目前，大數據+深度學習+大算力構成了人工智慧的主要發展模型，但更多的數據、更強的算力和改進的算法卻未必會讓人工智慧更聰明。有專家指出，人工智慧未來發展的關鍵並不是簡單提高算力和增加數據，而是要重新思考智能模型。
古希臘哲學家德謨克利特曾言，「我寧可找到一個因果的解釋，也不願意成為波斯人的王」。可見，推理能力，是人類智能的重要體現。目前，儘管人工智慧在語音、圖像識別等特定領域、特定類別下，水平已經比肩甚至超過人類，但對日常生活中的事情進行推理，AI卻是一籌莫展。
例如，電影《教父》裡有這麼一個場景：一個黑手黨對糕餅店老闆說：「這個店太漂亮了，但是如果有一把火把這個店燒了，那就太可惜了。」顯然，這句話背後的意思，不是勸老闆準備好消防設備，而是恐嚇老闆趕緊交保護費。這個結論對人而言是顯而易見的，但對於AI則很難理解。再如，張三問李四：「你最近忙嗎？」李四回答道：「我眼圈黑得可以扮熊貓了。」對於AI來講，李四的回答和張三的問題是風馬牛不相及的兩句話。
目前AI缺乏因果推理能力
「目前AI所學的語料庫裡，只涉及數據之間的相關概率，而沒有數據之間的因果關係；更關鍵的是，AI算法裡很少包含推理的模塊。」8月24日，清華大學心理學系和腦與智能實驗室教授劉嘉在北京智源人工智慧研究院舉行的「人工智慧的認知神經基礎」重大研究方向發布會上指出，而在人的大腦裡有專門的認知結構來進行推理以尋找因果關係。事實上，人類隨時隨地都在尋找事件的因果解釋，甚至會把一些完全無關的東西關聯在一起。可以說，因果推理是人的一種本能行為。
有人說，今天的人工智慧是大數據+深度學習+大算力，未來的人工智慧就是更多的數據、更大的算力加上改進的機器學習算法。這麼說對嗎？「這麼說並沒有真正回答問題，屬於線性思維。深度學習在人臉識別等方面取得重大進展，但並未真正解決感知問題，例如對抗性圖片可以欺騙人臉識別系統，這不是個案，而是揭示了深度學習的根本性缺陷。因此，人工智慧未來發展的關鍵不是簡單提高算力和增加數據，而是要重新思考智能模型。」北京大學計算機科學技術系教授、北京智源人工智慧研究院院長黃鐵軍表示。
什麼是智能？「我認為智能是系統通過獲取和加工信息而獲得的一種能力，從而實現從簡單到複雜的演化。比如說動力系統，汽車、飛機通過油和電等能量進行運動，但這不是智能，如果一個系統能夠獲取信息並通過加工信息獲得能力增長，它就是智能。」黃鐵軍說。
黃鐵軍表示，作為智能載體的系統可以是有機生物體，也可以是無機的機器，包括計算機。寄托在有機體上的智能稱為生物智能，以機器為載體的智能稱為機器智能。而把人工智慧理解為「人工設計製造的智能」是偏頗的。
借鑑生物智能拓展研究途徑
「生物智能研究是腦科學的一部分，屬於自然科學範疇。如同其他自然科學一樣，大腦作為研究對象基本是穩定不變的，人類的進化不會在幾十、幾百年有多大變化。大腦是已知的最複雜的系統，所以腦科學常常被稱為自然科學的最後疆域。」黃鐵軍指出。
機器智能是技術科學的前沿，黃鐵軍表示：「因為人工智慧這種系統的複雜程度是隨著人類的設計、開發以及環境的互動變得越來越複雜，所以機器智能的研究對象是一個不斷擴展變化的對象，我認為智能科學是技術科學無盡的開放疆域。」
