人工智能，无所不能还是有所不能？

智能时代

人工智能就在你我身边

未来如何定义

是科技之光还是毁灭之剑

它会有哪些前沿应用？

基本原理是什么？

目前还存在哪些技术局限？

机器又是怎么学习的？

严洪院长做客《世纪大讲堂》

揭开人工智能的神秘面纱

【嘉宾介绍】严洪，中国香港城市大学科学及工程学院院⻓，曾在耶鲁⼤学从事医学成像研究并获得博士学位，也曾在网络公司从事研发工作。严洪教授研究⽅方向包括文字识别、图像分析技术，他也展开跨学科合作，在探索基因功能、寻找肺癌靶向治疗药物耐药性的机理等方面做了⼤量研究。严洪教授做客《世纪大讲堂》，为我们分析人工智能技术的应⽤与局限。

节目完整视频

人工智能的应用

人工智能在许多的领域，如在商业、工程、自动化、保健、娱乐等方面都有广泛的应用。人工智能究竟能做什么事情？先来看四个实验室中的例子。

口型模拟

第一个，就是将人工智能应用于语音跟口型的匹配。在做动画的时候，手工调整动画角色的口型是很困难的。而人工智能，通过数据分析、机器学习的方法，可以达到以下三点要求：首先，人工智能可以处理多种语言，不管是外语还是汉语里的方言对它来说都是小菜一碟；其次，计算机的操作更加灵敏快捷。在视频制作时，常会出现1秒钟就有20帧的情况，所以匹配口型时速度是非常必要的；第三，人工智能使能开口讲话的动画角色不再限于人物和动物，连车也可以说话。这就增加了动画的娱乐性。

表情识别

第二个应用是面部的表情识别。经过导入数据，分析数据，机器学习，人工智能就可以找出人脸位置，然后识别面部表情。基于这项技术，就可以自动为一张人像照片配上相应的音乐或符号，对这张照片进行加工或标记。

细胞分裂过程

第三个应用是对细胞分裂和基因功能的分析。要分析细胞分裂过程，就需要人工智能的帮助。在细胞分裂的过程中，实验人员用激光扫描测量其不同的深度，构成三维的图像；每隔一段时间都要对其进行扫描测量，将不同时间下得到的图像进行对比，就得到了四维信息。而在这些冗杂的四维信息中，要对每一单个细胞进行跟踪，追踪子细胞跟母细胞的关系，将子细胞与母细胞进行匹配。这就需要大数据分析，在这项研究中有20TB的数据，这一切单靠人脑是很难完成的。

此外还有在研究癌症的靶向治疗的抗药性方面的应用。肺癌是癌症当中死亡率最高的癌症。倘若此时有位肺癌患者，我们采取让他服用靶向治疗的药物的治疗方式，一开始患者的病情确实会好转，但一年以后，病情状况常又会恶化。导致这个问题的罪魁祸首就是抗药性。什么是抗药性呢？药分子与致病蛋白质结合，蛋白质就无法致病。但是蛋白质也很灵活，随着时间推移，它会变形，药分子无法再与变形后的它结合，它就可以继续致病。这就是抗药性。现在有了人工智能，研究人员就可以对不管是国外那些发表过的，还是在中国香港本地采集到的所有变体进行分析；将变体与药的匹配，它们的三维的结构都进行比较。然后按照分析出的数据，医生可以去改换药物，或者通过数据分析可以帮医生制定一个很好的治疗方案。

人工智能的原理

现在大家比较感兴趣的，用的比较多的是基于机器学习的人工智能系统。机器学习有三个主要的部分：分别是特征提取，降维，还有分类器。基本的原理都很简单，并不那么神秘。

一张图有大量像素，假如图的大小是1000×1000，那像素就有100万个。实际上，我们只需要取最重要的那一部分信息，拿这部分信息来做分类。要实现这一目的，有两个方法，一个是特征提取，另外一个就是降维。

