模式识别室会议合影

邓亚萍（左）参观模式室

模式室

实验室

4：1，最终，“阿尔法围棋”（AIphaGo）无悬念地击败了世界围棋冠军李世石九段。和曾经挑战国际象棋大师的“深蓝”相比，“阿尔法围棋”更具挑战性，因为围棋走法之复杂，战略和推理要求之严格，都在极度考验着“选手”的智力水平，需要“深度学习”才能完成任务。

眼看国际人工智能机器人智商大有“碾压”人类之势，我们不禁要问，我国的人工智能发展现状如何？带着相关问题，《中国科学报》记者走进了我国人工智能领域的领军科研机构——中科院自动化所。

完全复制人脑路还长

何为“深度学习”，中科院自动化所模式识别国家重点实验室副主任陶建华研究员这样解释：“阿尔法围棋”采用的“深度学习”技术是一种多层人工神经网络。之所以“阿尔法”能在短时间内掌握大量围棋走法，建立前期优势，陶建华形容每层神经网络会把“大量矩阵数字、矢量或流数据作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出”。

如同生物神经大脑的工作机理，这种多层神经网络通过合适的矩阵数量、多层组织链接起来，形成神经网络“大脑”，并进行精准复杂的处理。

“虽然神经网络在几十年前就有了，但直到最近才形势明朗。”由于需要大量的训练才能发现矩阵中的数字价值，陶建华表示，最近几年，一些能获取海量资源的团队在挖掘神经网络，而他们就是通过“大数据”技术来进行高效训练。

这种多层次的深度神经网络特点是在物理及数据处理上模仿人脑，处理外部信息的构造和流程，在一些简单功能上，其可以被看作人脑在处理该问题时的一个复制。

陶建华表示，由于人脑的结构异常复杂，人类想要通过程序完全复制一个人脑，至少目前还有很长的路要走。“深度神经网络在解决智能技术中的某一个或几个问题时，能够体现出类似于人的能力，但从整体上看，智能技术目前难以达到人脑的思维复杂度。”他解释说。

深度神经网络应用非常广泛，以“深度学习”为基础的智能算法是未来人工智能领域的重要研究内容，也是目前该领域中最为关注的核心内容之一。

“事实上，‘深度学习’已经在人脸识别、手写识别、语音识别、语义理解、机器翻译等范围内产生了大规模的应用。”陶建华表示，深度神经网络同时还在无人驾驶汽车、智能服务机器人等一系列代表未来技术的产品中发挥着举足轻重的作用。“‘深度学习’体现出来的高性能，实际上已经掀起了新一代智能技术的革新浪潮。”

“深度学习”领域差距并不大

对于人工智能是否已经超越人类智商，陶建华认为目前国际上先进的深度神经网络框架已经能够在一定程度上模拟人脑的局部功能，在一些能力上也达到或者接近了人类水平，但这并不意味着其可以完全取代人脑。

“这一技术最大的应用还在解决一些具体问题上，在一些具有较多逻辑推理的场合也可以体现出其非常出色的性能，比如围棋。”陶建华认为即便如此，在可预见的未来，深度神经网络依然还只是人类的一个工具，目的是帮助提高人的工作效率或改善人的生活。“人工智能未来的发展目标是让智能技术越来越接近人类的智能。”

陶建华认为我国和国际相比，在人工智能的“深度学习”领域，差距也并不算大。

但他也坦言，在前沿探索上，尤其在“深度学习”技术与脑科学、材料科学等前沿科学和科技的交叉上，我国和国际还有一定距离。“如近几年，Nature和Science刊登了大约10篇左右与‘深度学习’相关的论文，大多源于其与脑科学的联系以及如何用这种技术去解决前沿科学问题等。”而在这一点上，我们的科学家还没有太多斩获。

“如今，无论是在‘深度学习’中的人脸识别、手写识别、语音识别或机器翻译等领域，以模式识别国家重点实验室为主要研发力量，我们的科研人员早已吹响了‘攻城拔寨’的‘号角’，紧跟着世界的发展脚步。”中科院自动化所副所长刘成林自信地说道。

作为我国人工智能领域的一块“战略要地”，中科院自动化所会聚了一大批我国智能技术领域的国际一流人才，以模式识别国家重点实验室为“大本营”，他们正在不断开展着模式识别、机器学习、计算机视觉、图像处理等方面的人工智能，包括“深度学习”的重要工作。

“实验室在口语信息处理、自然语言处理等方面进行着长期的探索和积累，近几年来结合深度神经网络技术，在上述领域的研究中均取得了突破性的进展。”刘成林指出，尤其是近两年，实验室深入开展了“类脑”智能技术的研究，试图从脑科学和神经科学中获得灵感，发展新的理论与方法，全面提高机器的智能水平。

希望在学科交叉中获得成功

“为紧跟国际上的‘交叉’发展热，我们希望通过将人工智能与脑结合的研究继续跟进发展趋势。”陶建华告诉记者。

实验室的“类脑”研究基于认知脑模型的视觉计算方法和语音语言认知模型与方法，建立“类脑”视觉系统的可计算模型与学习方法体系以及具有语义理解能力和知识自学习能力的语音语言计算系统。

陶建华表示，科研人员将进一步把“类脑”的研究成果引入到机器人和智能系统建设中，研究出人机智能协同、交互式智能生长的理论方法，打造出具有全面“类人”认知和运动功能的“类脑”智能机器人。

如今，实验室通过建立视觉信息处理、生物识别与安全、语音语言信息处理等几大研究组，开展着诸如车载语音助手对话系统、面向自然口语对话的深层次信息感知、语音产生过程神经生理建模、社会感知数据处理公共平台等项目的研究工作，不断为探索人类智力的本质提供着科学依据。

以陶建华承担的面向自然口语对话的深层次信息感知项目为例，就旨在建立融合对话情景、音视觉特征的深层次信息感知模型，实现具有对话意图理解与表达能力的自然口语对话系统，从而加深对言语交互过程中对话情境与音视觉表达间关系的理解，为在人机交互中建立更有效的音视觉感知与生成积累相应关键技术。

不仅如此，在“深度学习”中的机器翻译领域，如今，自动化所的模式识别研发团队也已经在国家“863”计划、国家自然科学基金等课题的支持下，在机器翻译系统框架、海量翻译知识获取、翻译模型与算法、多语种翻译技术等方面取得了重大突破；还自主研制出基于互联网大数据的机器翻译云平台，打破了国外互联网公司在此领域内的垄断地位。

而就在今年3月中旬，自动化所还与中科大智航空技术有限公司联合建立了“人工智能与机器人教育联合实验室”。实验室旨在面向智能科学与技术领域科学教育与传播，并全面致力于提升社会人工智能与机器人理论和应用方面的研究水平。

（原载于《中国科学报》 2016-03-21 第5版 创新周刊)