“常识往往不在数据里 张钹院士谈第三代人工智能快速发展趋势”

本篇文章1366字，读完约3分钟

科学技术日报记者李钰

最近，ai2000人工智能世界2000名最具影响力大学者排行榜在清华大学公布，我国学者规模居世界第二位，但缺乏高水平学者集中的研究机构，人工智能行业人才队伍亟待加强。

ai2000排行榜由清华-中国工程院知识智能联合研究中心和清华大学人工智能研究院发布。 ai2000人工智能全球最具影响力的大学者( 200名)和提名者( 1800名)分布在世界不同的大学和学术机构，美国1128人，中国171人，欧盟307人。

在发布会上，清华大学人工智能研究院院长、中国科学院张槁院士发表了热情洋溢的报告和精彩的评价发言。

人工智能研究必须国际化

基础研究，特别是人工智能行业的基础研究必须国际化。 因为只有团结和利用世界的研究者，才能引领基础研究的迅速发展。 为什么现在人工智能行业大多由美国领先，是因为美国利用了世界上最优秀的人才。

中国要在基础研究的基础上引领世界，必须走国际化的道路。 今天，很多外国留学生来中国学习是件好事，但我们可以进行一定的平衡调整，吸引更广泛国家的优秀学生到中国来。

数据驱动和知识驱动相结合

人工智能的四个基础是知识、数据、算法和计算力，回顾历史，这四个要素在不断地发挥作用。 第一代人工智能又称符号人工智能，强调了知识对智能的作用。 因为不具备算法和计算能力。

进入新世纪后，深度学习将大家的目标聚集在数据上。 此时，大数据的出现，加入了良好的算法，形成了基于概念的深度学习，加入了云计算等手段，极大地宣传和应用了基于数据的连接主义模型。

数据主义喊了很多口号，我们今天遇到了一点困难，基于大数据构建人工智能系统似乎不可靠、不可靠、不安全、难以宣传。 这是目前在深度学习中进行人工智能研究带来的问题，也可以说是大数据面临的课题。 如何应对这个挑战呢？ 唯一的方法是重新引入知识，将数据驱动和知识驱动结合起来，达到可靠安全的第三代人工智能。

常识常常不在数据中

自然语言理解是人工智能行业最核心的问题。 无论是做机器翻译，还是自然语言的应用，都试图通过分解符号序列来理解相关内容，这是第一代人工智能所谓符号主义的核心方法。 到了第二代人工智能，又走上了深入的学习之路，这条路充满了希望，但也非常危险。 因为不能应对可靠的安全问题。

机器翻译现在只能翻译不重要的东西。 即使错了也没关系。 真正重要的情况下，需要人力同时翻译。 机器最大的问题是缺乏常识，不知道自己不知道。 这是个大问题。 知识有两个方面。 一个是我知道什么，一个是我不知道什么。 有学问的人不仅知道他知道的事情，也知道自己不知道的事情越来越多。 傲慢的人谁都是没学问的人，不知道自己能吃几碗饭，机器翻译也是这个问题。 不管给机器什么句子，它都能翻，一点也不擅长，能随便翻。

所以常识是必要的。 简单的翻译语言也必须大量尝试堆积。 “说你好也不行”。 如果机器没有常识的话，就不怎么能理解这句话。 我觉得人反而很简单。 这就是常识的重要性。 但是，常识库的建立非常困难，现在还不能从数据中确立常识库。 因为常识经常不显示在数据上。

必须树立常识，设法去做。 只有处理好这个问题，自然语言的理解才能达到目标。 自然语言理解是第三代人工智能的终极目标，这是一项艰巨的任务。 如果解决了这个问题，人工智能的其他问题就会解决吧。