本文摘选自交通运输部《智慧城市导刊》，作者张钹，中国科学院院院士、清华大学人工智能研究院院长。张钹院士是著名的计算机科学与技术专家，CCF终身成就奖获得者，并任俄罗斯自然科学院外籍院士，被业界视为我国人工智能泰斗。
当前，人工智能是全球关注的焦点。我国政府也非常重视人工智能的发展。10月31日中共中央政治局就人工智能发展现状和趋势举行第九次集体学习。习近平总书记在主持学习时强调，人工智能是新一轮科技革命和产业变革的重要驱动力量。
加快发展新一代人工智能，是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。要深刻认识加快发展新一代人工智能的重大意义，加强领导，做好规划，明确任务，夯实基础，促进其同经济社会发展深度融合，推动我国新一代人工智能健康发展。
大数据推动了人工智能的发展
大家都知道，从本世纪开始，人工智能又重新掀起高潮，这中间很重要的原因就是大数据带动了人工智能的发展。
其中，有5个标志性事件，充分反映了大数据对人工智能的影响，即：1997年5月，IBM“深蓝”打败国际象棋世界冠军卡斯帕诺夫；2011年2月, IBM “沃森”在“危险边缘”智力竞赛中打败全美前冠军Ken Jennings 和Brad Rutter；2015年12月17日，在ImageNet 图像库上，微软图像识别系统的误识率低于人类。人类是5.1%, 而机器只有4.94%；2015年12月20日，百度宣布Deep Speech中文语音单句的误识率低于人类。人类是4.0%, 机器是3.7% ；2016年3月，AlphaGo打败世界围棋冠军李世石。
人工智能采用的第一种办法是知识驱动方法。
在人工智能发展的早期，这方面的工作做得并不好。为什么到了20世纪以后，能够做得更好呢？其中一个重要的原因就是互联网的发展。我们可以从互联网上获得大量的大众知识，“沃森”之所以战胜人类，原因就在于此。“沃森”以压倒性优势取胜，主要是基于它获得的大量知识，共2亿页知识，4TB 级存储，包括词典、百科全书、主题词表、新闻专线文章、文学作品，以及全部WIKI百科的内容，它可以整合不同数据源的信息。这说明，在限定的环境和范围下，在人机对话上，机器可以战胜人类。
第二种办法是数据驱动方法。
就是现在常常说的深度学习或者人工神经网络，一般用来处理图像和语音。因为图像和语音很难用语言表达，所以我们用的办法，就是用样本对机器进行训练。比如图像识别，在给定的图像和给定的状况下，机器的识别率可以超过人类；语音也是同样的办法，如果我们给出足够的语音库，在所给的语音库下，机器可以在单句的识别率方面超过人类。也就是说，用这种机器学习的方法，如果我们掌握了充分的样本，机器就可以做得像人一样好，甚至可以超过人类。
用一个例子说明数据的重要性：在2015年之前，人类做出的围棋程序最高只能达到业余五段，但是国际象棋程序在1997年就打败了人类世界冠军。围棋为什么晚于国际象棋？一个重要的原因就在于，下国际象棋是人类理性分析的行为，下的每一步，国际象棋大师都可以说出它的道理，过去做国际象棋程序的时候，是用理性分析的模型来做的。但当我们想用理性分析的模型做围棋程序时，都没有成功。由此可见，下围棋是模式识别的过程，讲不出道理来，讲究的是棋感，是直觉。理解了这一点后，这个问题就迎刃而解了。
开始做AlphaGo的时候，机器还会学习人类历史上下过的围棋，一共约有3000万个棋局，这样的数据量对于计算机来讲也太容易了。它把这3000万个棋局学习完，同时AlphaGo自己又和自己下过3000万个棋局，这样加起来是6000万个棋局，而围棋大师李世石和柯洁一生中最多不过几百万个棋局，于是它就被人工智能完全打败了。
后来到AlphaZero的时候，它已经根本不用学习人类下过的棋局了，就自己跟自己下下几亿个棋局。所以，人类完全不是人工智能的对手。这个问题非常简单，就是由机器自身来产生数据。业界普遍认为，在2015-2030年的15年间，人工智能将主要应用于以下10大领域：交通、家庭/服务机器人、健康、教育、低资源群体、安全、雇员与工作场所、娱乐，以及金融和智能制造。前8个领域是国外提出的应用，金融和智能制造是中国提出的应用。
未来人工智能的产业化应用
关于人工智能的应用，我举一个我任首席科学家的深醒科技公司的例子。
