1、人工智能將來進展趨勢分析前言：假如依據聰慧和笨、勤奮和懶散來劃分，世人大致可分為四類：聰慧且勤奮、笨但勤奮、聰慧卻懶散、笨且懶散。一般而言，前兩種人成功的幾率會比較大。因此，人聰慧往往是指一個人機靈機敏，學習中具有舉一反三、觸類旁通的力量。這樣的人不費多少力氣就能把握某種學問和技能，而且擅長解決簡單問題，尤其是以前沒有處理過的問題。而勤奮則是指認認真真努力干好每一件事情，不怕吃永不言棄的精神。60 多年的進展，人工智能Intelligence, AI）就是父母口中所說的那個別人家的孩子，看上去毫不費勁AI 話、精力充分、幾近完善的“笨小孩”。比如，戰勝圍棋九 AlphaGo 100 萬盤棋譜，

2、它正是通過學習這些數據才總結出柯潔和李世石下棋的策略，進 而提前做出布局。而柯潔和李世石兩個人加起來終其一生也 100AlphaGoAlphaGo Zero右互搏自學成才。AlphaGo Zero不斷探究和累積閱歷，現在AlphaGoAlphaGo AlphaGo Zero補拙”，就像是我們自己家的那個懂事勤奮又刻苦的孩子， 的確取得了很大成功，但是著實相當不易，格外辛苦！我們 由衷地為孩子興奮，卻又總覺得苦了孩子，總期望他們能多 AI 更多地贏在“智能”而不是“人工”上。AI 大致可以總結為以下六個方面的進展趨勢。假如在這些方面AI 一、綠色低碳更靈活的人工智能2023 10 24 全面貫徹

3、新進展理念做好碳達峰碳中和工作的意見提出大AI 賦能產業提出了新要求綠色化助力碳中和。清華高校智能產業爭辯院院長張亞勤提出AI+IoT 綠色低碳應用場景，一是清潔能源和傳統能源的融合技術可以監測碳排放，智能調度；二是信息和通5G 比如在綠色城市、綠色交通等領域，AIoT 也大有可為。其實，將來 AI自身的進展也應當沿著綠色低碳方向進行。當下的AI正在“野蠻生長”，其算法、數據和算力這三基石也在進行規模擴張式進展。深度神經網絡的模型規模越來越大，參數越來越多，因此所需要訓練樣本的規模越來越大，訓練網絡所需的算力必需越來越強，對資源的消耗必定越來越高。這樣的進展明顯是與綠色低碳背道而馳。以Open

4、AI 提出的自然語言處理領域的GPT 模型為例其強大的功能是建立在超大的訓練語料、超多的模型參數，以及超強的計算資源之上GPT模型的參數量為1.17 億，預訓練數據量 的參數量為15 億預訓練數據量的參數量為1750 億，預訓練數據量45GB。據說，GPT-4 的參數量將達到100 萬億，比GPT-3 還要大500 倍。同時，針對監督學習來說，數據量的增長需要很多人力進行樣本標 注，從而產生了一批又一批被AI“累死”的人。為此，有人提出了“莫非有多少人工，才有多少智能？”這樣的靈魂拷問。反觀人類的才智體現在“否定”“遺忘”“有所為有所不為”等哲學上。這樣的才智是在做減法，通過主動“選擇”走上了

5、一條綠色極簡的進展道路。為了實現綠色低碳智能系統，我AI 的進展方向應當是做“減法”而不是做“加法”。一方面構建更為靈活的網絡模型，通過輕量化的模型降低對數據量和算力的需求；另一方面，構建更為高效廣泛的共享AI 提高預訓練模型的效益，從而從宏觀上實現綠色低碳的總體效果。總之，“創新、協調、綠色、開放、共享”五大進展理AI 的進展指明白方向，提出了根本遵循。二、學問數據雙驅動的人工智能人工智能的進展歷程經常被劃分為兩代，即學問驅動的AI 和數據驅動的AI。第一代AI 主要基于學問庫和推理機來模擬人類的推理和思考行為其代表性成果就是IBM 公司的DeepBlue 和Deeper于1997 年5 月

6、戰勝了當時的國際象棋冠軍卡斯帕羅夫。學問驅動的AI具有很好的可解釋性而且學問作為一種數據和信息高度凝練的體現,也往往意味著更高的算法執行效率。但是，其缺點在于完全依靠專家學問。一方面，將學問變成機器可理解可執行的算法格外費時費勁；另一方面，還有大量的學問或閱歷難以表達建模。因此，學問驅動的AI 的應用范圍格外有限。AI 聽覺、觸覺等。其代表性成果就是深度神經網絡，通過收集大量的訓練數據并進行標注，然后訓練設計好的深度網絡。AI AI 具有通用性強、端到端的“黑箱”或傻瓜特性。但是，也正是由于其“黑箱”特AI AIAI AI 技術進行抽取、表達后協同大量數據進行計算，進而產生更為精準的模型，并再

