来源：中国人工智能学会（ID:CAAI-1981），本文发表于中国人工智能学会通讯2017年第01期
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。
要解决前述的这些挑战，目前来讲可以考虑两种解决办法：一个办法是把人工智能中“知识驱动”与“数据驱动”这两个方法结合起来，因为这两个方法是互补的。其中，“知识驱动”跟语义挂钩，可理解；“数据驱动”是黑箱的方法，不可理解，但其优点是可以从数据中提取模型。知识驱动方法是用离散的符号表示，而基于数据驱动的深度学习方法是用高维空间向量表示，如果能把两种方法“沟通” 起来，有可能极大的推动人工智能技术的发展与应用。另外一个办法是回到神经网络的本源。借助于人脑神经的工作机制研究，进一步推动深度神经网络模型的深入发展。
后深度学习时代的计算机
当前，对计算机有这么几个批评，一个是能耗大，一个是基于的串行处理。在这里，我先给大家吃一个定心丸：现代的电子计算机还需要在很长一段时间里依赖冯·诺依曼结构。
现在大家讨论最热的话题一个是量子计算、一个是类脑计算。大家不要以为量子计算一出来，现在的计算机就完全不行了。
实际上，量子算法目前只有一二种可用的算法，所以它不能完全代替现在的计算机，就像量子通讯不能完全代替现在的通讯一样。我想给大家吃的第二个定心丸：现在讲的类脑计算，正确地讲叫Brain Inspired Computing，而不是Brain-like。
当前，连大脑的运行机制都没有研究清楚，怎么可能开展完全的类脑计算呢？类脑计算研究的开展，需要学科的交叉，我特别推荐数学、认知科学、心理学、神经科学和语言学等领域的学者积极开展交叉学科研究，从而推动人工智能理论的进一步发展和创新。
（根据张钹院士在CNCC 2016 大会上所做的特邀报告《人工智能未来展望，后深度学习时代》整理）
谭铁牛院士：
谭铁牛 中国科学院院士，英国皇家工程院外籍院士，发展中国家科学院（TWAS）院士，中央人民政府驻香港特别行政区联络办公室副主任，中国科学院副院长，中国人工智能学会副理事长。主要研究领域为模式识别、图像处理和计算机视觉。
2016年是充满了纪念意义的特殊的一年：80年前的1936年，“人工智能之父”图灵提出了“可计算机器”的概念，为人工智能乃至现代信息科技奠定了基础；70年前的1946年，世界上第一台电子计算机ENIAC在美国滨州诞生；60年前的1956年“人工智能”的概念首次被提出；50年前的1966年，第一次颁发“图灵奖”，到目前为止已经有64位获奖者；10年前的2006年，深度学习概念开始为大家所熟悉，并流行至今。今年确实是人工智能特别值得纪念的一年。
人工智能这60年的发展，可谓风风雨雨曲曲折折，有令人兴奋激动的时刻，也有令人非常沮丧的时刻；但我们欣喜的看到，今年又到达了一个新的高潮，也带给我们很多重要的启示。
在我看来，2016年人工智能的发展和应用至少有以下十件标志性的事件值得我们关注：
① Google公司的AlphaGo战胜韩国围棋冠军棋手李世石，给世界带来了极大的震撼。
② 各国政府高度重视人工智能发展，包括美国白宫举行多场人工智能研讨会；中国四部委联合发布了《“互联网+” 人工智能三年行动实施方案》等；
③ IBM公司发布类脑超级计算机平台；
④ 软银320亿美元收购ARM；
⑤ Microsoft、Google、Facebook等开源人工智能基础平台；
⑥ 创建公益性的人工智能研究机构OpenAI；
⑦ Science发表Bayesian Program Learning论文；
⑧ 微软亚洲研究院提出的深层残差网络夺冠ImagnNet竞赛；
⑨ Google公司的量子计算机取得重要的突破；
⑩ 剑桥大学成立人工智能伦理研究所。
通过这些标志性事件，我们可以概括出人工智能在2016年的十大趋势动态：
① 人工智能热潮已实现全球化，从东方到西方、从发达国家到发展中国家、从大国到小国，都掀起了人工智能发展的热潮。
② 人工智能产业竞争白热化，人才竞争风起云涌。
③ 人工智能领域的产业投资与企业并购呈现密集化。
