提問：如果人工智慧真的達到了6E完美三角形，會不會可能出現像“終結者”系列電影那樣的劇情？[6E是指簡潔（Elegant）、可擴充套件（Extensible）、強表達（Expressive）、高效（Efficient）、可教育（Educable）、可演化（Evolvable）。]

周熠：很好的問題，謝謝。首先達到6E還需要很長的時間。但如果真到了那個時候，並不能排除這種可能性。這提醒我們，研究人工智慧的倫理是一個非常重要的、刻不容緩的事情。雖然我個人覺得我們離這個時間節點還比較遠，但是我們需要未雨綢繆，需要規定人工智慧的倫理——什麼可以做，什麼不能做。退一步講，“終結者”的低階版本已經有了，比如無人機武器，而且已經用上了。這本身就是一個值得嚴肅討論的人工智慧倫理問題，我覺得不僅需要學術界，還需要政界等人士一起來努力，把人工智慧放到該用的地方。

提問：我有兩個問題。第一個問題是，我們國家的人工智慧產業的優勢是什麼？第二個問題是，人工智慧發展到了一個什麼樣的水平，國內的技術發展到了怎樣的階段，有哪些做得比較好的、有代表性的成果？

李向陽：關於人工智慧產業，目前來看，中國的水平跟海外的差距很大。前兩天我和我的老師、清華大學張鈸院士進行討論的時候，他把計算機和人工智慧發展的大概七八十年的歷史整個地梳理了一下。真正的那種原創性的、開天闢地的理論和方法都不是中國人提出的。人工智慧現在在中國能這麼火，主要是因為我們在應用方面做得比較好，我覺得這更多的是一種模式的創新。但說實話，在基礎理論、系統、生態等方面，我們差的不是一丁點兒的距離，差距還是太大了。

周熠：我回答一下第二個問題。人工智慧不是一個技術，它是好多技術的合稱。我們簡單的說下深度學習大概發展到了什麼程度。Science曾經刊登過一篇文章，講的是深度學習所適用的場景。如果滿足標註資料足夠，邊界定義比較清晰，場景不需要頻繁改變等等一些條件，深度學習就可以有很好的結果。比方說，我們現在的機器翻譯、語音識別、人臉識別等等。但如果不滿足這些要求的話，深度學習就會遇到很多挑戰。舉個例子，假設我們的樣本量不夠，或者說樣本的分佈不均勻，比如說自動駕駛，白天駕駛很容易，夜間駕駛就比較難一點，極端天氣的駕駛就更難了，萬一有輛自動駕駛的車遇到了極端天氣，但是以前又沒有訓練過，就會造成很嚴重的問題。

其他的一些人工智慧技術，比如符號推理等等，也各自有各自的適用場景和麵臨的問題。

整體上來說，在有資料的方面，還是有很多不錯的工作。但是在怎麼去教機器，即可教育（Educable）方面，我覺得還做得非常差，這方面的嘗試也很少。

提問：人工智慧終極目標是什麼？

周熠：這個問題太大了，不敢妄自斷言。我個人的理解是人工智慧需要發展到能復現人類的部分智慧行為，從而減輕人們的負擔，讓大家更輕鬆一點。把煩的事情交給機器去做，就可以有更多的時間做我們想做的事兒了。

陳宇翱：前段時間馬斯克的腦機介面很受關注，我想問一下兩位老師對它怎麼評價？另外有沒有可能把人的記憶下載下來或者把知識上傳到一個人的大腦裡去？

周熠：這兩個都很難。從長遠來看，腦機介面是很有意義、很有前途的事情。從某種意義上來說，腦電就是意念，它是瞬時的、靜默的一種新的交流方式。至於馬斯克他做得怎麼樣？我們單位有很多同事也在做這個事兒。我向他們請教過，他們覺得馬斯克在科技上面的這個工作，他們也能夠做到，在解碼或訊號的準確度上面，他們覺得自己和馬斯克不相上下。而至於什麼時候能夠實現真正的意念控制，或者剛才說的下載上傳知識，說這些技術在目前看來還都是科幻。現在腦機介面還有一個問題。做得比較好的，是所謂的“侵入式”電極，需要開啟頭蓋，在裡面植入晶片，這個東西一般來說正常人是不太會用的，但是那些“非侵入式”電極，比如說溼電極、乾電極，效果明顯要差很多。

李向陽：實際上腦機介面已經做了很多年了，我覺得馬斯克最大的本事是他很會營銷。大概是十年前，我們也曾跟一些搞生物的和搞心理學的人合作。當時在美國有一些退伍老兵，從戰場回來以後有心理問題，要做一些心理治療。那時候我才知道腦電裡面α波、β波、γ波，透過測試這些腦電波，可以去分析他的一些心理狀態。現在我們跟科大的生命學院也在合作，希望在老鼠的大腦裡面植入無源晶片，監測老鼠的腦神經元、分析老鼠的行為，把機器智慧與動物智慧做一些結合。這個研究是需要生命學院的老師、計算機學院的老師在一起合作的。透過對腦電的感知，可能可以下載一部分資訊，但是能不能把資訊上傳還不能確定。

