清华大学邓志东：AI从边缘到主流，机会究竟在哪？

曾经从事边缘中的边缘，现在已成为主流并代表未来

90年代初期，邓志东开始用C语言自行编写BP网络（由正向计算和误差的反向传播两个过程组成），主要做误差反向传播学习算法的性能改进，后来开始从事再励学习（即强化学习）的研究。“与80年代知识工程和专家系统的火爆相比，那个时候人工智能整体上开始趋向低潮、边缘，而人工神经网络和强化学习又是人工智能中的边缘，实际就是边缘中的边缘。

80-90年代人工智能的主流研究是知识工程、专家系统和统计机器学习等，那时候的教科书像《人工智能导论》等，只有很少篇幅介绍人工神经网络。当时很多人都认为神经网络没有什么实用价值，与人的水平（human level），差距也比较大。”邓志东这样描述那个年代的人工智能研究。

在经历了较长时间的低潮之后，人工智能终于在2012年之后迎来了第三次复兴。这一次，不只是学术界，包括谷歌、Facebook、亚马逊、微软、IBM、苹果、百度、英伟达、英特尔、高通等在内的各大科技巨头都纷纷押注于人工智能，甚至要利用人工智能重塑企业及对产品赋能，这充分反映了人工智能对于人类未来的影响，有可能会变得非常之大。

“对于巨头型企业来说，最不能犯错的就是公司对产业发展趋势的洞察，这些重大战略决策一旦出错，整个“帝国”就有可能轰然倒塌，”邓志东说到，“客观地说，目前几乎所有IT巨头都把自己的未来之一押注在人工智能之上，因此这一轮大数据人工智能的兴起，绝对不是空穴来风，也绝不仅仅是为了追逐热点。”

“目前的大数据人工智能是有商业价值的。”邓志东坚定地说。

计算能力将突飞猛进，算法短期内难革新，要警惕泡沫

在邓志东看来，这一波新的人工智能热潮，至少可以推动计算能力的进步，做到几百倍、几千倍的性能提升。现在的冯·诺依曼体系的计算机，CPU和内存之间存在着一个带宽物理极限的问题，但是需处理的数据量却在继续呈几何级数增长。

邓志东认为，对计算能力提升的强烈需求或许会导致类脑非冯·诺依曼体系计算机的出现，不但可同时支撑更大规模的大数据和更大规模的深度学习模型，而且还具有极低的功耗。“但是很多人鼓吹的千万倍的计算能力提升，我觉得短期内还很难实现。”邓志东坦言。

“我不否定目前人工智能有一定的虚假混杂和泡沫成分，比如将上一波人工智能热潮中已被证明是能力有限或很难继续走下去的东西，又在新的镁光灯下进行不加发展的‘复辟’与炒作，故意回避或混淆这一轮人工智能复兴的真正缘由；又比如夸大宣传，像强人工智能、超人工智能，目前来看这些都不太可能成为现实的，除非能够进行多任务学习的通用人工智能，确可取得实质性的突破。”

大数据与大计算驱动的弱人工智能，目前确切地说，就是深度卷积神经网络和深度强化学习，对许多细分的特定应用场景，的确能够达到甚至超过人类的水平，但它远不完美。“比如目前的弱人工智能可以看得清、听得清，但是还没有达到看得懂、听得懂和读得懂这一程度。又比如不能处理小数据，没有推理能力，也不具有可解释性等。”

在邓志东看来，这些极具挑战性的前沿问题如果想要有所突破，就必须真正与神经科学的研究相结合。

如何结合，这是一个关键难点。

也就是说，迄今的人工智能还没有受到神经科学太多的启发与贡献，只是在早期的一些人工神经网络模型中才有所体现。事实上，我们对人脑的了解太少，很多复杂高级的智能行为，比如人的记忆、注意力、抽象、想象、推理、规划、决策、知识学习、动机、意识等，大脑到底是如何工作的，这些我们都不甚清楚。用邓志东的话来说，现在的人工智能，其各种能力或表现只是形似而神不似。

另外，在算法的发展上，邓志东也认为短期内很难有革命性的进展，而目前的突破点是如何解决小样本或小数据的学习问题，这也是目前深度学习算法产业应用的突出问题之一。”邓志东认为，前面说的没有理解能力、不能处理小数据、黑箱式不可解释、没有推理能力、不能进行多任务学习等，解决这些问题，也正是下一步人工智能需要努力的重要方向。

谈自动驾驶：汽车产业将面临五次变革

在清华大学的25年，邓志东做了很多方向的研究，包括自学习控制、机器人、人工神经网络、强化学习、虚拟现实、复杂网络理论、计算生物学、无线传感器网络、计算神经科学、自动驾驶等。2009年，邓志东开始从事自动驾驶的研发，迄今已有8年多的时间。

邓志东向网易智能表示，最近8年多的自动驾驶研发是他研究生涯中做得最困难，也是挑战性最大的一个项目。”因为自动驾驶汽车除了在实验室进行算法和关键技术突破之外，80%以上的时间还要在真实的道路和交通环境中进行测试、调校和改进。而且我们不是做其中的一个部分，而是做自动驾驶汽车的整体解决方案。“邓志东解释到。

