移動網際網路打破了空間和時間的限制，物聯網連線了物理世界與數字世界，協作是物聯網的最終屬性，依靠不同的裝置、感測器和智慧體之間的合作，發揮最大的功效。而人工智慧作為人類智力到機器智力的橋樑，有效處理網路產生的巨大資料。人工智慧有哪些前沿研究？又是如何處理資料的？

以下內容為國際歐亞科學院院士、深圳市人工智慧與機器人研究院李世鵬演講實錄：

其實人工智慧跟我們的網路互聯有著密切的關係。

我們回顧一下網際網路的發展史，我們知道網際網路的出現徹底改變了我們的生活，我們生活中的方方面面到今天已經離不開網際網路了。

網際網路的實質是打破了距離的限制，不單連線資訊，也連線資訊到人。

今天我們享受所有的網際網路給我們帶來的一些好處，完全歸功於它把資訊連線起來了，把資訊跟人連線起來了。

人工智慧與網路互連密切相關

在網際網路的基礎上，我們有了社交網路，社交網路打破了維度的限制。我們知道，以前在沒有網際網路的情況下，人際圈子就是我們生活周圍的一些人。

今天有了網際網路，我們可以建一個更大的網路圈子，它不單把人連線起來了，同時把人的思維也連線起來了。

透過網際網路，透過每個人在上面的一些活動，我們能很清楚知道每個人在想什麼東西。

接下來網際網路發展到了移動網際網路。移動網際網路就更進一步打破了時間和空間的限制。

我們無論在什麼時間，無論在什麼地方，都可以使用網際網路。

我們在網上可以進行各種各樣的操作，它連線資訊和位置，也連線人和位置，這跟以前固定的網際網路有重大的區別。

今天我們所熟悉的在手機上做的各種活動，都歸功於移動網際網路。

接下來是物聯網。

物聯網真正打破虛擬世界和現實世界的界限，它連線了物理世界與數字世界，把整個

物理世界數字化了，把物理世界由一個不可計算的世界變成一個可計算的世界。

我們說的很多東西包括數字孿生都歸功於物聯網。

5G網路。大家知道現在5G特別熱，5G網路帶來什麼呢？

它實際打破了頻寬、時延的限制，讓我們可以在大頻寬、低延時的情況下傳輸很多東西，讓我們可以遠端連線一個實時世界，讓我們真正可以實現一個時空的“穿越”。

也就是說我們雖然不在那個地方，但可以透過5G網路進行實時操縱或者是活動在遠端實際裡面。

接下來大家就是大家知道的量子。

量子這個詞現在也特別時髦。但它是一個特別深的課題。量子糾纏究竟會帶來一個和傳統有什麼不一樣的東西呢？

它徹底打破了我們傳統通訊方面的一些概念。

因為量子糾纏本身的含義就是不管這兩個量子相隔多遠，總是同時發生狀態變化，一個量子發生狀態變化，另外一個量子也會同時產生相應的變化，沒有任何時延。

很神奇，對吧？這就徹底顛覆了我們熟悉的一些傳統的通訊原理。那麼量子糾纏會給我們帶來什麼？量子通訊、量子計算等一些嶄新的學科。

人工智慧如何處理資料？

今天，大家知道人工智慧是一個特別熱的課題，不管在研究上，還是在應用上。

前面說的種種網路產生了巨大的資料，怎樣有效地處理這些資料呢？

按照傳統的一些處理方法已經處理不過來了。

人工智慧透過機器學習的方法，從人類標註的資料裡學習到一些模型，讓我們用有限的算力處理更多的資料，產生我們想要的一些結果。

人工智慧實際上是連線人類智力到機器智力的橋樑。

談起人工智慧，就涉及到具體的深度學習。

深度學習是近十年來人工智慧發展最偉大的一個進步。其實深度學習也沒那麼神奇，它是個什麼概念呢？

簡單打個比方，深度學習其實類似我們考試的時候的“押題”。

我們知道考試之前，你把試題押對了，你學習了，你在考試的時候正好碰上了你押的題，那就會得高分，反之考試結果就可能沒那麼理想。

現在人工智慧的本質也是這樣，它是依靠大量的訓練資料來訓練一個模型，最後再放到實際中進行測試。

