清华大学邓志东谈人工智能：既要仰望星空，更要脚踏实地

　　“不要谈那些高大上的东西，不要对它赋予很大的期望，认为它是一个灵丹妙药，找一个高人来，马上就可以把这个人工智能遍地开花，这是不可能的”清华大学人工智能计算研究院邓志东在由财经承办的“2019中国制造论坛上”如是说道。

清华大学人工智能计算研究院邓志东

　　以下是邓志东的演讲实录：

　　第一问：新一代人工智能怎么理解它？还有它目前的主要进展是什么？

　　怎么去理解新一代人工智能，我觉得这很关键，因为现在我看大家都说人工智能，我们知道人工智能其实是有定义的。我们实际上是模拟、衍生和扩展人类智能行为的一种理论、方法、技术、系统，这么一个综合性的学科。

　　人工智能主要包括感知智能，还有认知智能。感知智能，简单说就是不需要思考的，一秒钟能够做出反应，对人类的直觉行为进行模拟，比如视觉、听觉、嗅觉、味觉。另外一个叫认知智能，像现在我们的记忆、推理、决策、思维、意识等等。

　　新一代人工智能的进展主要包括三句话：

　　第一句，大数据驱动的感知智能取得了突破性进展。从2012年以来，短短的六年时间掀起了新一轮的产业高潮，因为人工智能前面也有高潮，但是前面高潮都没有产业链进入。其次是真正有能力，但是这个能力是有限的，跟人类比较起来还有很多缺点。

　　第二句，以阿尔法狗为代表性的深度强化学习，在动态博弈类的决策问题上取得了超过人类水平的进展，但这属于认知智能的范畴，在工业化的应用上其实很少，也不要指望他在工业上马上能够应用。

　　第三句，在深层次对抗神经网络能够通过对抗的方式生成超逼真度、超真实感的数据上面，最近这两年也是取得了非常重要的进展。这三个其实概括起来对工业、产业、产品开发和产业发展，其实最重要的或者产业真正感兴趣的，就是大数据的人工智能，能够带来感知能力的提升。

　　第二问：AI能够做什么？尤其是能够给产业带来什么东西？

　　人工智能真正有产业价值的地方，实际上是大数据驱动的，或者大计算能力支撑下面的深度学习方法。AI真正能够给我们带来是直觉能力，或者通过学习的方法能够处理，这种能力自动从大数据里面提取出它这种特征，多重特征，底层特征、中层特征、高层特征、局部特征、全局特征，这也是AI真正的产业价值或者真正的知识价值，我们主要也是运用这方面的价值。

　　所以AI的产业价值就是能够带来感知能力，视觉、听觉还有直觉能力，包括我们的文本分类能力，简单说就是计算机视觉、语音识别、文本分类，包括机器翻译，端到端的，通过学习的，而不是以前通过人为设计特征这种方式的一种能力。

　　但是，它需要大数据，需要大计算能力。不能有小样本的举一反三的能力，识别结果是不可检视的，不能从认知理解上去对识别理解给予它可解释性，也没有鲁棒性，也没有记忆能力，甚至连常识处理不了，什么能力都没有，所以不要对人工智能寄予很大的期望。

　　现在人工智能是一个弱人工智能，是整个人工智能发展过程中一个非常初步的，但确实是能够带来产业价值的东西，他相对于人类的智能来说是非常初步的，大家可能对它寄予很大的期望。

　　第三问，怎么落地？怎么在制造业落地？

　　可能很多人认为，大家都在喊人工智能，真正具体做起来都知道，人工智能落地是如此地困难，就是因为我们现在对人工智能没有深刻或者本质的理解，所以现在人工智能能够做的事情是非常有限的。

　　现在人工智能主要包括四个维度，第一个维度大数据，第二个计算能力，第三个算法，第四个应用场景，其实现在最关键的是应用场景。

　　要选择一个特别细分的垂直应用领域，这个领域就是要针对特别具体的问题，我们不去谈人工智能做应用的时候，做产业化开发的时候，不要谈那些高大上的东西，不要对它赋予很大的期望，认为它是一个灵丹妙药，找一个高人来，马上就可以把这个人工智能遍地开花，这是不可能的。