邓志东认为，汽车的变革会分为五个阶段：

第一次变革是从内燃机汽车变革为电动汽车/新能源汽车，这个趋势已经非常明显，而且有很多国家已经开始制定内燃机汽车退市的时间表。

第二次变革是从电动汽车变革为智能汽车/信息化汽车，后者可以通过OTA（空中下载）进行功能的软件定义与升级，目前的典型代表就是特斯拉。

第三次变革是从智能汽车变革为自动驾驶汽车（L4），而邓志东认为SAE L2、L3级别只是一个过渡，只有到了L4级别才有商业价值，因为这时司机才被完全取消了。

第四次变革是从自动驾驶汽车变革为真正的无人驾驶汽车（L5），后者已没有方向盘和油门/制动踏板，没有后视镜，也没有区域和功能的限制，即人能去的地方它能去，人不能去的地方它也可能不能去。但这一天的到来还比较遥远。

第五次变革是从自动驾驶或无人驾驶汽车变革为共享自动驾驶生态，它将催生新的商业模式和产业形态，彻底颠覆人类的出行方式。

“在我看来，第一阶段的变革已经发生，第二阶段的变革正在进行之中，而第三阶段的自动驾驶已经看到产业端倪，例如很多人认为2021年前后将会是自动驾驶汽车的产业元年，但这必须有赖于人工智能、云服务、高精地图、5G、车联网、ITS等的共同推动。”邓志东说到。

自动驾驶时代的来临，并不是一蹴而就的，而是循序渐进的。邓志东说，目前已经有L4级别的自动驾驶汽车应用在特定的区域中，比如场景相对封闭的开发区、景区、工业园区和机场等等，下一步将会在简单的城区环境，或者高速公路上实现，最后自动驾驶可以在复杂城区环境下行驶。“所有这些都叫L4，只是它自动行驶的限定区域是逐步加大、逐步复杂的。”邓志东表示。

谈到自动驾驶未来的商业模式，邓志东强调，未来的汽车一定是To B的而不是To C的。邓志东认为，到时候用户不会去买自动驾驶汽车，就和现在没有人愿意再去买共享单车一样，这绝对不是因为买不起。

主要就是太麻烦了，买车需要个人去面对上牌、车位、年检、保险、保养等各种烦心事。“就像共享单车一样，对共享自动驾驶汽车也是刚需，如果技术开始成熟，也会一夜之间出现，但可能是与叫车公司合作，又或者是由运营商独自经营的。”邓志东说到。

在邓志东看来，现在自动驾驶还卡在技术上，包括人工智能的渗透，云服务、5G、固态激光雷达的普及等。“一旦这些条件具备了，未来自动驾驶汽车的普及就会像智能手机一样，是一个很快的过程。”至于全球自动驾驶汽车市场，谁会抢得先机、占据主导地位，是整车厂商，还是科技巨头、Tier 1，或者是叫车企业？邓志东表示现在还不得而知。

谈人工智能应用：速度在加快，但每个领域都有很多机会

谈及人工智能的产业应用，邓志东认为，人工智能已经开始渗透各行各业，很多行业都在发生改变，人工智能应用落地的速度明显加快。

大数据大计算驱动下的弱人工智能产业，垂直应用领域非常广泛，包括现在很火的无人零售店、智能音箱、深度学习智能摄像头、智能服务，甚至是庭审的速记，还有就是智能医疗、智能金融等等。

“大数据是基础，算法是关键，计算力是前提，人才最重要。”邓志东称，推进特定应用场景或者垂直细分领域的人工智能研发，通过使相应的产品、流程与服务达到与人类相当的水平，这就具有商业价值，其中最重要的就是如何选定应用的场景。

邓志东建议，中国人工智能的应用场景规模非常大，互联网与云平台的普及让我们容易得到大数据，加上在中国商业落地速度更快以及政策的支持力度大。“短期内政府的大量资金投入，应特别注意导入市场的力量，即中国人工智能产业的发展，应该走以市场为主导以企业为主体，产业为先之路。”

但邓志东也同时指出了中国人工智能发展的短板，就是原始创新能力不足，投资界过于追求短期盈利，还有体制机制的障碍，巨头型人工智能企业还比较少，缺乏高端基础性研究人才和人工智能工程开发人才仍需迅速壮大，以支撑中国人工智能产业的迅速发展等等。

总之，时代的进步、历史的巧合，让大数据深度学习暂时占据了人工智能的舞台中心，也使人工智能从失落走向产业革命的主角之一。数据智能，智能革命，未来可期。

相关链接： 清华大学邓志东：我们如何迈向认知智能与通用AI？

---

【新零售行业峰会来袭！】 2016年马云在云栖大会上首提“新零售”，自此“新零售”已成为当下电商界最热词，各电商大佬反复提到“线上线下融合”。如今，无人便利店、无人货架等模式也上升至新的风口，入局者蜂拥而至……

从旧到新，从传统到智能，零售经历着种种变化。对于企业来说，如何做到真正的落地执行？怎样借力实现销量和渠道的裂变？现场演讲嘉宾将在峰会上碰撞出精彩的火花，这将是一场新零售思想的盛宴。

“新零售 智能未来”——2017亿欧华东峰会： http://www.iyiou.com/post/ad/id/340

---

2017年9月14日，亿欧智库正式发布了《2017中国智能金融产业研究报告》，该报告在梳理智能金融概念、宏观环境和公司现状的基础上，总结了七大应用场景，并分析了金融机构的智能金融应用以及互联网巨头的布局，最后总结了智能金融的未来发展趋势与挑战。了解更多报告内容，请点击： 《2017中国智能金融产业研究报告》 。