提問：在20年或者50年之後，腦機介面會發展到怎樣一個階段？有一個怎樣的前景？從樂觀的角度和從悲觀的角度，請老師都做一個預測。

周熠：近年來，腦機介面領域有很多學術上的突破性進展。一個刊登在Nature上的工作是把腦電及運動等不同的資訊綜合起來，把想說的話說出來，這樣可以幫助失語症患者。還一個進展是讓癱瘓的猴子站起來，當然了還不能走很遠，但這已經是很重要的突破了。

在學術領域最近確實是有些比較好的成果，但說到應用領域，就會有這麼幾個問題。第一個問題就是剛才我們說的“侵入式”問題。你怎麼做到真正的無創？這還是很難的，以及“侵入式”還帶來倫理的問題。而“非侵入式”的精度又不高。第二個就是成本問題，現在好的腦機介面裝置還是蠻貴的。能不能把成本降下來，是不是能夠商業化？這當然也有很多人在探索，就看什麼時候時機比較成熟。不過我相信在20年到50年之內，在一些具體疾病的治療上面，比如說癲癇、帕金森，腦機介面可能會有一些突破。對於“非侵入”式電極，也許會有一些突破。這些應用可以輔助我們幫助阿茲海默症患者記一些東西、輔助我們去診斷是不是患有抑鬱。在這些方面，腦電資訊也許可以有些幫助。

李向陽：我補充一下我個人的一些理解。腦機介面主要有幾個層面：感知、計算、決策和執行。計算和決策更多是後臺的事情，但是感知和執行是要真正跟人有深度的互動的。

剛才周老師講過，感知是一個能力。是不是有這種能力？第二是如何感知，是不是侵入式的？現在測腦電的方式是，把頭髮剃光，抹上一層油，再貼上感測器，這就很不方便。當然我們現在可以把東西植入到人腦裡。不過感知能力在將來可能會有很大突破，但是我覺得很多還是挺難的。有了決策以後怎麼去執行，你怎麼去控制人去做一些事情，執行這些事情，包括康復等等，我覺得還是有很多困難需要克服。不管是從生物學角度去理解還是實際的實踐，都不容易，但是未來的20年還是有很多值得期待的事情的。

陳宇翱：我反過來問一下，20多年前就是當“深藍”戰勝卡斯帕羅夫的時候，李老師不正好在上研究生嘛，您那個時候有沒有想過大概需要多少的時間，電腦能夠在圍棋上面戰勝人類？我記得當時有老師說到國際象棋太容易了，說圍棋的話，估計沒有個三五十年是肯定不行的。沒想到20年就行了。

李向陽：是這樣，我讀書的時候不是學人工智慧的，我當時做的是計算幾何。當時看到這個訊息的時候，我覺得真的很厲害。這個Deep Blue，真的很厲害。但是到底需要幾十年人工智慧可以在圍棋上戰勝人類，我真沒去估計這個數字。對於國際象棋、圍棋還有麻將，我覺得早晚它會戰勝人類。只要計算能力足夠，肯定是可以的。但是在很多其他方面，比如認知這一塊，我覺得它是一個質變的過程。

提問：為什麼要做無源傳輸的技術？訊號傳輸過程中的干擾問題又如何解決？

李向陽：有電源的時候，我們肯定要用電池和電源。無源傳輸的技術是針對一些特定的場景，是對現有技術的補充。

至於怎麼解決訊號干擾的問題，有一種方式是在我們關注的頻段上做一些頻譜的搬移，周圍的訊號不在同一個頻段上，就可以避免一些干擾。當然還有很多其他的方式，比如說在時間上、在能量上、在編碼的方式上可以做一些工作。但通常情況是，周圍的干擾很強，誰都幹不了事情，只能見縫插針找點機會。

提問：人工智慧會對傳統的產業以及下一代的教育產生哪些影響？

李向陽：每一次技術的革新都會造成很多行業的消失。就像我們小時候拍照片的相機都是要用膠捲的，當時洗一張照片特別貴，基本上辛辛苦苦存的一點錢都交給它們了。當時柯達膠捲多厲害，然後數字相機一問世，它就沒了。手機也一樣，很多廠家以前都是很厲害的，現在都沒了。

人工智慧行業也是。隨著人工智慧技術發展，至少那些重複性很大的活動，比如銀行的很多工作崗位，就不需要了。很多行業裡面，如果是重複性的工作，肯定會被人工智慧替代掉，但是有很高的技術含量的工作就不容易被替代。

提問：機器會不會產生自我意識？或者怎麼來判定自我意識？

周熠：這個問題也是很難回答的。之前我的回答一般很簡單，因為我確實不懂，意識這個東西在我現在看來，它還不是一個科學概念、不是一個數學概念，它還是停留在哲學思辨的領域，所以我也不敢妄談。但是隨著問的人越來越多，我也逐漸有些思考。我就拋磚引玉，提出一些特別粗淺的想法：我覺得意識可能跟我們剛才說的連線流派與符號流派結合有關。我們的生物系統，它是個生物神經網路，生物之間的交流，包括我們之間的對話，都是用一個符號的系統。從生物網路到抽象的符號表示，中間的這個區域可能是意識存在的一個地帶，而且如果我們能夠從一些隱示的東西提煉出顯示的東西的話，有可能就是我們意識形成的一個表象，或者是一個關鍵的地方。這是我自己的一些粗淺想法，不一定對。