　　人工智能要做就做很细微的事情，做一个点点滴滴的事情，非常小的，因为人工智能可以有两句话，现在所谓人工智能就是人工+智能，有多少人工就有多少智能，实际上它是把人工通过以标签的形式转移给机器，然后赋予它智能的，所以有多少人工就有多少智能。有多高水平的人工就有多高水平的智能，比如你要做标签，做医疗，比如说你做CT，甚至看早期肺癌，这种标签不是给普通人做，需要国际顶尖医生来做标签，这样他得到的水平就是国际顶级医生的水平，否则就是一个普通医生的水平。

　　所以如何在制造业里面落地呢？其实就是要选定一个特定的问题，非常具体的问题，这个问题需要具有信息化技术比较好，做数字化、网络化，能够源源不断产生大数据，然后对数据进行采集、积累、做清洗、标签，控制它的标签，对标签进行审核的能力。

　　要做数据，基本上80%以上的人力或精力要投入到特定问题、细分问题上做标签。举个例子，零部件外观质量的检查，以前都是靠人，比如说看陶瓷产品是成品还是废品，看外观能看出来它的瑕疵是什么，以前靠高技能的工人看，现在人工智能就在这上面有能力，因为它就是能够做计算机视觉的。

　　如果我们建立起大数据，建立一支团队就做这么一个细分的问题，然后我们建一支团队大量投入进去，做数据积累、数据标签，建立高质量的数据，这是很笨的方法。但就是得靠这种笨方法，深耕场景和数据，打磨人工智能产品。实际上事情就是这么做的，而不是一个高大上，一个万能的方法，一提出后，一撒到下面，所有就都成功了，这个根本没有，这只是在认知水平的智能才可能成功。

　　但现在这上面没有什么突破了，主要是在感知智能上面才有这样的突破。所以这个时候只能用笨的方法，选中一个笨的问题，建立一个团队，很多钱投进去，做到后面的时候，你会发现，越做越难。因为它的数据到后面，比如说正确率是99.999%，从5个9，增加到7个9，这么一点点的提高，需要的数据都是指数增长的，这就是我们所说的“长尾效应”。

　　所以，其实做到后面是特别难的，即使这么难，投入这么大的精力做数据，结果最后你发现还是做不到人的水平，我们是跟人比，比如说我们现在做人工智能，不管是产品也好，还是流程也好，还是服务体验也好，就是要做人类水平。我们现在看到很多新闻报道，里面都说超过人很多，比如人脸识别超过人很多，这是一个完备数据节，这是作为学术研究的。

　　真正到人工智能落地的时候，是一个开放环境，是没有完备大数据的，这个数据永远没有尽头，而且数据越做到后面越困难，因为它有长尾效应。在这种情况下，还不一定能做到人的水平，这是现在算法的缺陷。

　　在这种前提条件下，我们做数据工程，做大数据，包括尤其做大数据的标签，做高质量的大数据，去赋予它人的智能，把它转移过去，让它具有人的水平，在视听觉这种感知能力上接近人的水平，它就有产业价值。

　　在感知层次上，其实有些方面它是不可替代的。你看到视觉能力、听觉能力、语音识别、计算机视觉、外观检查，很多数据进去以后，它确实能够达到熟练师傅的水平，师傅看到这个是成品还是废品，他也能够看到是废品还是成品，就是到机器换人，他可以做到自动化的处理，不需要人去做这个事情，可以把人替换下去。

　　还有一部分是大数据洪流，不断涌现大数据，特别大的数据，这个数据人是处理不了的，必须要用机器来实现自动化，必须要用人工智能赋能，用这种方法做数据的自动化，或者是知识的数据化。

　　从数据流怎么去提取信息流，提取语义流，都需要人工来做。另外，从产线的角度，比如说我们单批生产设备，要机器人化、自动化，可以代替人，提高效率或质量，还有整个产线，整个车间的生产设备本身的自动化，也是靠人工智能来实现。

　　实际上我们做的智能制造，包括做新零售、新制造都是在信息物理空间进行的，一部分是虚拟的信息空间，一部分是实体空间或者物理空间。一部分是网络，比如说互联网，一部分是实体，比如说生产设备，或者是实体店，或者实体的分销商。一部分是虚的，一部分是实的，这两部分都需要人工智能的赋能，就可以实现智能化，提高生产效率，同时带来生产产品品质的提升。