④ 人工智能应用普适化，已渗透各个领域。
⑤ 人工智能的服务专业化，通用化人工智能与专业化人工智能研究方兴未艾。
⑥ 人工智能基础研究平台开源化，降低了技术与应用门槛。
⑦ 人工智能关键技术硬件化。
⑧ 人工智能技术方法集成化，集成创新势在必行。
⑨ 人工智能学科创新协同化，多学科跨界融合。
⑩ 人工智能的社会影响大众化。
然而，在2016年人工智能蓬勃发展的热潮中，我们需要不断加强对人工智能未来发展的深刻思考，体现在：
① 要保持警醒。人工智能热潮之下尤其需要冷思考：AlphaGo在围棋上的表现，确实提高了人们对人工智能的期望；但是切记勿对人工智能提出更高的期望，人工智能60年的发展历程已经带给我们相当多类似的经验教训。
② 切忌跟风，跟风难有大作为。在人工智能的产业或者创业发展过程中找风口不如找关口，突破技术发展的瓶颈就有可能开创一个新天地。
③ 不忘初心。对于人工智能的未来发展，要不忘初心、继续探索，回归人工智能的研究本源；特别是对于人脑智能机理的挖掘，孕育着信息科技的重大变革。
④ 苦练内功。重视人工智能前沿基础理论研究。例如，当前异常火爆的深度学习研究与应用不等于人工智能，深度学习只是人工智能领域中机器学习方法之一；尽管在某些领域应用效果很好，但深度学习仍然存在明显的理论和技术局限性。
⑤ 以史为鉴。人工智能一甲子之际需要我们深入总结，认真思考。丘吉尔曾说过“你能看到多远的过去，你就能看到多远的未来；你过去看的有多深，你对未来才能看的有多准”，我认为是有道理的。
人工智能是新一轮科技与产业革命最显著的特征，也为我国的经济社会发展带来了很多机遇。如何抓住这个历史性的机会？我觉得首先应该有全国性规划，通过顶层规划协调实现全国一盘棋，才能推动人工智能诸多利好政策的及时落地。另外，还要建设我国自主可控的人工智能创新体系—— “人工智能的核高基”，其中“核”是核心技术，“高”是高端设备与应用，“基”是基础理论设施；通过发挥我国互联网大国的优势，把大数据和用户优势资源转化为人工智能技术优势，最后深化人工智能的技术推广与产业应用。
总之，人工智能在2016年虽然取得巨大进步，但总体还处于初级阶段。同时，人工智能作为未来发展的关键技术，将会深刻影响一个国家的格局甚至国家的国际竞争力。我国应以推进“互联网+”和“中国制造2025”战略为契机，加快相关规划与政策的落地，做大做强智能产业，加强人工智能教育与科普，培养高素质人才队伍，最终走出一条具有中国特色的人工智能强国之路。
刘韵洁院士：
人工智能将引发未来网络产业变革
刘韵洁 中国工程院院士，北京邮电大学信息与通信工程学院院长，中国联通科技委主任。通信与信息系统专家，曾任邮电部数据通信研究所所长，邮电部电信总局副局长兼数据通信局局长，邮电部邮政科学规划研究院院长，中国联通总工程师、副总裁。主要研究领域为信息化网络的建设发展、三网融合、未来网络与人工智能的研究等。
互联网发展到现在经历了40多年的历程，在商业消费领域取得了巨大的成功。当前互联网应用正在从消费领域向生产领域扩展，与工业、能源等实体经济领域深度融合，这对网络通信的实时性、安全可靠、服务等级划分、海量数据处理和资源调度提出了更高的需求，网络可持续发展已逐渐成为全球关注的焦点。为满足互联网业务模式的根本性转变，需要从多层次、多维度研究新的基础理论和技术方法，包括：设计克服现有互联网缺陷的新型网络体系结构，研究适合未来网络应用创新的关键技术，研发未来网络核心设备及系统，并进行大规模组网验证。
目前，国内外纷纷布局未来网络体系架构和关键技术的研究，其中软件定义网络（SDN）受到了全球范围的广泛关注与重视。受益于集中式控制机制和数据平面白盒化趋势，SDN能够极大地提升现有网络的可控可管性和灵活性，可有效降低网络服务提供者的投资成本和运营管理成本，并具备实时收集数据平面的海量网络数据的能力。