李向陽：我對意識也不是很瞭解。我個人覺得是怎麼透過一些顯性的東西去挖掘隱性的東西。意識更多是隱性的，可能是平常都注意不到的，但是我也不是很懂怎麼去發掘。

提問：深度學習需要很多的資料來訓練，我想知道會不會有一種演算法，它不需要特別多的資料，而是學習到一種邏輯，然後就可以取代深度學習這種演算法。第二個問題是，量子計算和人工智慧是不是可以結合起來？國內有人在做這件事情嗎？如果它們結合的話，會不會對人工智慧帶來另外一個不一樣的浪潮？

周熠：第一個問題的答案是，當然是可以有的，而且現在小樣本學習、無監督學習、one-shot learning非常的火，這個已經是在如火如荼的進行之中。至於做得怎麼樣，可能還是要看具體的應用場景，我相信隨著無監督學習，像GAN這種自編碼器、預訓練語言模型等等，對資料量的依賴會越來越小。其次，如果我們真正做到剛才說的，比方說基於符號、基於機器語言的可教育的方式去教機器，那麼對資料的需求也就沒那麼大了。

陳宇翱：量子人工智慧是一個挺大的研究方向。我們實驗室最近完成了一個實驗，演示了確實能夠利用量子的方式進行加速，未來我想量子計算一定能在人工智慧方面有幫助，而且是很大程度上的幫助。我跟周熠在2013年的時候就開始討論這個事情，最近討論的又多了一些：在實現了量子優越性之後，怎麼樣利用量子計算來對人工智慧進行一個加速。現在我們都在努力，但至於具體能夠做到哪一步還不清楚。

李向陽：剛才周老師講了6E，其中一個E是efficient，主要是跟你設計的方法有關係，跟算力很有關係。所以如果量子計算的算力很大，可能以前覺得不太容易做的事情，就可以高效地完成了。另外很多人工智慧的方法，也可以用於解決量子計算機設計等方面的問題。兩者是互為支撐的。

陳宇翱：我記得我們以前做實驗要最佳化一個引數，比如怎麼把鐳射器的功率以什麼樣的形狀開啟，就這麼一件事情，為了得到最好的結果，我們可能要花半年時間。在人工智慧的幫助下，幾個小時就行了，所以還是有非常大的幫助的。

提問：對於機器學習，我給它編寫資料，我從機器裡面得到了什麼？它能否從這些資料裡面抽象出來一般的規律，比如我給它調入一些資料，它呈現出來F=ma這樣一個規律，或者說是更簡單一些的規律。

周熠：你這個問題問得非常的好。比如，給神經網路一億個直角三角形，它能不能夠訓練出勾股定理來，以現有的方式不能。但是最近有一些很有意思的工作，往這個方向在努力，比方說最近MIT有一個小組，他們希望透過神經網路加上一些程式之間的自動組合來學這些所謂的物理定律。這個工作我覺得就挺有意思的。它還是有可能性的，現在正在研究之中。

提問：未來三到五年量子計算、量子人工智慧這一塊的發展前景怎麼樣？近期有文章研究了量子計算加速和量子人工智慧，另外IBM也釋出了他們的路線圖，說三年之內會製造出1000位元的實體機。在這種背景下，在未來三五年這個時間範圍內，量子人工智慧會不會有比較多的實際應用？

陳宇翱：我先來回答這個問題，我剛才為什麼要提20年前的那個時候，就是因為我們現在發展的速度越來越快，我認為我是沒有辦法對未來做出準確的預測了。我相信未來五到十年之內一定有基於量子模擬和量子計算的、針對實際問題的一些應用。

其實在過去幾年的研究中，已經產生了很多的成果。在研究量子演算法的時候，很多量子演算法的思路對經典的演算法都有很多的改進。所以我的判斷是五到十年內肯定有而且肯定有很多實際應用，比如材料設計、製藥這些方面，都會有一些專用的量子計算機的出現。我們也經常說量子計算永遠也替代不了經典計算，一定是結合起來來做這件事情。

至於未來10年以上到底能發展成啥樣，我是不敢去預測。我這個人平常挺樂觀的，但是在這方面還是有點悲觀，不過有時候會發現技術發展比我想象的還是快。

李向陽：我同意宇翱院長，預測未來是很困難的。五年、十年後我們的技術會發展到什麼程度真是沒法想象。我覺得人類技術的發展跟天才們的靈光一閃也很有關係，某些困難的問題，可能某個人靈光一閃就解決了，但是這個時間可能是十年，也可能是一天。

對話嘉賓：李向陽、周熠、陳宇翱

整理：羅翔、王佳

排版：貓擼火鍋