「生物大腦是億萬年進化的產物，機器智能沒必要也不可能再從頭進化一遍，而是應該在生物大腦的基礎上向前發展。」黃鐵軍表示。例如，目前的機器視覺採用攝像頭和計算機算法，雖然取得了很好的效果，但是存在計算複雜度高、成本高等問題。黃鐵軍團隊研製的新型視覺傳感晶片仿照生物採用脈衝方式表示視覺信息，不需要大算力就能完成超高速視覺任務，成果表明可從結構和機理上模仿生物大腦，再通過光電系統特性大幅提高性能，這是人工智慧未來發展的重要途徑。
據介紹，北京智源人工智慧研究院在2019年發布的5個研究方向中，將「人工智慧的認知神經基礎」作為2020年首個重大研究方向，旨在將神經科學、認知科學和信息科學進行交叉融合，加強人工智慧和腦科學的雙向互動和螺旋發展，揭示生物智能系統的精細結構和工作機理，構建功能類腦、性能超腦的智能系統，以視覺等功能和典型模式動物作為參照物測試智能水平，為人工智慧未來發展探索可行道路。
劉嘉表示，從認知神經的角度考慮，理解智能有3個層級，硬體層面、表徵與算法層面以及計算目標層面。對應到生物智能中，分別是腦神經結構與功能、生物神經網絡模型以及認知模型。課題組將分別從3個層面進行研究：生物基礎、網絡模型、生物視覺。其中，將圍繞「生物視覺的認知神經基礎」用多種腦成像的方法，探究大腦的精細結構、闡明生物視覺的認知功能和計算架構；進行「AI的腦解析」，利用認知神經科學的研究方法打開人工智慧（深度學習網絡）的黑盒子；探索「類腦的AI」，基於生物視覺認知的研究成果，構建類腦視覺信息處理的模型與算法。
「以認知神經為基礎，人工智慧將進入一個新的發展軌道，儘管它的發展不會像大家想像那麼快，因為很多技術挑戰需要解決，但只要方向對頭，速度還是比較快的。」黃鐵軍表示，「如果要實現類似生物那樣的智能，我認為各種人工智慧探索途徑最終都將收斂到生物大腦模型上。」
三學科交叉融合探尋生物智能本質
在自然界中，我們看到生物智能可以實現很多目標。那麼，生物智能是怎麼工作的？
據介紹，生物界中，線蟲神經元的數量是302個，果蠅是25萬個，斑馬魚為千萬級，小鼠接近1億，絨猴是10億級，獼猴差不多百億級，而人有860億個神經元。雖然這些生物體神經元之間數量差別達億倍，但是它們都能夠滿足生存需要——獲得食物，逃避危險，繁殖後代。劉嘉指出，儘管不同的生物在智能的高低上存在差異，但是無論是幾百個神經元的線蟲，還是有千億個神經元的人類，他們都具有人工智慧夢寐以求的通用智能。所以，從生物智能的角度來看，通用智能並非一定要依賴於非常多的神經元來實現，而是神經元通過某種規則的組合。
但是，生物智能底層的規則是什麼，現在尚不清楚。劉嘉強調，「這些規則是可以通過研究來獲取的。在過去的幾十年裡，研究者分別從三種不同角度探究智能的本質：一是自下而上的生物學視角，它是忠實於生物神經基礎的仿真；二是自上而下來構建抽象的認知模型，以認知科學為核心。三是最近興起的折中之路，以深度神經網絡為代表的在仿真與模型之間計算科學的道路。」
劉嘉介紹說，今後的研究方向是把神經科學、認知科學和計算科學做深度的交叉。而人工智慧的突破可能就在這三個學科的交叉點——它現在雖然是一個無人區，在技術和範式上有很多未知，存在很多挑戰，但是充滿希望。為在這個交叉點開展工作，必須要有一個底層的支撐，這就是生物智能開源開放平臺。
具體而言，研究人員準備構建一個多尺度、多精度、多模態的開源開放平臺，把生物神經數據、行為範式數據、認知過程及表徵數據，以及相應的生物、計算和認知模型等放進去。在這平臺之上，吸引更多的人加入進來，探索智能的本質，構建關於智能的理論。（記者 華 凌）