7、次賦能給機器和人。目前，學問計算在若干垂直行業獲得初步成功。為此，華為云把明確定義的應用場景、充分的算力、可 AIAI AI AI 卻AI將是一項極具挑戰性的課題。三、人機物融合的混合人工智能2023 5 技快速進展，大大拓展了時間、空間和人們認知范圍，人類正在進入一個人機物三元融合的萬物智能互聯時代”。為此我們的爭辯對象將由過去的物理 -信息系統向物- 信息-人類社會更簡單的系統擴展人類所面臨的很多問題具有不確定性、脆弱性和開放性，同時人類也是智能機器的服務對象和最終“價值推斷”的仲裁者，因此，人類智能與機器智能的協同將是貫穿始終的。這就需要將人的作用或認知模型引入到 AI中，從而形成“人機

8、混合智能”或“混合增加智能”。人機混合增加智能有兩種形態，一種是人在回路中（Human-in-the-loop）的混合增加智能；一種是人在回路上（Human-on-the-loop）的混合增加智能，或者說基于認知計 算的混合增加智能。前者將人作為一個計算節點或者決策節AI AI。其實“人機混合”這一概念并不生疏，人與動物一個最重要的區分就是人會制造和使用工具， 而人使用工具的過程就是“人機混合”的過程。機械化時代， 人機混合延長和增加人的體力；信息化時代，人機混合延長和增加人的感知力；在今日的智能化時代，人機混合增加人類的智力，將是人腦主導的“感知力增加”和“智力增加”。比如，可穿戴設備，智能

9、手表、智能眼鏡、智能服裝等，都掛念我們構建以人為中心的智能系統。人機混合增加智能系統的技術瓶頸在于人機的自然交互或接口技術，這將是將來 AI爭辯的難點和關鍵核心問題。當前，人機混合智能已經有了很多嘗試。比如，可穿戴搬運機器人在馬達驅動下支撐人的上半身，減輕搬運重物時腰部負擔；一些科學家還嘗試將電極植入人腦中，讓人腦可以隨時直接從計算機中下載或上傳數據，大幅提升人類的認知力量。將來人機混合增加智能期望能夠建立以人為中心的智能形態，保證它“可用、好用”，而且“可控”。此外，當前AI AI“立心AI 更好的為人類“立功”。四、可信牢靠可解釋的人工智能機器學習尤其是深度學習的進展使得人工智能模型越 A

10、IAI 應當是“可信任的”，包含安全、隱私和透亮、可解釋等。2016 Ali Rahimi NIPS 大會上表示，當前有一種把機器學習當成煉金術來使用的錯誤趨勢。同年， 美國國防高級爭辯方案局制定了“DARPA Explainable AI (XAI) Program”AI 模型。關于“可解釋性”2017 ICML 會可解釋性是一種以人類理解的語言( 術語 ) 給人類供應解釋的力量（ Interpretability as the ability to explain or to present in understandable terms to a human）。人有顯性學問和隱性學問，隱

11、性學問就是閱歷直到一起。可解釋性要求對AI系統的技術過程和相關的決策過程能夠給出合理解釋技術可解釋性要求AI 做出的決策是可以被人們所理解和追溯在AI 系統會對人類的生命造成重大影響時就需要AI 系統的決策過程有一個合理的解釋提前的預判與合法的把握因此可解釋性AI 有三大需求第一是使深度神經網組件變得透亮；其次是從深度神經網里面學習到語義圖第三是生成人能理解的解釋AI系統不肯定有意識但可以有目的。機器學習的真正難點在于保證機器的目的與人的價值觀全都。AI面臨的重要挑戰不是機器能做多少事，而是知道機器做的對不對。五、非深度神經網絡的人工智能AI 的成功在很大程度上是大數據和深度學習的成功AI 了

12、保持“物種的多樣性”系統。三個關鍵因素。但是，這三個因素并沒有“要求”能做深度學習。為此，他們提出了“深度森林”BP 算法，甚至不依靠于梯度計算。“深度森林”具有訓練簡潔、效率高等優點，小規模訓練AI 系統的一種嘗試。絡格外強大，但大多數網絡都被極度耗時的訓練過程所困擾對于“深度”結構來說，“寬度”結構由于沒有層與層之間的耦合而格外簡潔。同樣，由于沒有多層連接，寬度網絡亦不需 要利用梯度下降來更新權值，所以計算速度大大優于深度學 習。在網絡精度達不到要求時，可以通過增加網絡的“寬度來提升精度，而增加寬度所增加的計算量與深度網絡增加層 數相比，可以說是微乎其微。當然，也有學者認為，現有的 寬度學習僅適用于數據特征不多，但對猜測實時性要求較高 的場景。AIAIAI 生態環境的重要保障。六、開放