李德毅，中國工程院院士、中國人工智能學(xué)會理事長

我們今天的科學(xué)家，尤其是計(jì)算機(jī)科學(xué)家，把‘計(jì)算’用得太狠了，對‘計(jì)算’的依賴甚至有些‘貪得無厭’了！

人工智能學(xué)者不能只盯著計(jì)算認(rèn)知，一味要求人腦研究的步伐有多快，而要拿出更多的精力放在“記憶認(rèn)知”和“交互認(rèn)知”上。

關(guān)于自動駕駛，無論是對話、詩詞或者駕駛，圖靈測試都允許測試者現(xiàn)場介入，判定結(jié)果都帶有近似性和主觀性。但是，和對話、詩詞測試相比，駕駛的圖靈測試可以進(jìn)行更為精確、更為客觀的評測。

當(dāng)初汽車被發(fā)明出來的時候，人們最感興趣的是汽車的結(jié)構(gòu)、機(jī)械、傳動、輪胎、底盤和車身。到20世紀(jì)，人們感興趣的則是發(fā)動機(jī)、碳排放和被動安全。到20世紀(jì)末、21世紀(jì)初，人們總體上關(guān)心3件事情，輕量化、清潔化、智能化。

智能化，有4個階段，第一是理性輔助駕駛，以人駕為主；第二是自動駕駛，局部時段可以放開手和腳；第三是自動駕駛，即用自動駕駛接管駕駛權(quán)；第四是人機(jī)協(xié)同駕駛。

無人駕駛的重點(diǎn)，難在擬人。汽車是從馬車演變而來，作為動力工具，汽車的馬力可以達(dá)到100匹馬力，但汽車遠(yuǎn)遠(yuǎn)不如馬應(yīng)對不同的負(fù)荷、天氣、路面，以及不同車輛情況下的適應(yīng)能力。說白了，汽車的感知、認(rèn)知能力遠(yuǎn)遠(yuǎn)不如馬這個認(rèn)知主體，“老馬識途，車不如馬！”

所以根本問題不在于車而在于人，要解決人的問題，就要讓駕駛員的認(rèn)知能夠用機(jī)器人替代，讓機(jī)器人具有記憶、決策和行為能力，于是新的概念產(chǎn)生了——“駕駛腦”。

“駕駛腦”不等于駕駛員腦，“駕駛腦”是要做駕駛員的智能代理，要去完成包括記憶認(rèn)知、計(jì)算認(rèn)知和交互認(rèn)知在內(nèi)的駕駛認(rèn)知，他說，這應(yīng)該是人工智能時代最有意義的課題之一。

蒲慕明，中國科學(xué)院外籍院士、中國科學(xué)院神經(jīng)科學(xué)研究所所長

不管是國內(nèi)還是國外，都是如此，不過隨著研究手段不斷豐富，研究領(lǐng)域不斷突破，兩者的交叉融合成為熱點(diǎn)，甚至出現(xiàn)一個新的研究名詞，類腦智能。美國、歐盟都相繼啟動相關(guān)研究計(jì)劃，中國也啟動了腦計(jì)劃。但中國的計(jì)劃是將腦科學(xué)和人工智能結(jié)合得最為緊密的。

比如，現(xiàn)在流行的深度學(xué)習(xí)，就是基于人工神經(jīng)網(wǎng)絡(luò)的一個應(yīng)用，這些人工神經(jīng)網(wǎng)絡(luò)都可以從神經(jīng)科學(xué)的一些規(guī)律中得到靈感。蒲慕明說，比如可以借鑒神經(jīng)突觸的可塑性、記憶儲存、提取與消退，等等。

目前的腦科學(xué)研究能啟發(fā)人工智能的并不是特別多。因?yàn)楫?dāng)前的腦科學(xué)研究，僅相當(dāng)于物理、化學(xué)等學(xué)科在19世紀(jì)末期的研究水平，要完全理解大腦，可能是幾個世紀(jì)的事情，而不是我們這個世紀(jì)就可以達(dá)到的。

對于類腦研究，必須要在這個時候做一些適當(dāng)?shù)膽?yīng)用，假如不把已經(jīng)知道的知識應(yīng)用到對腦疾病的診斷、干預(yù)和治療上，那么到2050年我們的醫(yī)療系統(tǒng)很可能要面臨崩潰——那時你會發(fā)現(xiàn)仍然沒有一個腦疾病能夠治愈。

對于人工智能的應(yīng)用，不一定非要完全搞清楚，神經(jīng)科學(xué)一些具有階段性的成果，也可以給人工智能的發(fā)展提供啟發(fā)。

譚鐵牛，中國科學(xué)院院士、中國科學(xué)院自動化研究所研究員

“模式識別”是人類最重要的智能行為，也是人工智能重要的研究內(nèi)容——機(jī)器的“模式識別”能力，在一定程度或者很大程度上反映了機(jī)器智能“類人”的程度。

比如語音識別，近些年突飛猛進(jìn)的科大訊飛，能將維吾爾語翻譯成漢語，漢語翻譯成維吾爾語；再如步態(tài)識別，在看不到人臉、虹膜和指紋的時候，就能通過步態(tài)在幾十米外感知到其身份。

此外，還有圖像識別，其中具有代表性的人臉識別，早在幾年前馬云刷臉支付已經(jīng)引爆輿論熱點(diǎn)。圖像識別不僅可以用在手機(jī)上，還可在查找丟失兒童上發(fā)揮作用。

關(guān)于模式識別的技術(shù)瓶頸，可通過借鑒生物的機(jī)理改進(jìn)，未來生物啟發(fā)的模式識別在人工智能領(lǐng)域前景可期。其最終追求，是希望模擬逼近人的模式識別，這是非常艱巨的過程。

目前，模式識別的主要瓶頸在于魯棒性、自適應(yīng)性和可泛化性。

關(guān)于魯棒性，說白了，就是人工智能“夠不夠皮實(shí)”“是不是稍微有點(diǎn)擾動，就會出錯”。比如在酒會上聊天，背景噪音比較多，如果想聽清其中某一個人的聲音，就要忽略或者抑制背景中其他對話的干擾——人類可以做到這一點(diǎn)，也就是聽覺系統(tǒng)所謂的雞尾酒效應(yīng)，但人工智能可以嗎？

關(guān)于自適應(yīng)性，則比較容易理解，人類的眼睛會隨著燈光的變化、環(huán)境的變化進(jìn)行調(diào)整，這說明自適應(yīng)性非常強(qiáng)。這一點(diǎn)可以應(yīng)用到人工智能上，比如人臉識別，有一位朋友十幾年甚至幾十年沒見，再見面是否還能認(rèn)出來？他說，現(xiàn)有的模式識別在這方面還不是很理想。

可泛化性，說白了就是“舉一反三”。當(dāng)小孩認(rèn)識蘋果后，即便只記住了一次，也可以識別其他類型的蘋果，這說明人類看到一個東西后，不僅知其然，還知其所以然。而知其所以然，就是人工智能領(lǐng)域所說的“深度學(xué)習(xí)”。但目前的人工智能深度學(xué)習(xí)，必須建立在大量數(shù)據(jù)的基礎(chǔ)之上，這一點(diǎn)也有待進(jìn)一步研究。

要解決這3個問題，關(guān)鍵還是看人類本身，在微觀層面上，人工智能的模式識別可借鑒人類的神經(jīng)元，神經(jīng)元有興奮性、抑制性、功能可塑性和傳播性。科學(xué)家受到這個啟發(fā)，增強(qiáng)了模式識別動態(tài)系統(tǒng)的穩(wěn)定性。