人工智能趋势和未来（人工智能基础理论的过去）
人工智能趋势和未来（人工智能基础理论的过去）那应该如何克服深度学习具有的多种局限呢？我们认为今后既不是旧技术重新获得青 睐，也不是 AI 领域将迎来一个全新的范式。最可能的路线是在旧技术基础上，发展新的 范式。因为历史是在螺旋式演进的，我们的认知水平也是在不断提高的。牛顿说过他是站 在巨人的肩膀上，任何具有历史的学科均是要在前人研究的基础上盖大厦，不是建空中楼 阁的。 从科学的角度来看，依据“大爆炸宇宙论” （The Big Bang Theory）， 我们目前认知 的宇宙是由大约 137 亿年前发生的一次大爆炸形成的。大爆炸使物质四散出去，宇宙空间 不断膨胀，物质密度从密到稀地演化，温度也相应下降。大约在大爆炸后 30 万年后，化学 结合作用使中性原子形成，宇宙主要成分为气态物质，并逐步在自引力作用下凝聚成密度 较高的气体云块，直至后来相继在宇宙中演化出所有星系、恒星、行星乃至生命，成为我 们今天看到的宇宙 [1] 。 郭平，
来源：专知
【导读】 本文回顾了人工智能的发展历史，分析了当前国内外研究现状，指出了目前以深度学习为代表的人工智能基础研究困境。包括可解释性神经网络模型问题、网络模型的结构设计问题、小样本学习问题等。给出了今后人工智能发展趋势，认为基于统计物理思维构建协同学习系统可能是通往通用人工智能的路线之一。
辛欣，北京理工大学计算机学院
郭平，北京师范大学图形图像与模式识别实验室
谈历史，要从盘古开天辟地说起。盘古，又称盘古氏，混沌氏。是中国传说中开天辟地 创造人类世界的始祖。最早的记载见于三国时期吴国徐整著《三五历纪》：“天地浑沌如鸡⼦，盘古⽣其中。万⼋千岁，天地开辟，阳清为天，阴浊为地”。“自从盘古开天辟地...” 这种说法常比喻空前的，自古以来没有过。但这是民间神话传说 并非科学的天地起源之说。
从科学的角度来看，依据“大爆炸宇宙论” （The Big Bang Theory）， 我们目前认知 的宇宙是由大约 137 亿年前发生的一次大爆炸形成的。大爆炸使物质四散出去，宇宙空间 不断膨胀，物质密度从密到稀地演化，温度也相应下降。大约在大爆炸后 30 万年后，化学 结合作用使中性原子形成，宇宙主要成分为气态物质，并逐步在自引力作用下凝聚成密度 较高的气体云块，直至后来相继在宇宙中演化出所有星系、恒星、行星乃至生命，成为我 们今天看到的宇宙 [1] 。
那应该如何克服深度学习具有的多种局限呢？我们认为今后既不是旧技术重新获得青 睐，也不是 AI 领域将迎来一个全新的范式。最可能的路线是在旧技术基础上，发展新的 范式。因为历史是在螺旋式演进的，我们的认知水平也是在不断提高的。牛顿说过他是站 在巨人的肩膀上，任何具有历史的学科均是要在前人研究的基础上盖大厦，不是建空中楼 阁的。
如前面所述，我们认为计算智能是人工智能发展的新阶段，是受自然启发（Nature inspired）的智能。计算智能的思想来源于物理学、化学、数学、生物学、心理学、生理学、 神经科学和计算机科学等学科的现象与规律，融合了人工智能的三大学派形成了一个有机 的整体。通过多学科多技术融合形成的系统从而可实现优势互补 将会比单一学科或技术更 加有效 并且能够取得更大的成果。因此，我们提出在借鉴认知神经科学的机制，利用机 器学习中的数学工具，发展新一代人工智能路线上，应该以计算智能为基础，多头并进， 发展协同学习系统[9] 。
物理学的核心是发现并解释物理现象、物质结构、相互作用及运动规律的，而人工智能 的核心是创造智能。为了发展人工智能的基础理论，人工智能研究者应当融合并接受一切 学科，兼容并包，采取搁置争议共同发展的策略。重提上世纪九十年代我国神经网络委员 会的口号：“携手探智能，联盟攻大关”。
清华大学张钹院士说过，神经网络现在还在演进，关键是怎样选择正确框架以及训练， 我们要把感知和认知放到同一个空间里，不是简单用概率统计的理论；我们现在正在通往 AI 的路上，现在走得并不远，在出发点附近，但人工智能永远在路上，大家要有思想准备， 而这也就是人工智能的魅力。
的确，人工智能永远在路上，这意味着需要长时间的演化才有可能接近 AGI。这里所说 AGI 是按照一种定义描述的：“Artificial General Intelligence 是具备与人类同等智慧、或超 越人类的人工智能，能表现正常人类所具有的所有智能行为。”我们的长远目标，或者说 梦想是协同学习系统通过长时间协同演化，最终实现通用人工智能。“我们都在努⼒奔跑， 我们都是追梦⼈”，AGI 是梦想的未来，不是现在，是需要长时间演化才有可能达到的目 标。这个时间有多长，也许需要地球流浪的时间，也需是一万年。但是“一万年太久，只 争朝夕”，我们需要努力使演化过程加速。但目前考虑如何在近期实现 AGI 尚为时过早， 如 Bengio 所说，“构建好的世界模型令人望而生畏，我们没有足够的计算能力对真实世界建模”。为避免在人工智能方面不切实际的幻想导致人工智能的寒冬很快再次来临，需要 制定近期可实行的目标。也许从深度学习过渡到协同学习是可能的演化方向之一[9 10]。
