人工智能是一門(mén)什么樣的學(xué)科
在我們的星球上，生命誕生至今已有40 億年，所有的生命是按照有機(jī)化學(xué)的規(guī)則改變或者進(jìn)化，但是今天，由于人工智能出現(xiàn)，改變了這一規(guī)則。也就是說(shuō)，我們今后有可能出現(xiàn)有機(jī)生命（就是我們?nèi)祟?lèi)）和人工智能共同構(gòu)造的無(wú)機(jī)智慧型的生命形式并存，生命可以根據(jù)計(jì)算機(jī)智能設(shè)計(jì)，超越原先有機(jī)化合物的限制。這就給人類(lèi)社會(huì)帶來(lái)了巨大變革。
人工智能作為一門(mén)學(xué)科獨(dú)立存在，到今天已經(jīng)歷經(jīng)60 余年了。我們從學(xué)術(shù)發(fā)展基本規(guī)律來(lái)看，已經(jīng)經(jīng)歷了三個(gè)階段，我們現(xiàn)在正在走向第四個(gè)階段。從這四個(gè)階段來(lái)看，最開(kāi)始是20 世紀(jì) 60 年代到 80 年代，人工智能的一些主要研究是如何構(gòu)建面向應(yīng)用領(lǐng)域的專(zhuān)家系統(tǒng)，讓機(jī)器掌握人類(lèi)的一些知識(shí)、規(guī)則，在一定程度上替代人類(lèi)思維或者完成任務(wù)。
20 世紀(jì) 80 年代到 2000 年左右，由于神經(jīng)網(wǎng)絡(luò)的出現(xiàn)以及計(jì)算能力的提升，我們開(kāi)始想到讓機(jī)器幫助我們提取特征，或者說(shuō)我們將特征、答案交給機(jī)器，讓機(jī)器學(xué)習(xí)。進(jìn)入2000 年以后，由于互聯(lián)網(wǎng)的出現(xiàn)與普及，大數(shù)據(jù)的獲取變得很容易，我們將原始數(shù)據(jù)和答案交給機(jī)器進(jìn)行深度學(xué)習(xí)，在語(yǔ)音、圖像等分類(lèi)任務(wù)方面，機(jī)器的能力已經(jīng)超過(guò)了人類(lèi)。那么人工智能發(fā)展的下一個(gè)階段是什么？我想應(yīng)該是人類(lèi)將目標(biāo)交給機(jī)器，讓機(jī)器去完成。
也就是說(shuō)它不是簡(jiǎn)單的一種感知或數(shù)據(jù)的計(jì)算，我們給它一個(gè)模型，它只是按照模型做；而是我們把任務(wù)的目標(biāo)交給機(jī)器，機(jī)器去完成，并讓機(jī)器具有“學(xué)習(xí)的學(xué)習(xí)”能力，像人一樣去思考和學(xué)習(xí)。這是我們?nèi)斯ぶ悄苎芯款I(lǐng)域追求的一個(gè)理想目標(biāo)。
在60 余年人工智能發(fā)展過(guò)程中，學(xué)術(shù)上形成了各種技術(shù)流派。這里簡(jiǎn)單提一下較為主要的五個(gè)流派。符號(hào)主義不用多說(shuō)，是形式化的，使用符號(hào)、規(guī)則和邏輯來(lái)表征知識(shí)和進(jìn)行邏輯推理，其基本觀點(diǎn)是認(rèn)知即計(jì)算。之后又出現(xiàn)仿生學(xué)派（又稱(chēng)為連接主義），20 世紀(jì) 40 年代提出的單層感知模型，就是基于這樣的思想技術(shù)， 這個(gè)流派的基本觀點(diǎn)是認(rèn)知就是網(wǎng)絡(luò)。還有行為主義學(xué)派，主要基于“感知—行動(dòng)”的行為智能模擬方法，或者說(shuō)在行為中反饋，我們知道作為能夠適應(yīng)環(huán)境的系統(tǒng)而言，是需要有反饋的，反饋控制、遺傳算法、蟻群算法、強(qiáng)化學(xué)習(xí)等屬于這一類(lèi)學(xué)派。還有貝葉斯方法，這也屬于人工智能方法中的一大類(lèi)，通過(guò)獲取發(fā)生的可能性來(lái)進(jìn)行概率推理，形成對(duì)不確定事件的描述。