在过去两年也提到，将来我们可能做出智能与人类一样，但是没有自我意识的智能体。在自然宇宙中，智能与自我意识是共存的，且两者之间强相关。比如，动物的智能越强，自我意识就越强。在数字宇宙中，智能体可能很聪明，但不一定有自我意识。如果将来能够把两者分开，一个没有意识的智能体还能灭绝人类吗？我们还不如担忧另一个问题，机器人是否会取代人类的工作，这是一个值得严肃考虑的问题。

“Where”——人工智能现状如何？

　　目前，人工智能的发展如何？强人工智能看不到突破，但是弱人工智能已经发展的不错了。那么，与人比较，发展怎么样？ENIAC被发明出来后，军方希望用其计算炮弹的运行轨迹。人类的大脑最不擅长计算。我们将这种智能称为运算智能。

　　所有的棋类程序都可以用运算解决，因为他们是完全信息公开的博弈系统。2016年AlphaGo战胜了李世石九段，但这并不能说明问题。围棋的运算量很大，大概是10的170次方。按照目前的计算机运算能力，大概在10-15年之后，才能算完。现在AlphaGo运用了其他技术，比如感知智能才算完。但是本质还是计算。AlphaGo学习了16万盘人类的对弈过程，自己又生成3000万盘。人类不可能记住3000万盘中的每一步对弈经验，机器能够记住，并能够推算后面10-30步。

　　从运算能力和重组能力来讲，人类早不是机器的对手。但是从感知智能（能听会说，能看会认）和运动智能（能抓会扔，能走会跑）来看，最近很多的技术都是与这两个智能相关。在感知方面，人类有眼耳鼻舌声，机器的进步也很快，深度神经网络应用于图像和语音；在运动方面，我们过去用智能控制的方法。

“How”——人工智能将如何实现？

　　中科大以前的校长提到，人的大脑局部有量子效应的，量子效应也可能使得人的大脑在放电中产生智能。各种说法都有，这是一个未探知的奥秘。我个人推崇的是“鸟飞派”。最早的人类学习飞行是像鸟一样粘很多次毛，跑到高处往下跳。发明飞机之后，钱学森的导师冯·卡门研究了空气动力学（air dynamics），研究鸟的羽毛为什么能够产生升力，主要是羽毛的横截面在空气的流动过程中能够产生向上的升力，这个升力很复杂，有多种现象。现在人的飞机比鸟更先进。大脑受脑壳的物理限制，大脑不能很大，结构也不能特别复杂。但是其中的结构、存储记忆的方式，以及放电行为的传递，是非常有意思的。

　　如果我们能够研究智能动力学（intelligence dynamics），我们可以将智能和意识分开。因为两者产生的机理可能不同。若搞清楚，我们可以将智能的东西单独剥离出来，做出超脑，不受到自然宇宙中神经连接的物理限制。关键是是否能够将智能动力学搞清楚。目前，我们正在研究视觉、听觉、各种感知的机理，我们希望能够突破，但是可能需要10年甚至更久。

　　目前的产业界，人工智能为何能够工作，主要因为3大法宝：首先是深度神经网络。虽然在数学上不beauty，但是随着数据量增加，性能能够不断提升。但是想提醒的是，现在神经网络有用，并不代表二三十年后，没有其他算法能够超过他。随着认识的加深，可能之后有新的算法超越深度神经网络。现在，应该有其他科学家坚持其他机器算法的语言。其次，互联网和移动互联网的普及有利于获取真实的统计大数据。在统计模式识别中有一个基本的假设，training data和testing data要同分布。训练的数据需要来自于使用环境，互联网和移动互联带给大家这种条件。比如，现在的讯飞输入法，用户会将语音数据上传，可以降低数据收集成本。

转载请注明出处。