AI泰斗张钹：AI最重要的能力是知识，而不是数据

付启佳哇

阿尔法狗打败围棋高手、索菲亚任你问答、无人车陆续量产，人工智能正日益为人类社会带来不可思议的改变。人工智能一方面在不断挑战人类的想象力，一方面又显得十分智障，人工智能呈现出两种不同的面貌。
日前，中国科学院院士、清华大学人工智能研究院院长张钹发表了题为《人工智能产业化面临的挑战》的演讲，用 AI 的经典案例，阐述了人工智能的 " 特点 " 与 " 雷区 "。
带着锁链跳舞：人工智能的五把枷锁</b>
张钹院士认为，目前的 AI 的应用场景主要在，交通、家庭、健康、教育、低资源群体、安全、雇员与工作场所、娱乐、金融与智能制造领域。
以医疗场景的例子而言，AI 可进行肿瘤检测，但医院目前无法大规模应用这项技术。首先由于深度学习具有不可解释性，即 AI 不能像医生一样对病因进行有效解释，其更倾向于做出直接的的判断；其次因为 AI 其鲁棒性不够强，稍许噪声都会对机器产生很大干扰，其差别甚至会大到使机器将 " 雪山 " 识别成 " 狗 "。
因而，AI 在医疗中需要解决三个问题，包括 AI 系统的可解释性和鲁棒性；个人数据的隐私和保护；规章与制度改革问题。尤其要解决解释性的问题，就需要 AI 学习医生的知识，用医生的知识去对病情进行解释，不然 AI 无法解释，也无法与医生进行交互。
因而，实际上说，对人工智能来说最重要的能力是知识，而不是数据。机器应用数据的能力强于人类、人类应用知识的能力强于机器，如果不能两者结合起来，人工智能就无法很好与产业进行结合。
而在更广的领域，人工智能要应用到具体场景，必须要满足下面的 5 个限制：有丰富的数据或者丰富的知识、完全信息、确定性信息、静态与结构性环境、单任务与有限领域。AI 要实现，这五个条件缺一不可。
AlphaGo：深度学习的大师，但桥牌不敌人类</b>
如 AlphaGo 打败李世石，成为 AI 发展史上的一个里程碑，AlphaGo 抛弃了传统下棋程序的编程方法，创造性的利用机器学习来获取下棋的经验与直觉。其不仅学习了以往围棋大师们已下过的所有棋局——约几千万棋局，还通过强化学习（自己与自己对弈），学习了上亿个新棋局。
这就意味着，AlphaGo 下过的棋是任何一位围棋大师一生下过棋的几百上千倍。由于围棋棋局空间很大（约 2x10170），在围棋几千年的历史中人类只是探索了其中的一部分，AlphaGo 利用计算机的超强计算能力，不仅把人类已经探索过的空间加以优化，还探索了新的空间（即新的棋局）。正由于此，人类棋手在 AlphaGo 面前才显得十分被动。
但张钹院士认为，研究 AlphaGo 不过是为了研究人工智能解决这类问题的方法以及可能达到的水平，其为完全信息博弈，信息完全和确定，遵循着完全确定的游戏规则演化，拥有静态与结构性环境。而计算机打麻将就难以超越人类，因为牌类是不完全信息博弈，因而人工智能学习比棋类困难。
Watson：有限问答，对话系统推理能力差</b>
再举 Watson 的例子，Watson 为 IBM 创建的对话系统，其中知识库包括百科全书、有线新闻、文学作品等，所有知识用纸质来表示可达 2 亿页，用存储量表示可达到 4TB，并且其具有一定的推理机制。
而 Watson 能回答什么问题呢？如 "1974 年 9 月 8 日谁被总统赦免 "，计算机用「1974 年 9 月 8 日」、「被总统赦免」几个关键词就可以在文献中检索出 " 尼克松 " 这个答案。
而要回答 " 与美国没有外交关系的国家中哪个最靠北 " 此类问题，就需要智能推理了。与美国没有外交关系的国家可以检索出有 4 个，但哪个国家最靠北，没有直接答案，于是要用到推导，从各个国家所处的纬度、气候寒冷的程度等分析出，答案是 " 北朝鲜 "。
但 Watson 的智能仅体现在初步的智能推理上，开放领域的人机对话难以实现，如面向开放领域人机对话的索菲亚机器人就体现了这一缺陷。
此前曾有一个中国记者给索菲亚提出了 4 个问题，其只答对了一个。询问「你几岁了」，索菲亚的回答是「你好，你看起来不错」；「你能回答多少问题呢」，其回答是「请继续，没听懂」；询问「你希望我问你什么问题呢」，索菲亚回答「你经常在北京做户外活动吗」……
如上，目前开放领域的问答只能进行少量的智能推理，Watson 已经算其中的佼佼者。而索菲亚，只能做娱乐和研究，不能进行产业应用，不然 " 离骗子也不会太远 "。
自动驾驶：不适应不确定性环境，犯错就是必然性错误</b>
而对于目前较为乐观的自动驾驶领域，可以通过数据驱动的方法，学习不同场景下的图象分割，并判别是车辆还是行人、道路等，然后建立三维模型，在三维模型上规划行驶路径，应用硬件可以做到实时。
但目前自动驾驶依然不能解决所有问题，如果路况比较简单，行人、车辆很少，勉强可以使用，复杂的路况就难以实现。其主要原因在于，行人或司机都会有意无意破坏交通规则，使得数据驱动方法失效，各种各样的行为是难以用数据训练就能学习的。如果行人违反规则，计算机不能正确反应，就会造成不可避免的危险。而驾驶员的经验和知识，此时就变得尤为重要。
从犯错误的概率来说，人类也优于人工智能：人类犯错误是偶然的；而机器一旦犯错误，就是系统性错误，必然错误。
AlphaGo、Watson、自动驾驶……这些人工智能领域的典型代表和场景，也都存在着局限。因而，目前人工智能只能在丰富的数据或者丰富的知识、完全信息、确定性信息、静态与结构性环境、单任务与有限领域下才能更好发挥能力。
但在不满足条件的情况下，人工智能产业化会很难走，这些就是创业的雷区。避开这些雷区，才能更少的造出 " 人工智障 "。