最后一類(lèi)稱(chēng)之為類(lèi)推學(xué)派，這類(lèi)方法是采用SVM，支持向量機(jī)，根據(jù)約束條件來(lái)優(yōu)化函數(shù)。以上五大流派能解決我們所有的問(wèn)題嗎？顯然有其局限性。先看符號(hào)化人工智能的局限性，符號(hào)化人工智能首先要對(duì)問(wèn)題本身抽象出一個(gè)數(shù)學(xué)精確意義上的模型，給出這個(gè)模型以后，我們還要給出一個(gè)確定的算法。顯而易見(jiàn)，算法確定后，我們就沒(méi)有辦法去應(yīng)對(duì)在我們建模的時(shí)候沒(méi)有考慮到的問(wèn)題，也沒(méi)有辦法去描述現(xiàn)實(shí)世界問(wèn)題所固有的不完備性或測(cè)不準(zhǔn)性。還有一點(diǎn)，圖靈意義下的可計(jì)算問(wèn)題都是可遞歸的，可遞歸意味著問(wèn)題的描述是有序的。以上是我們稱(chēng)之為傳統(tǒng)的人工智能或者說(shuō)符號(hào)化人工智能時(shí)代的局限性，因?yàn)榘凑沼?jì)算就是認(rèn)知，它實(shí)際上把所有問(wèn)題歸結(jié)為一種形式化描述，或者我們換一種說(shuō)法來(lái)講，只要能夠進(jìn)行形式化描述，這個(gè)問(wèn)題就可以得到解決。我們?cè)賮?lái)看深度神經(jīng)網(wǎng)絡(luò)的局限性，深度神經(jīng)網(wǎng)絡(luò)需要通過(guò)大量的標(biāo)注數(shù)據(jù)來(lái)訓(xùn)練，過(guò)度依賴訓(xùn)練數(shù)據(jù)在一定程度上約束了網(wǎng)絡(luò)的泛化能力。還有一點(diǎn)，當(dāng)我們要構(gòu)建一個(gè)擁有非常強(qiáng)大算力的深度神經(jīng)網(wǎng)絡(luò)，能夠達(dá)到我們?nèi)祟?lèi)能力幾乎不可能的分類(lèi)，但是它缺乏人類(lèi)認(rèn)知的核心——推理——對(duì)事實(shí)的因果關(guān)聯(lián)的表達(dá)能力，因此最近幾年里，很多研究者致力于把符號(hào)規(guī)則引入深度神經(jīng)網(wǎng)絡(luò)，使其能夠根據(jù)知識(shí)來(lái)建立對(duì)數(shù)據(jù)的因果關(guān)聯(lián)。以上是從模型的意義上談的，但是實(shí)際上從計(jì)算角度來(lái)看，我們還無(wú)法在這種架構(gòu)下實(shí)現(xiàn)有效的注意力機(jī)制，進(jìn)行高效的圖像檢索?，F(xiàn)實(shí)世界中我們有很多問(wèn)題需要基于一種事件的描述或者是通過(guò)事件的驅(qū)動(dòng)來(lái)求解。因此，在處理的算法層面上我們希望有一種新的模型。例如，在計(jì)算過(guò)程中，如何把任務(wù)分成子任務(wù)或者在計(jì)算的過(guò)程當(dāng)中使用一個(gè)注意力機(jī)制來(lái)表征數(shù)據(jù)或分配計(jì)算負(fù)載。注意力不僅僅是“看”，同時(shí)在導(dǎo)引計(jì)算的過(guò)程，它的路徑就是通過(guò)引入注意力的機(jī)制來(lái)提高計(jì)算的效能。
在現(xiàn)實(shí)生活中，我們所面對(duì)的許多問(wèn)題具有不確定性、脆弱性、開(kāi)放性，比如無(wú)人駕駛，就是這樣一種非常典型的任務(wù)。今天的人工智能是建立在形式化和演繹邏輯基礎(chǔ)上的，而我們?yōu)樗袑?duì)象建立模型顯然是不可能的。這個(gè)不可能來(lái)源于我們不可能枚舉出一個(gè)行為所有的先決條件，也就是說(shuō)我們不可能對(duì)一個(gè)問(wèn)題具體描述出所有的邊界條件。另外，也不可能枚舉出一個(gè)行為的所有隱性結(jié)果，或者說(shuō)我們要進(jìn)行預(yù)測(cè)時(shí)，不可能在一個(gè)沒(méi)有辦法完全建模的情況下，讓系統(tǒng)給出正確的解。
