第三代人工智能发展的趋势，常识往往不在数据里

近日，AI2000人工智能全球2000位最具影响力学者榜单在清华大学发布，中国学者规模位列世界第二，但高水平学者集中的研究机构匮乏，人工智能领域的人才队伍亟待加强。

AI2000榜单由清华-中国工程院知识智能联合研究中心和清华大学人工智能研究院发布。AI2000人工智能全球最具影响力学者(200名)和提名学者(1800名)分布于全球不同高校和学术机构，美国有1128人次，中国171人次，欧盟有307人次上榜。

发布会上，清华大学人工智能研究院院长、中国科学院张钹院士做了热情洋溢的报告和精彩点评发言。

人工智能研究必须国际化

基础研究，尤其是人工智能领域的基础研究必须国际化，因为只有把全世界的研究人员共同团结起来、利用起来，才能够引领基础研究的发展。为什么目前人工智能领域大多由美国来引领，就是因为美国把全世界最优秀的人才利用了起来。

中国要想在基础研究上引领世界，必须走国际化道路。今天有很多外国留学生来华求学，这是一个好事儿，但我们还可以做一定平衡调整，吸引更广泛国家地区的优秀学生来华学习。

把数据驱动和知识驱动结合起来

人工智能的四大基础是：知识、数据、算法和算力，回顾历史，这四个因素都在不断地发挥作用。第一代人工智能也叫符号人工智能，比较强调知识对智能的作用，因为那时算法和算力都还没有跟上。

进入新世纪后，深度学习把大家的目标凝聚到了数据上，这时大数据的出现，再加上很好的算法，就形成了基于概念的深度学习，再加上云计算等手段，使以数据为基础的连接主义模型得到了极大推广和应用。

数据主义喊了许多口号，导致了我们今天遇到一些困难，按照大数据建起来人工智能系统似乎不可信、不可靠、不安全、不易推广，这都是目前用深度学习进行人工智能研究带来的问题，也可以说是大数据遇到的挑战。怎么来解决这个挑战呢？唯一的办法，就是重新引入知识，把数据驱动和知识驱动结合起来，达成可信安全的第三代人工智能。

常识往往不在数据里

自然语言理解是人工智能领域最核心的问题。不管做机器翻译也好，做自然语言应用也好，都试图通过分析符号序列来理解相关内容，这是第一代人工智能所谓符号主义的核心做法。到了第二代人工智能，又走上深度学习的道路，这条路充满希望，但又非常危险，因为解决不了可信安全的问题。

机器翻译现在只能翻译不重要的东西，因为翻错了也没有关系，真正重要的场合还需要人力同声翻译。机器最大的问题，就在于它缺乏常识，根本不知道自己不知道，这是一个很大的问题。知识包含两方面，一是我知道什么，二是我不知道什么。一个有学问的人，不仅仅表现在他知道的多，更表现在他清楚自己不知道的更多。那些狂妄自大的人，都是没有学问的人，不知道自己能吃几碗干饭，机器翻译也是这个问题。给机器任何句子，它都能翻，根本不懂也能瞎翻。

所以常识是必要的，简单翻译几句话也需要大量尝试积淀，“说你行，不行也行”，机器没有常识，就很难理解这句话，人反而觉得很简单，这就是常识的重要性。但常识库的建立非常之难，现在没法从数据中去建立常识库，因为常识往往不表示在数据之中。

建立常识，必须下功夫去做，只有这个问题解决了，自然语言的理解才能达到目标。而自然语言理解，则是第三代人工智能的终极目标，这是一个艰巨的任务。如果这个问题解决了，人工智能的其他问题将会迎刃而解。

更多产品了解

欢迎扫码加入云巴巴企业数字化交流服务群

产品交流、问题咨询、专业测评

都在这里！