下一代人工智能发展的几点思考

人工智能不仅是当前的一个科技前沿，也是一个科普热点，基本做到了家喻户晓。从2016年的击败世界冠军的围棋软件AlphaGO，到人形机器人，再到最近的ChatGPT，热点不断，热度也不断，社会关注度居高不下。

与此同时，大量的资金也快速涌向人工智能科技，推动了人工智能科技的快速发展。不管是深度学习，还是大模型，都要购买大量的芯片，收集大量的数据，进行大量的人工标注，这要耗费大量的人力物力，还会造成较大的能耗。

据统计，每2-3年，人类社会的数据量就要翻倍；每5-6年，AI系统消耗的电能也要翻倍，这是难以可持续发展的。可是，AI的研发人员和投资人员不这么看，只要系统性能提升一点，投入再多人力物力似乎都在所不惜。

尤其，人工智能有很强的渗透性，可以和很多学科结合，似乎没有人工智能不能解决的问题。感觉良好的AI研究人员声称，只要给我足够多的数据，足够多的芯片，足够多的投入，问题都不是问题。但是，果真如此吗？ 在人工智能科技狂飙突进的时代，我们尤其需要冷思考，以看清未来发展的方向。

目前AI研发也不是晴空万里，而是有很多朵乌云。比如，围棋软件只能下围棋；人形机器人功能还比较单一；自动驾驶汽车有时失控，又难以找到原因；图像识别系统容易被对抗样本攻克，安全性有漏洞；ChatGPT未经过许可使用了大量的数据，将面临大量的侵权诉讼；AI系统投入太大，能耗太高…。类似的问题还有很多，也不得不让我们思考下一代人工智能路在何方呢？

首先，要考虑人工智能不同学科方向的平衡。西方学者提出的深度学习、大模型等技术，虽然可以很好处理高维大数据，取得了很多很好的成效。但是，这种技术方法不能等价于人工智能的一切，也存在高投入和高能耗等突出问题，还有可解释性差等问题。我们应该相信还有其他解决方法，更好的AI算法。这需要我们增强创新自信，不断地去探索发现新的学科方向，不能孤注一掷，一拥而上搞同质化研发。

其次，要综合考虑精度、投入和可解释性的平衡。一般来说，人工智能系统似乎精度越高越好。只要精度能提高一点，模型复杂几倍，投入增加几倍也在所不惜。其实，精度太高容易产生过拟合现象， 导致投入过大，模型太复杂，可解释性也会随之下降，也许得不偿失。这就需要我们综合考虑，达到精度、可解释性和系统投入的平衡点。

第三，要综合考虑知识驱动和数据驱动的平衡。人工智能技术不仅要帮助人类做事，还应丰富人类知识和认知，能从大数据中要获取经验、知识、甚至智慧，不能只得到一个“知其然不知其所以然” 的黑箱（Black Box ）。黑箱虽然可用，但风险难测，鲁棒性较弱。利用黑箱模型的自动驾驶汽车有时会突然失控出事故，而且难以找到其背后的原因，难以确保事故下次不再发生。因此，在安全相关领域要采用可解释性强的人工智能技术，至少是知识驱动和数据驱动的融合，或者是人机混合智能技术。

最后，要综合考虑热门和冷门的平衡。人工智能研究热点经常转换，从早期的专家系统，到后来的符号推理，再到模糊系统、神经网络、决策树、支持向量机等，曾经也有一个百花齐放的时代。现在，神经网络技术似乎要一统江湖了，这是不正常的。图灵奖得主Hinton教授等专家做了约30年的冷板凳，才把神经网络从一个冷门学科方向变成今天的人工智能显学，其专注精神确实值得我们学习。因此，把冷门技术搞成热门才能产生科技大师，跟随科技热点进行改进或应用只能成为普通专家。

因此，人工智能的研究需要考虑以上的四个平衡，以研究出精度高、可解释性强、鲁棒性好、低投入和低能耗的下一代人工智能算法。 有了自主研发的高性能人工智能算法，才能把人工智能技术发展的自主权牢牢把握在自己手中，也是人工智能科技自主自强的关键，也许还可以引领世界人工智能发展的新方向。