因此，我們要研究或者發(fā)展一種受腦認(rèn)知和神經(jīng)科學(xué)啟發(fā)的人工智能，這是非常有意義的研究方向，也是我們未來(lái)人工智能的發(fā)展方向。受腦認(rèn)知和神經(jīng)科學(xué)啟發(fā)的人工智能，目標(biāo)是實(shí)現(xiàn)具有泛化能力的人類(lèi)認(rèn)知信息加工機(jī)制。從2016年開(kāi)始，中國(guó)工程院對(duì)新一代人工智能做了非常深入的戰(zhàn)略研究和討論，明確了人機(jī)混合智能是人工智能未來(lái)的發(fā)展方向。我們按照這樣一個(gè)思路，在AI2.0 中把人機(jī)協(xié)同混合增強(qiáng)智能作為AI2.0 中非常重要的方向，而且它的重要性不僅僅是概念上的，它能夠?qū)⒍鄠€(gè)學(xué)科交叉匯聚在一起，形成中國(guó)對(duì)人工智能未來(lái)發(fā)展作出重要貢獻(xiàn)的一個(gè)方向。
未來(lái)人工智能的形態(tài)是什么
前面說(shuō)得很清楚，無(wú)論機(jī)器的智能發(fā)展到什么程度，它總是需要人類(lèi)來(lái)使用。人是智能機(jī)器的服務(wù)對(duì)象和最終“價(jià)值判斷”的仲裁者，因此，人類(lèi)對(duì)機(jī)器的干預(yù)是貫穿始終的。所以人機(jī)協(xié)同的這樣一種混合智能必然會(huì)出現(xiàn)，它是人工智能或機(jī)器智能今后發(fā)展一種可行的、重要的成長(zhǎng)模式。
2018 年年初在美國(guó)新奧爾良召開(kāi)了美國(guó)人工智能協(xié)會(huì)（AAAI）會(huì)議，大會(huì)主席做了一個(gè)大會(huì)報(bào)告，題為“Challenge of human aware AIsystems”，這個(gè)報(bào)告指出面對(duì)擁有人類(lèi)意識(shí)的人工智能系統(tǒng)發(fā)展，我們?nèi)祟?lèi)面臨著什么樣的挑戰(zhàn)。他提出，長(zhǎng)期以來(lái)很多學(xué)者一直在研究人工智能是替代人類(lèi)勞動(dòng)還是增強(qiáng)人類(lèi)勞動(dòng)，這個(gè)問(wèn)題現(xiàn)在基本明確是在增強(qiáng)人類(lèi)勞動(dòng)，因此現(xiàn)在人工智能系統(tǒng)需要與人類(lèi)更好地協(xié)同工作，要設(shè)計(jì)出具有人類(lèi)意識(shí)的AI系統(tǒng)，要構(gòu)建人在回路中“心智”狀態(tài)模型。這一觀點(diǎn)與我們?cè)?2016 年提出的觀點(diǎn)可以說(shuō)是不謀而合。
人機(jī)協(xié)同發(fā)展這樣一種新一代人工智能要回答兩大基本問(wèn)題：第一，什么是人類(lèi)智力所獨(dú)有的特征；第二，要做到像人類(lèi)一樣擁有智能，計(jì)算機(jī)需要什么能力。當(dāng)然我們也經(jīng)常講，人類(lèi)經(jīng)常只用較少的數(shù)據(jù)，就能夠在廣泛?jiǎn)栴}上表現(xiàn)出智能的行為，其實(shí)我們的大腦在進(jìn)化過(guò)程中已經(jīng)經(jīng)過(guò)了大數(shù)據(jù)的訓(xùn)練，只是這個(gè)訓(xùn)練時(shí)間比深度網(wǎng)絡(luò)大得多，周期非常長(zhǎng)。但是，通過(guò)計(jì)算可以把人類(lèi)在某個(gè)領(lǐng)域長(zhǎng)周期的訓(xùn)練在短短幾個(gè)小時(shí)內(nèi)完成，這就是機(jī)器的威力。機(jī)器具有可重復(fù)性，可以完成規(guī)范性的任務(wù)，同時(shí)因?yàn)楝F(xiàn)在的機(jī)器是以形式化語(yǔ)言來(lái)描述的，所以具有邏輯性；而人，具有想象和創(chuàng)造的能力，這是人類(lèi)作為高級(jí)生物所獨(dú)有的特征，正是由于想象和創(chuàng)造，使得大腦處于動(dòng)態(tài)，想象與創(chuàng)造再加上動(dòng)態(tài)就構(gòu)造了一個(gè)非常復(fù)雜的系統(tǒng)?