深醒科技开发了一种人脸识别技术，它的应用场景首先定位在抓捕逃犯。据公安部统计，目前全国的逃犯约有25万人，按照过去的方法很难抓到。深醒科技首先在贵阳市的机场、火车站和长途汽车站装了13路摄像头，在2016年12月-2017年5月上旬的半年时间里，抓获各类犯罪人员150人，其中全国逃犯21人。而在没装“摄像头”之前，2016年全年贵阳市公安局只抓到1个全国逃犯。
又比如，当前对视频信息的机器识别需求非常大。
现在我们获得的视频信息非常多，以北京市为例，全市各个路段共装了近90万个摄像头，上海市装的更多，约120万个。由此得到的视频信息量太大，通常存储一个月后就必须删掉，否则新的信息就没办法存进来了。如此大量的视频信息靠人来看是不可能完成的。
还有，医学影像识别。
诚如我们所知，各种癌症的早期诊断非常重要，大家都投入很大的力量做这件事情，如果能够早期发现癌症，就可以挽救大量的人的生命，中国对此也非常重视，在这方面全世界最有名的是数据科学杯比赛，2017年就是由我的3个博士生获得了冠军。此外，有了网络以后，在远程登录或移动登录的时候，身份验证变成了非常重要的问题，涉及安全。现在我们做的身份验证，早期用密码，后来用人脸、指纹识别等，但可惜的是，这些身份鉴别方法，如果你是在远程登录或移动登录的时候都可以做假。
幸运的是，现在语音还没有办法做假。
清华大学经过三十多年的努力，解决了用语音在远程登录或移动登录过程中防止造假的问题，这主要是要区分录音和真人说话，即使是双胞胎说话都能区别出来，目前，很多银行都在使用这一技术。
当然，人工智能技术也存在局限性。
现在人工智能所能解决的问题需要5个条件限制：拥有丰富的数据或（和）知识、完全信息、确定性、静态（按确定的规则演化）、有限领域与单任务。只有满足这5个条件，人工智能才能做的很好，甚至超过人类；不满足这5个条件中的任何一条，人工智能发展就会很困难。如果是不完全信息，人工智能是无法超过人类的，这是数据和数量与质量的问题。
大数据非常强调数量，但不是有了巨大的数量就可以做好人工智能，还必须要保证数据的质量。往往有用的信息只有一点，而大量的信息是无用的，并且很多信息还具有欺骗性。
这些无用或欺骗性信息对计算机的性能有很大的影响。如果用好的、质量高的图片训练人工智能，识别率可以达到80%，但是用质量差的信息训练，识别率只能达到百分之十以上。
目前，用大数据建立的系统还有很多问题。
其中，网络数据质量不高，就是利用大数据面临的重要挑战。网络上有用的数据通常只占40%，大部分是垃圾、没用的、造谣的数据，而网络数据有标注的仅有7%，经过分析的仅有1%，也就是说，有用、好用的数据不到
10%。所以在使用网络数据时，数据质量是必须要注意的问题。基于网络数据这样质量不高的大数据所训练出来的系统，性能难以避免地存在很多毛病，不可能训练出一个具有智能化的系统。
另外，在人工智能做医疗诊断方面，目前都遇到这样一个问题：人工智能对癌症的识别率甚至可以超过人，但医生却不敢用。为什么？因为不可解释。人工智能诊断有癌症，但医生解释不出来原因，这是现在使用大数据做出的人工智能系统存在的一个最大的问题。系统尽管做得非常好，但是医生不敢用，所以必须要解决这个真实性的问题。
除了真实性的问题，还有鲁棒性的问题。
比如，一个炮兵阵地的图片，当我们只是加入一点点噪声，在人类看来，图片没有太大的变化，但是，计算机识别，它就变成了一个海滩，这就是鲁棒性，这一点正说明了人工智能带来的危险性。现在的人工智能系统，特别是用大数据建立的人工智能系统，非常容易被攻击，这就是美国人提出的所谓“算法战争”，以后打仗不一定用真刀真枪，就是用算法把系统搞垮。所以，网络攻防、智能化的攻防变成非常大的课题，全世界都在研究。
自动驾驶也是如此。
我们过去花很长的时间在这个领域，对图像进行实时分割和识别。经过多年努力，很多公司做到了这一点，现在基本上通过大数据学习，能够建立实时的建模，明确哪个地方是车辆、哪个地方是道路、哪个地方是行人。研究人员曾经认为，这个问题解决了，自动驾驶就解决了。但实际上并非如此，这样的自动驾驶只能在特殊的情况下使用，比如在专用道上。问题出在哪里？一个系统一旦有人类参与，就变得非常复杂，对机器而言就不好解决。
就目前而言，人工智能要进行产业化。
一方面要选择合适的应用场景：一是拥有丰富的数据或（和）知识，二是完全信息，三是确定性，四是静态（按确定的规则演化），五是限领域与单任务。另一方面还需加强基础研究，带来技术突破。