随着未来网络规模和复杂度的持续增长，尤其是物联网等新型应用场景，单纯依靠人类编写的集中式控制程序将无法有效应对网络复杂度的增加和可能出现的各种异常突发事件。通过引入人工智能技术，利用SDN控制器采集的大数据进行深度学习，具备人工智能能力的计算机就有可能对百分之九十的网络故障或安全隐患进行排查并给出供参考的解决方法。人类专家只需要集中智慧和精力解决机器无法给出答案的剩下的百分之十的难题。并且，这个解决难题的过程可以进行反复迭代，使得机器处理复杂网络问题的能力越来越高。在路径规划和流量调度方面，未来网络需要满足应用高吞吐、低时延的要求，使用传统的路径规划算法很难根据链路负载的动态情况实时的给出最优的流量调度方案。在这里，基于人工智能技术有希望基于历史的海量流量数据，对链路承载的流量进行主动预测和有效调度。可以说，人工智能在网络管理、故障检测、网络安全、路径规划、流量调度等领域大有可为。“网络大脑”的智力高低正成为制约网络规模和复杂度可持续发展的关键因素。
在未来网络中引入人工智能这样的新事物可能会遇到一些技术挑战，其中比较重要的一点是如何提高人工智能决策的可靠性。因为网络中的路径规划和流量调度与语音识别等消费终端业务具有较大不同。人工智能训练的深度学习模型在做语音识别时可以允许存在一定的误差，而在网络中这通常是不被允许的。路径规划的失误将有可能导致大规模的网络瘫痪，造成重大损失。因此，在未来网络中引入人工智能技术应该是分阶段逐步开展的。首先应突破性使用人工智能技术，基于大数据分析实现网络故障检测和网络安全诊断。在这一阶段，人工智能将自主解决一些简单的网络问题，并辅助人类专家分析解决复杂网络问题。等到人工智能技术获得更大突破之后，具有足够高可靠性的“网络大脑”将对网络路径进行主动规划，其对高动态网络的优化效率将有可能超过传统网络算法。
我们相信，随着人工智能技术的不断成熟，未来必将会在网络产业界掀起一场革命，也必将给我国打造自主、可控、安全的新型网络提供一个重要的历史机遇。
一网打尽系列文章，请回复以下关键词查看： |
创新发展：习近平 | 创新中国 | 创新创业 | 科技体制改革 | 科技创新政策 | 协同创新 | 成果转化 | 新科技革命 | 基础研究 | 产学研 | 供给侧 |
热点专题：军民融合 | 民参军 | 工业4.0 | 商业航天 | 智库 | 国家重点研发计划 | 基金 | 装备采办 | 博士 | 摩尔定律 | 诺贝尔奖 | 国家实验室 | 国防工业 | 十三五 | 创新教育 | 军工百强 | 试验鉴定 | 影响因子 | 双一流 |
预见未来：预见2016 | 预见2020 | 预见2025 | 预见2030 | 预见2035 | 预见2045 | 预见2050 | |
前沿科技：颠覆性技术 | 生物 | 仿生 | 脑科学 | 精准医学 | 基因 | 基因编辑 | 虚拟现实 | 增强现实 | 纳米 | 人工智能 | 机器人 | 3D打印 | 4D打印 | 太赫兹 | 云计算 | 物联网 | 互联网+ | 大数据 | 石墨烯 | 能源 | 电池 | 量子 | 超材料 | 超级计算机 | 卫星 | 北斗 | 智能制造 | 不依赖GPS导航 | 通信 | MIT技术评论 | 航空发动机 | 可穿戴 | 氮化镓 | 隐身 | 半导体 | 脑机接口 |
先进武器：中国武器 | 无人机 | 轰炸机 | 预警机 | 运输机 | 战斗机 | 六代机 | 网络武器 | 激光武器 | 电磁炮 | 高超声速武器 | 反无人机 | 防空反导 | 潜航器 | |
未来战争：未来战争 | 抵消战略 | 水下战 | 网络空间战 | 分布式杀伤 | 无人机蜂群 | 太空站 |反卫星 |
领先国家：俄罗斯 | 英国 | 日本 | 以色列 | 印度 |
前沿机构：战略能力办公室 | DARPA | Gartner | 硅谷 | 谷歌 | 华为 | 俄先期研究基金会 | 军工百强 |
前沿人物：钱学森 | 马斯克 | 凯文凯利 | 任正非 | 马云 | 奥巴马 | 特朗普 |
专家专栏：黄志澄 | 许得君 | 施一公 | 王喜文 | 贺飞 | 李萍 | 刘锋 | 王煜全 | 易本胜 | 李德毅 | 游光荣 | 刘亚威 | 赵文银 | 廖孟豪 |
全文收录：2016文章全收录 | 2015文章全收录 | 2014文章全收录 |
其他主题系列陆续整理中，敬请期待…… |