，F(xiàn)在的問(wèn)題是，我們應(yīng)該用何種方式來(lái)描述大腦跟外界的交互。因?yàn)閺挠?jì)算的角度而言，首先我們要定義這個(gè)問(wèn)題是可計(jì)算的，然后在可計(jì)算的基礎(chǔ)上給出計(jì)算的復(fù)雜度，如果計(jì)算復(fù)雜度是機(jī)器難以承受的，那么這個(gè)問(wèn)題實(shí)際上是得不到求解或者得不到應(yīng)用的。因此我們探討人機(jī)協(xié)同的混合系統(tǒng)，首先要看看模型怎么構(gòu)造，然后在這個(gè)基礎(chǔ)上，用什么樣的物理形式來(lái)實(shí)現(xiàn)這個(gè)模型的計(jì)算。
談到可計(jì)算，我們還需要弄清楚大腦的工作機(jī)理。大腦是一種具有涌現(xiàn)性的復(fù)雜自組織巨系統(tǒng)，它擁有約860億個(gè)神經(jīng)元，每個(gè)神經(jīng)元有數(shù)千個(gè)突觸，神經(jīng)元之間通過(guò)突觸連接，構(gòu)成了自然界一個(gè)極為復(fù)雜的網(wǎng)絡(luò)。大腦的工作依賴于突觸之間信息的傳遞，神經(jīng)遞質(zhì)擔(dān)當(dāng)了突觸傳遞中的“信使”。
實(shí)際上人的學(xué)習(xí)發(fā)生在突觸的間隙之中。我們知道有抑制性的神經(jīng)遞質(zhì)也有興奮性的，多巴胺是興奮性的，而 γ- 氨基丁酸、去甲腎上腺素是抑制性的。我們現(xiàn)在把神經(jīng)元看成一個(gè)物理計(jì)算過(guò)程，實(shí)際上人的大腦中突觸之間的變化是一個(gè)極其復(fù)雜的電化學(xué)過(guò)程，因此在計(jì)算模型的構(gòu)建上，我們不僅需要模型具有認(rèn)知計(jì)算的機(jī)理，也需要模型滿足神經(jīng)生物學(xué)的保真度。現(xiàn)在的深度網(wǎng)絡(luò)能夠給出一個(gè)函數(shù)的優(yōu)化擬合，大腦實(shí)際上不是通過(guò)統(tǒng)一的、沒(méi)有分化的神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)單一的全局優(yōu)化，而是通過(guò)各個(gè)獨(dú)特且相互作用的子系統(tǒng)來(lái)實(shí)現(xiàn)認(rèn)知。
從研究角度來(lái)看，從以上的討論我們能夠提出什么樣的科學(xué)問(wèn)題？其實(shí)進(jìn)行大的研究項(xiàng)目，首先是要凝練科學(xué)問(wèn)題。這里所討論的科學(xué)問(wèn)題我們可以這樣看：第一，大腦是如何實(shí)現(xiàn)優(yōu)化的？在計(jì)算的層面如何實(shí)現(xiàn)這樣的優(yōu)化？第二，腦網(wǎng)絡(luò)監(jiān)督訓(xùn)練信號(hào)從哪里來(lái)？它們體現(xiàn)不同任務(wù)的成本函數(shù)？另外，在不同神經(jīng)功能連接區(qū)域中，存在什么樣的有效連接來(lái)約束和優(yōu)化與任務(wù)相關(guān)的成本函數(shù)，以有效尋找特定問(wèn)題的解決方法。（大腦存在三種連接：結(jié)構(gòu)連接、功能連接、有效連接。所謂“有效連接”，是指在執(zhí)行任務(wù)中，在功能連接區(qū)神經(jīng)元的連接是抑制還是興奮的變化。）
