通用型和功能型的人工智能，哪个是趋势？ | 科技特训营干货

科技特训营第二期 第一模块干货继续奉上：

讲师：王小川

搜狗 CEO

课程主题：《人工智能技术与应用思考》

以下为课程精华部分节选：

人工智能来了以后，民间都这么问：什么职业会被取代？特别是孩子的爸妈，问上学学这个学科有没有用？也有更加长远的，问机器把人类取代了，人类灭亡了怎么办？其实有点杞人忧天。

正经地讲，人工智能在今天爆发之前经历了三个阶段，现在是第三个阶段。

从 1960 年到 1980 年是第一个周期，那时候是专家系统，设法让计算机专家解决问题，把人的知识交给计算机，写程序，做一些判断，但最后的决策系统不成功。比如医疗领域，我们人很难找到办法，把自己对事物的理解变成某种知识教给机器，人的知识提取、描述不出来，所以机器失败了。

失败了之后我们能怎么办？就到第二个阶段，学习。

没有办法把知识教给机器，就给机器一些特征。比如看病，把体温、验血指标、头发颜色、发热是什么病等关键特征告诉机器，给机器更多病人样本，如果一些病人具有以下特征，就告诉机器一个最终答案，这个人可能得了肺结核或者其他什么病。

其实就是给他样本和最后的答案，样本中间由特征来描述。在这个阶段里，人发生了变化，把样本和知识特征交给机器，这是数据驱动的方式。这个方式取得了一定的成功，这叫特征成功，从专家走向特征的方法。

但这个方法还是不灵，问题在哪儿？

当我们描述这个特征的时候会变得非常困难。我们就拿图像识别举例子，在这 20 年里，我们有两类论文。第一种，找到不同的特征描述图片，发现新的计算特征使图像识别更加准确，可以发论文。第二种，基于不同的特征，研发识别算法也可以发论文。

在两个领域里，一个领域要去找特征，一个领域要研究算法，都可以提高生物识别图像率。但是整个效果非常有限，第一波跌下来了，第二波起来之后效果也不好，图像识别一定比人差。第二波人工智能也没有取得成功，研究人工智能的教授出去会说我是搞计算机的，不是搞人工智能的。

2000 年是一个大的时代，开始进入深度学习的时代。

这算是什么时代？源头是 2006 年一篇论文，大家从原来的算法走向了神经元的方法，之后的一个突破是百度的首席科学家。

一开始是找猫的系统，识别人脸和识别猫很难的一件事情。一千万张图片里，有的图片有猫，有的图片没有猫，大概用了1.2万个CPU计算核心，每张图片不是按照猫耳朵、鼻子图像提取特征，每个猫是200×200点阵，4万个初始的数据输入进去，给了一千万猫的照片，我们叫标注数据，有的照片上面写了这里面有猫，这里没有猫，再给计算机，告诉它这是答案，不断做训练，达到75%的准确度，这是深度学习的方法。今天看来准确度不高，但当时是突破性的进展，证明图像识别是有用的。

这跟前面的过程有什么区别？

第一，需要更多的数据，第二，需要更大的计算力。最大的好处把人解放了，最开始我们把知识交给机器失败了，到第三个阶段，我们放弃了人的经验，把数据交给机器，这就是今天跟原来的一个巨大区别。

这个区别很意义在哪儿呢？

比如做医疗系统，既需要工程师写代码，也需要工程师对医疗知识足够精通，这个很困难。写代码并不一定能传达知识理解，今天这样一个时代到来之后，以深度学习为核心，工程师们并不需要对专业知识理解了，可能只需要商务人员对这个事情有理解，然后把数据给工程师让他建模型。这个变化使得我们重新面对问题，组建公司的时候，可以分而治之，不需要找有行业经验的工程师。

机器最终的目标是什么？最后是创造生命，给机器一个目标，在地球表面活下去。这种情况，可以重演一次进化史。现在第三个阶段已经达到了，而且用的非常充分，只要原始数据非常规范，数据可解这是人工智能的阶段。2000 年到 2020 年，也许 20 年之后会走到第四个阶段。

这个话题很有意思，是通用型还是功能型的人工智能？

在人工智能有两大流派，我们到底做通用智能还是功能智能？通用智能能处理所有的问题，可以跟你对话，可以做图象处理，同时可以语音识别等。专用的人工智能，就是解决一个特定的问题，比如能够语音识别，这是一个专业的问题，图像识别是另个专业的问题。阿尔法狗就是功能型的人工智能，只能下围棋。

我个人判断，这个事情没有行业的定论。从我们的需求到我们的能力，现在我们只会做功能型的人工智能，通用的人工智能没有标性，还没有能力去做到。

其他讲师精彩内容

敬请期待

讲师：瞿昆教授

青年千人、生命科学学院、医学中心、

中科院天然免疫和慢性疾病重点实验室

中国科学技术大学

课程主题：《生物大数据和精准医疗》