人脸表情识别

什么是特征提取？以人的表情识别举例，表情跟头发、耳朵、脖子和衣服都没关系，实际上，这个表情只与眼睛、嘴附近点的移动有关。所以我们只需要把这些点取出来。这就是特征提取。

那什么是降维呢？如图，一些点要用两维的坐标来表示，A跟B，要用X1、X2来表示。因为你要描述位置信息。但是现在把坐标轴转一转，变成U1、U2。要描述这些点的位置就只需要U1，不需要U2，U2起不了什么作用，在U1中间划一条分界线，两类就分开了。所以这就降了一维。假如说，要处理的数据维数很高，达到百万，那么降的维数就也会很高。也就是说，数据量就会减少很多。

机器学习的第三个概念就是分类器。例如要调查天气冷不冷，在不同的温度和风速下我们收集了一些数据，A代表不冷，B代表冷。我们画一条分界线，A与B就被区分出来了，这就建立了一个分类器（如左图所示）。但如果我们调查更多的人，或者在更多的情况下去调查，数据多了（如右图所示），分界线必须调整以后，分类才会更加准确。所以结论就是，要提供很多的数据，去“训练”和“校准”分类器。准确度才会高。

A：不冷，B：冷

人工智能是无敌且万能的吗？

多层神经网这个概念在八十年代就已经出现了，现在的“深度学习”只是再进一步，可以调整更多的参数。深度学习确实会比其他的方法更好，也得到了很多的应用。但是它也是有一定的局限性的。例如，机器对因果关系，逻辑推理问题就非常难处理；有时候它还会发生莫名其妙的错误；另外机器学习必须要求有大量的数据去训练，十分繁杂。

机器人确实可以帮人做事。但是并不是每件事都可以做。

把人类智能跟人工智能进行比较，就会明白机器人不会打败人类。计算机在数值分析、加减乘除、解方程方面很厉害，而人算数字能力实际上还是有限的。在处理大数据方面，计算机的能力人类也难以企及。但是，人可以分辨低质量的图片，而计算机做不好。人类拥有灵活性，常识，和创造力。但计算机是不是有创造力仍然存在争议。其实，计算机的程序是人写的，那么创造力终归是要归结于人的。

未解决的问题

第一个问题就是图像的特征提取。在研究方面，降维跟分类器技术相对比较成熟，但是特征提取，我们知道的还是很少的。实际上，对如何实现计算机的“看”这个问题，许多领域的科学家都有研究。什么是看？你可能觉得这个问题简单得莫名其妙，但计算机去完成这个工作却是很困难的。“看”就必须把相对应的数学公式写出来，这个数学公式仅对一张图有用是不行的，即要有“普遍性”。但我们在这方面的研究还远远不够。

第二个问题是高阶数据分析。从正负数到向量再到矩阵，在上个世纪五十年代，六十年代到八十年代，计算机科学家花了很多的精力将矩阵计算研究清楚。更高阶的数据，称为张量，它们可以对机器学习提供新的模型。关于张量的许多问题还不是很清楚，值得研究和探讨。

人工智能和计算机技术发展的比较

人工智能和计算机技术发展过程有很大的不同。第一台数字计算机是1943年开始建造的，当时这个计算机占据了180个平方米的面积，重量达50吨，花费很多人力物力。但是当时人们对计算机的期望是很低的。只要做加减乘除就行了。计算机实现放音乐、看电影、做自动控制，都是后来逐渐开发的功能。

世界上第一台计算机

人工智能不一样。一开始声势浩大，概念很好。很多人去做，但是对它寄予的期望太高，希望它直接达到人类智商的水平。但事实上，人工智能几上几下都没有达到这个目的。仍然有很多的问题还没有解决，需要我们进行进一步的创造性研究，也需要在理论上或者技术上有重大的突破。

总之，为了使人工智能提高性能，我们需要超越现有的方法，进行高风险的研究；除了大数据分析之外，还需要研究与具体问题相关的基本原理。

编辑：二丫、张尧、蒙小度