前面我們談到了神經(jīng)生物學(xué)，從腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)看，腦網(wǎng)絡(luò)連接的變化表現(xiàn)為人的認(rèn)知行為。人類(lèi)理解或描述物理世界時(shí)，大腦總會(huì)形成一種對(duì)時(shí)間的“可視化”圖像，能夠抽象出概念，形成常識(shí)。常識(shí)往往是我們?nèi)粘Ｉ町?dāng)中判斷事物的一種出發(fā)點(diǎn)或者衡量標(biāo)準(zhǔn)。因此現(xiàn)在我們需要思考怎么能夠在一個(gè)人工智能系統(tǒng)中引入常識(shí)，把符號(hào)規(guī)則引入一個(gè)神經(jīng)計(jì)算之中。我們?cè)谌粘Ｉ町?dāng)中大量使用常識(shí)，但我們現(xiàn)在還沒(méi)有邁進(jìn)怎么使機(jī)器具有常識(shí)這樣一個(gè)門(mén)檻里面。近年來(lái)直覺(jué)推理的研究已經(jīng)開(kāi)始有一些算法出現(xiàn)了，包括AlphaGo實(shí)際上就是一種直覺(jué)推理。使用代價(jià)空間、決策樹(shù)、認(rèn)知地圖、模型匹配迭代，我們就可以給出一種直覺(jué)推理的簡(jiǎn)單的機(jī)器實(shí)現(xiàn)。直覺(jué)推理從數(shù)學(xué)解析空間來(lái)看，是人能夠在復(fù)雜問(wèn)題的解空間當(dāng)中尋找全局的最優(yōu)解，我們稱(chēng)之為最好的“猜”。
前面談到了直覺(jué)推理，下面簡(jiǎn)單說(shuō)一下認(rèn)知推理。認(rèn)知推理可分為物理層面的認(rèn)知推理和心理層面的認(rèn)知推理。物理層面的認(rèn)知推理可以使我們能夠跨越時(shí)間與空間追蹤事物的發(fā)展軌跡；心理層面的認(rèn)知推理是學(xué)習(xí)方向受到心理狀態(tài)的引導(dǎo)。認(rèn)識(shí)推理對(duì)事物或者數(shù)據(jù)的因果關(guān)聯(lián)分析，這是人工智能研究面臨的一大挑戰(zhàn)。因果模型既要滿足認(rèn)知任務(wù)中的物理因果關(guān)系產(chǎn)生的物理約束，又要滿足以機(jī)器為“本我”，理解在當(dāng)前認(rèn)知任務(wù)下設(shè)計(jì)的因果關(guān)聯(lián)。
直覺(jué)推理、認(rèn)知推理乃至因果關(guān)聯(lián)分析，這三者怎么構(gòu)建一個(gè)可計(jì)算的智能機(jī)器？使機(jī)器像人一樣對(duì)物理世界直觀理解。實(shí)現(xiàn)物理層面的推理主要有三個(gè)基本要素，首先對(duì)物體或?qū)ο蟮奶卣鬟M(jìn)行識(shí)別，并形成記憶，然后給出物體之間相互關(guān)系與作用的直觀理解，就是建立相關(guān)和因果關(guān)聯(lián)。這兩者完成以后，我們需要預(yù)測(cè)怎么能在一個(gè)不完整模型下，給出一個(gè)適合當(dāng)前約束和先決條件的合理行為，這就要構(gòu)造一個(gè)基于想象力的行為模型。這樣一種計(jì)算框架可以應(yīng)用于無(wú)人駕駛和自主停車(chē)等多種場(chǎng)景。
當(dāng)前我們正在研究怎樣把視覺(jué)深層神經(jīng)網(wǎng)絡(luò)模型和語(yǔ)義學(xué)的吸引子網(wǎng)絡(luò)模型相結(jié)合，使得網(wǎng)絡(luò)能夠同時(shí)實(shí)現(xiàn)物理外觀的識(shí)別和物體屬性的語(yǔ)義理解。這個(gè)研究方向很有意義，包括自然語(yǔ)言理解，可以使視覺(jué)屬性與更抽象的語(yǔ)義信息相互作用。前面已談到，我們構(gòu)造模型既要有生物的保真性，同時(shí)也要有認(rèn)知的保真性。歐洲的藍(lán)腦計(jì)劃在生物保真性方面做得很好，但是缺乏在認(rèn)知層面上的可解釋性。我們需要把對(duì)認(rèn)知計(jì)算的研究以及以數(shù)據(jù)驅(qū)動(dòng)的生物計(jì)算模型結(jié)合起來(lái)，這是人工智能未來(lái)的新方法。
