人工智能（artificial intelligence，AI）是一门怎样的学科？目前进展到什么程度？它又该向何处去？借《智能科学与技术学报》创刊号出版的机会，谈一点我的粗浅看法， 供读者参考， 并以此祝贺《智能科学与技术学报》创刊！

AI 尽管有很多定义，不同的学者对它也有不同的理解，但是目前较普遍的一种认识是， AI 是计算机科学的一个分支，它的任务是研究与设计智能体（intelligent agents）。智能体是指能感知周围环境（perception），经理性思考（rational thinking）后，采取行动（action），使其达到目标的成功率最大化。由于实现 AI 的主要工具是计算机，因此很自然地，AI 一直在计算机科学与技术的领域中发展至今。

从 1956 年诞生以来， AI 发展的道路跌宕起伏，原因其实很简单，就是我们对于人类的智能（自然智能）了解得太少。也就是说，我们是在对人类大脑工作机制了解很少的情况下，去研究与实现机器智能的，这当然是一项很难完成的任务。那么 AI的学者们如何去完成这项任务？和其他科学领域一样，采取的方法是：大胆假设、小心求证。通过不懈的探索， AI 的研究至今已经经历了两代，现正进入第三代，即后深度学习时代。

第一代 AI 是由 AI 奠基者们共同创立的，最初的思路与假设，是由认知心理学家提出的，他们在已有脑科学和心理学知识的基础上提出一种假设，即物理符号系统假设（physical symbol system hypothesis，PSSH），内容如下： A physical symbol system (such as a digital computer) has the necessary and sufficient means for intelligent action[1]。

基于这个假设，经过不同领域学者，特别是计算机科学家的共同努力，至今有一套建造 AI 系统的理论与方法，即以知识和经验为基础的推理理论与方法，通常称之为“符号主义”（symbolism）学派。回顾 60 余年不平凡的实践，我们对符号主义的理论与方法又有什么样的结论？由于人类的理性智能（行为）是以知识、经验与推理能力为基础的，因此符号推理模型适合模拟人类的理性行为。但其中也存在不少困难，比如，知识与经验大多数不易准确描述，专家的知识与经验十分匮乏且难以获取；人类的知识与推理机制充满不确定性以及存在大量的常识等，这些因素阻碍了符号推理理论与方法的发展与大规模应用，引起了 AI 一段时间里的停滞与挫折，即所谓“AI 的冬天”。不过，进入21 世纪之后，由于网络与大数据的出现，符号主义的理论和方法得到了一定程度的复苏，其中最有代表性的工作是 IBM 公司研发的 Watson（沃森）系统，该系统于 2011 年 2 月 14 日在美国电视知识问答竞赛节目危险边缘（Jeopardy）中战胜了前全美冠军  Brad Rutter 和 Ken Jennings。这个系统的成功之处在于使用了大量的数据（原始文本），如百科全书、词典、文学作品和有线电视新闻等，共 4 TB（折合成纸质出版物大约是 2 亿页）。这个系统不仅拥有大量的知识（包括原始文本），还有多种推理机制，能够实现分类推理、空间推理等简单的推理功能。IBM的工作表明，在人机对话中，如果提的问题是明确的（没有模糊性和二义性），答案是唯一的，领域是有限的——在符合这些条件的情况下， 机器可以达到甚至超过人类的水平。 这意味着，机器将会在许多商业咨询服务中得到广泛的应用，如人工咨询问答系统等。符号主义在大规模应用上十分有限，除其自身一些缺点（如难以构建、就事论事、难以推广等）之外，还有部分原因是当时计算机的计算能力有限。尽管还存在许多弱点，符号主义依然是实现 AI 的一个重要模型，对于推动AI的发展有着重大的意义。因此，在为创建和实现这个学派做出贡献的学者中，先后有 6 名获得了图灵奖，他们分别是：Marvin Minsky（1969 年）， John McCarthy（1971 年），Allen Newell、Herbert A. Simon（1975 年），Edward Feigenbaum、Raj Reddy（1994 年），均来自美国。

第二代 AI 是以深度学习为代表的统计学习理论与方法,这种模型的思路来自连接主义（connectionism），而后者是由神经科学家和数学家提出的[2-3]，它建立在以下的假设基础之上：The central connectionist principle is that mental phe-nomena can be described by interconnected networks of simple and often uniform units。

经过几十年的徘徊与曲折前进，在各个领域的研究人员，尤其是计算机科学家的努力下，最终形成了一套人工神经网络的理论与算法，使 AI 在 21世纪初进入了欣欣向荣的深度学习时代。回顾 60多年的 AI 历史，我们又该如何评价这个时代？人工神经网络模型适用于模拟人类的感知，由于它能够处理和利用大数据，因此获得了广泛的实际应用。比如在给定的数据库（图像库或语音库）下，图像识别和语音识别的准确率可以达到甚至超过人类的水平。尽管深度学习有许多优势，但是通过它构建的 AI 系统往往表现出以下致命的弱点：不可解释性、脆弱性（顽健性很差）、很容易被欺骗和攻击、需要大量的数据等。这些弱点使其只能在有限的场景下使用，如完全信息、确定性信息、静态（或按照确定性规律演化）环境、限定领域等。在发展第二代 AI 中做出重大贡献的 5名学者先后获得了图灵奖，他们分别是： Leslie G. Valiant（2010年），Judea Pearl （2011年），Yoshua Bengio、Geoffrey Hinton、 Yann LeCun（2018 年），其中 4 位来自美国， 1位来自加拿大。

深度学习的上述弱点是致命的，是学习机制本身带来的，因此是本质性的。近几年， AI 学者开始思考下一代（即第三代）的 AI。在 2016 中国计算机大会（CNCC2016）上，我们最早提出了“后深度学习时代”的概念，本文中的许多观点均是在那次会议上提出的。 2017 年 DARPA（美国国防高级研究计划局）启动可解释人工智能（explainable AI）计划，发展可解释、可信的人工智能技术。 2018 年9 月， DARPA 启动 AI Next（下一代人工智能）战略，提出发展第三波（third wave）人工智能基础理论和技术；同期还启动了 LwLL（learning with less labels）项目，以提升机器学习在数据利用方面的高效性。那么，第三代的 AI 应该是怎样的？大体说来，有以下几点：建立可解释、顽健的人工智能新理论与新方法；发展安全与可信的人工智能新技术；推动人工智能的创新应用。通过什么途径才能达到这个目标？大体说来，有两个途径，一个是与脑科学，特别是神经科学结合，探索新的模型和原理；另一个是，把知识驱动与数据驱动结合起来，发挥各自的优点，克服各自的弱点，达到互补的目的，以实现向后深度学习时代的转变。

当 AI 进入新的时代——后深度学习时代，各国都将处于同一起跑线上，谁能跑到最前面并引领AI的发展，完全取决于其创新能力，特别是原始创新能力。因此加强基础理论研究至关重要，因为只有理论上取得进展，才能带来关键技术的突破，从而引发新一轮的创新应用，充分把握新时代给予我们的机遇与挑战。