人工智能未來(lái)面臨著諸多問(wèn)題與挑戰(zhàn)，這也是與我們后面課程的設(shè)計(jì)密切關(guān)聯(lián)的。特別是讓機(jī)器在沒(méi)有人類(lèi)教師的幫助下學(xué)習(xí)，讓機(jī)器像人類(lèi)一樣感知和理解世界，使機(jī)器具有自我意識(shí)、情感以及反思自身處境的能力；還有今后服務(wù)機(jī)器人進(jìn)入家庭并具有一定的情感，等等。我們要應(yīng)對(duì)人工智能帶來(lái)的深刻的社會(huì)問(wèn)題。
人工智能給教育和學(xué)習(xí)帶來(lái)什么樣的變化
人工智能可以使教育成為一個(gè)可追溯、可視化和可計(jì)算的過(guò)程，這是混合智能的一個(gè)重要應(yīng)用。教育要追求個(gè)性化，這是大勢(shì)所趨。人工智能技術(shù)會(huì)滲透到高等教育的各個(gè)層面，根據(jù)學(xué)生的知識(shí)結(jié)構(gòu)、智力、知識(shí)掌握程度，對(duì)學(xué)生進(jìn)行個(gè)性化的教學(xué)和輔導(dǎo)，這不是學(xué)生也不是教育工作者可以阻擋的一個(gè)趨勢(shì)。學(xué)生與在線學(xué)習(xí)系統(tǒng)的交互，是一個(gè)動(dòng)態(tài)的建構(gòu)過(guò)程，可以根據(jù)不同學(xué)習(xí)者的能力和反應(yīng)給出不同的學(xué)習(xí)規(guī)劃，也可以給出學(xué)習(xí)空間。學(xué)生是個(gè)性化、群體性、社會(huì)性和交互性的集合，
四個(gè)特性構(gòu)成了教育情境的基本要素。人工智能能夠?qū)⑵渥兂梢粋€(gè)可回溯的多層次行為建模，給出個(gè)人成長(zhǎng)、知識(shí)掌握、教育資源優(yōu)化配置的一些因果關(guān)聯(lián)。人工智能不僅僅實(shí)現(xiàn)個(gè)性化教育，實(shí)際上對(duì)我們提高高等教育質(zhì)量以及迎接新的社會(huì)變革到來(lái)，發(fā)揮著不可替代的作用。所以人工智能賦能教育不是簡(jiǎn)單地把學(xué)生數(shù)據(jù)收集起來(lái)，而是要改變當(dāng)前的傳統(tǒng)教育模式與人才培養(yǎng)體系，但現(xiàn)在大學(xué)里，一些教師上課依然是20多年前的模式，顯然是和我們當(dāng)前的追求目標(biāo)不一致的。
人工智能人才培養(yǎng)如何應(yīng)對(duì)國(guó)家重大戰(zhàn)略需求
什么是國(guó)家重大戰(zhàn)略需求？我們?cè)诿鎸?duì)這個(gè)問(wèn)題的時(shí)候，應(yīng)當(dāng)思考怎么能夠提升我國(guó)在人工智能領(lǐng)域的競(jìng)爭(zhēng)力，怎么能夠形成在未來(lái)的人工智能領(lǐng)域的競(jìng)爭(zhēng)優(yōu)勢(shì)。就技術(shù)發(fā)展而言，人工智能可以走向很遠(yuǎn)，但是我們無(wú)法確定人工智能最終是否具有人類(lèi)敏感性的天賦。人工智能可以完成人類(lèi)賦予它幾乎所有的任務(wù)，甚至超過(guò)人類(lèi)，但靈魂和精神總是來(lái)自人類(lèi)。人工智能只能是人類(lèi)的偉大助手。
人工智能是一種“贏者通吃”的技術(shù)，這意味著獲得優(yōu)勢(shì)的國(guó)家將會(huì)長(zhǎng)期享有優(yōu)勢(shì)。目前我國(guó)在人工智能領(lǐng)域與國(guó)際最先進(jìn)水平仍有相當(dāng)大的差距，主要集中在芯片、工具和平臺(tái)等方面。芯片、工具和平臺(tái)的背后，需要新的模型、新的算法作為支撐，這顯然對(duì)人才培養(yǎng)提出了新的挑戰(zhàn)。中國(guó)是人口大國(guó)，人工智能13為我們帶來(lái)了豐富的數(shù)據(jù)，這些數(shù)據(jù)只要用好就會(huì)形成我們的優(yōu)勢(shì)。2017年 7 月，我國(guó)發(fā)布了《新一代人工智能發(fā)展規(guī)劃》，因此我們要在國(guó)家重大發(fā)展規(guī)劃的引導(dǎo)下，根據(jù)本校的優(yōu)勢(shì)和特點(diǎn)建立人才培養(yǎng)的體系，并通過(guò)國(guó)內(nèi)人工智能領(lǐng)域?qū)W者的通力合作，形成更大的共同研究和人才培養(yǎng)的平臺(tái)。
大家知道，對(duì)于一個(gè)計(jì)算模型而言，當(dāng)算力確定了，不斷提升模型復(fù)雜度，或者說(shuō)提升算法的密度，整體性能是提高不了的，這就是受算力所約束，所以從計(jì)算機(jī)角度而言需要研究怎么提供更強(qiáng)大的算力；但是從算法角度而言，我們?cè)趺茨軌蛲ㄟ^(guò)模型改造降低算法密度，依然達(dá)到約束條件下最優(yōu)的結(jié)合點(diǎn)，這就是算法的威力。我們?nèi)斯ぶ悄茉谠S多場(chǎng)合要用新的模型、新的算法，來(lái)發(fā)揮智能的效果，這也是我們?nèi)斯ぶ悄苋瞬排囵B(yǎng)需要高度重視的領(lǐng)域。
人工智能人才培養(yǎng)的課程體系
早在 1986 年西安交通大學(xué)就設(shè)立了人工智能與機(jī)器人研究所，研究所是“視覺(jué)信息處理與應(yīng)用國(guó)家工程實(shí)驗(yàn)室”的支撐單位，擁有“模式識(shí)別與智能系統(tǒng)”國(guó)家重點(diǎn)學(xué)科，每年在讀碩士、博士研究生約 170 人，是西安交通大學(xué)培養(yǎng)高層次人才的重要基地，經(jīng)過(guò) 33 年的發(fā)展，可以說(shuō)西交大的人工智能研究和高端人才培養(yǎng)走在了全國(guó)前列。
2017 年開(kāi)始，西交大制訂了人工智能拔尖學(xué)生培養(yǎng)計(jì)劃。在這個(gè)人才培養(yǎng)方案中我特別加了一句——培養(yǎng)一流的工程師，因?yàn)槿斯ぶ悄鼙旧硎且环N技術(shù)和工程，當(dāng)然我們的工程師不是作坊里的，我們要培養(yǎng)具有科學(xué)家素養(yǎng)的一流工程師。我們培養(yǎng)的宗旨就是為學(xué)生今后成為人工智能領(lǐng)域的一流工程師、科學(xué)家和企業(yè)家奠定知識(shí)和創(chuàng)新能力的基礎(chǔ)。
2018 年秋季，我校的人工智能試驗(yàn)班開(kāi)始正式招生。其中高考招生選拔20人，校內(nèi)新生選拔 25 人，少年班選拔 10 人，共計(jì)招生 55 人。實(shí)驗(yàn)班采用動(dòng)態(tài)進(jìn)出的管理機(jī)制，保證人才培養(yǎng)質(zhì)量。
在課程設(shè)置方面，我們經(jīng)過(guò)一年的充分和深入研討，設(shè)計(jì)了人工智能人才培養(yǎng)課程體系，涵蓋八大課程群，分別是：人工智能核心課程群、計(jì)算機(jī)科學(xué)核心課程群、數(shù)學(xué)與統(tǒng)計(jì)課程群、認(rèn)知與神經(jīng)科學(xué)課程群、人工智能平臺(tái)與工具課程群、人工智能倫理課程群、先進(jìn)機(jī)器人學(xué)課程群、科學(xué)和工程課程群。每個(gè)課程群由一名教授擔(dān)任群長(zhǎng)，由群長(zhǎng)組織課程群的任課教師研討教學(xué)。我們把過(guò)去行之有效的教學(xué)組、教研室的作用充分發(fā)揮出來(lái)，邀請(qǐng)校內(nèi)外相關(guān)學(xué)科優(yōu)秀教師參與人工智能人才培養(yǎng)工作。
在人工智能核心課程群中，設(shè)置有“人工智能的現(xiàn)代方法 I”和“人工智能的現(xiàn)代方法II”兩門(mén)大課，“人工智能的現(xiàn)代方法 I”課程包括問(wèn)題表達(dá)與求解，“人工智能的現(xiàn)代方法II”課程包括機(jī)器學(xué)習(xí)、自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)等。認(rèn)知與神經(jīng)科學(xué)課程群，包括“認(rèn)知心理學(xué)”和“神經(jīng)科學(xué)基礎(chǔ)”，“人類(lèi)的記憶與學(xué)習(xí)”“語(yǔ)言與思維”以及“計(jì)算神經(jīng)工程”等課程。先進(jìn)機(jī)器人學(xué)課程群，包括“先進(jìn)機(jī)器人控制”“認(rèn)知機(jī)器人”“機(jī)器人規(guī)劃與學(xué)習(xí)”“仿生機(jī)器人”等課程。人工智能倫理課程群，包括“人工智能、社會(huì)與人文”和“人工智能哲學(xué)基礎(chǔ)與倫理”等課程。
前文談到了平臺(tái)和芯片的重要性。所以，在這些課程中，結(jié)合我校的特點(diǎn)，特別是人工智能與機(jī)器人研究所30多年來(lái)在這方面的研究，開(kāi)設(shè)了人工智能平臺(tái)與工具課程群，包括“群體智能與自主系統(tǒng)”“無(wú)人駕駛技術(shù)與系統(tǒng)實(shí)現(xiàn)”“游戲設(shè)計(jì)與開(kāi)發(fā)”“計(jì)算機(jī)圖形學(xué)”“虛擬現(xiàn)實(shí)與增強(qiáng)現(xiàn)實(shí)”等一批特色課程，部分課程還邀請(qǐng)企業(yè)參與設(shè)計(jì)與教學(xué)。因?yàn)槿斯ぶ悄芎芏嘈碌乃惴ㄐ枰诮换ビ螒蛑械玫津?yàn)證，人工智能很多方法也可以運(yùn)用于游戲之中，所以我們?cè)谌斯ぶ悄芷脚_(tái)與工具課程群里設(shè)置了“游戲設(shè)計(jì)與開(kāi)發(fā)”課程，是 2 學(xué)分選修課。
同時(shí)，我們積極拓展辦學(xué)資源，加強(qiáng)與人工智能領(lǐng)域領(lǐng)軍企業(yè)合作，深化產(chǎn)教融合、校企協(xié)同育人，并通過(guò)國(guó)際合作辦學(xué)、國(guó)際一流學(xué)者講學(xué)、組織高水平國(guó)際會(huì)議、資助學(xué)生國(guó)際交流學(xué)習(xí)等，建立高層次、立體化的高端國(guó)際合作培養(yǎng)體系，形成國(guó)際化培養(yǎng)氛圍，培養(yǎng)具有國(guó)際化視野和國(guó)際競(jìng)爭(zhēng)力的一流學(xué)生。
新一代人工智能的發(fā)展需要腦科學(xué)、神經(jīng)科學(xué)、認(rèn)知心理學(xué)、信息科學(xué)等相關(guān)學(xué)科的實(shí)驗(yàn)科學(xué)家和理論科學(xué)家的共同努力，尋找人工智能的突破點(diǎn)，同時(shí)必須要以嚴(yán)謹(jǐn)?shù)膽B(tài)度進(jìn)行科學(xué)研究，讓人工智能學(xué)科走在正確、健康的發(fā)展道路上。作為教育工作者，我體會(huì)到教育是一種緩慢而優(yōu)雅的過(guò)程。我們需要定下心，穩(wěn)住神，堅(jiān)持立德樹(shù)人，才能提高教育的質(zhì)量，走出一條各個(gè)高校都具有自己特色的人才培養(yǎng)之路。我們不能搞成千校一面，即便我前面講到我們?cè)O(shè)置的這些課程，對(duì)其他高校而言或許是不合適的，因?yàn)槊恳凰鶎W(xué)校的學(xué)科發(fā)展都有自己的歷史底蘊(yùn)和教師專(zhuān)長(zhǎng)，所以需要把歷史底蘊(yùn)、教師專(zhuān)長(zhǎng)和科研特點(diǎn)整合起來(lái)，我們就能設(shè)置出非常好的適合因材施教的課程體系。另外，支持“好奇心驅(qū)動(dòng)的研究”，支持“相信且追尋自身直覺(jué)的科學(xué)家”，是一個(gè)成功的創(chuàng)新生態(tài)系統(tǒng)的必備要素，也是回答“錢(qián)學(xué)森之問(wèn)”的關(guān)鍵條件。我們有責(zé)任為社會(huì)作出我們自己的貢獻(xiàn)！