如果訓練集包括測試集，效果就很好，反之就可能不理想。

那麼今天為什麼我們說人工智慧在很多方面起了巨大的作用呢？

這是因為我們的訓練集遠大於測試集，不管人臉識別也好，不管語音識別也好，人類提供給深度學習引擎大量的資料。

所以它可以在大部分情況下做到我們想要的事情，甚至有時候超越人類的能力，這就是深度學習的本質。

從某種意義來說，前面說的所有的網路，包括物聯網、網際網路、社交網，本質上是關於資料。

資料的核心是關於人的資料，關於物的資料，還有一個往往被大家忽視的，就是關於環境的資料。

我們在提取資料的時候往往忽略了它所處的一些場境。

今天我們把這個場景也放到人工智慧的大框架裡面，就發現以前很多東西被我們忽視掉了。

把一個場景放到這裡面，就會取得更多的智慧，這尤其會涉及到他們之間的關係還有他們之內的關係，包括聯結、關係、互動、集合和協作的一些資料。

人工智慧正是把資料、知識，還有情境這些資料融合在一起才能形成的智慧。

以前的深度學習，大家考慮更多是資料。

近幾年的深度學習框架越來越考慮到知識。未來我們會把場景，包括時間、地點，為何，如何把這些資訊融入這些新的框架裡面，能取得比以前更強的智慧。

再回過頭說物聯網。物聯網其實是連線物理世界跟數字世界的一個橋樑。最開始的物聯網實際上也沒那麼多智慧。

基本上就是一些感測器，它用於採集物理世界的資料，數字化物理世界，然後把資料傳給處理器處理，所以採集和通訊是它兩個主要的方面。

基本的物聯網是沒有太多的智慧。

即使有智慧，可能僅限於IFTTT。大家可能不知道IFTTT是什麼意思，實際上英文就是（If this, then that）。

就是說如果這樣，然後那樣，所以它是一個簡單的邏輯電路，一個基於條件的邏輯反應。

在這個階段，物聯網集中在通知的功能，它更多需要人工去做一些工作。

透過物聯網連線的家電，我們就叫智慧家電，大部分功能還是限於可以遙控它，因為它聯網了，但其實它沒有太多的智慧。

大概5年之前，AIoT這個名詞出現了，AIoT就是智慧物聯網。這個時期才真正把一些智慧的因素引入到物聯網裡去。

在AIoT時代，我們把一些自然互動，一些資料處理的功能放進來，用AI的方法來解決，開始對資料進行處理和計算。

我們知道，在AIoT產品裡面，大家可能用得最多的就是智慧音響。

比如說阿里的天貓精靈，還有亞馬遜的Alexa，就可以透過AI的介面更加自然地進行互動，這就是AIoT的特色之一。

AIoT在算知、感知方面有很多進步，它對特定任務處理做得很到位。

比如說你問一個，Alexa，今天天氣怎樣？它會很明確給你今天天氣預報，而且用自然語音告訴你。

這類東西是AIoT中現在大部分人、廠家和服務商在研究的一些內容。

將來是什麼？

將來並不僅僅透過網路把IoT的裝置連線在一起，把人工智慧的處理方法放進去，而是把多個智慧體聯絡在一起。

它主要看重的是人群或者是一個智慧群體在一起，能產生什麼樣的效果。

雖然我們每個單個智慧體能力有限，但它們聯合起來就能達到更大的目標，具有更強的功能，這就是智聯網，英文叫Internet of Intelligent Things。

回過頭來，協作是物聯網的內在的屬性。

物聯網就是要靠不同的裝置、不同感測器、不同智慧體之間的協作，這樣才會把它的功效發揮到最大。

不管是對智慧的資料處理，還是智慧互動，甚至智慧協作，都離不開裡面各種物體的協作。

下面給大家通過幾個例子展示一下什麼是物聯網之間的協作。第一個實際上就是一個基本IoT的裝置資源協作。這裡有一個影片，放給大家看一下。

大家可以看到，這個影片反映了一個很簡單的裝置之間的合作。

這裡面只需要用到一個裝置之間相對定位資訊，動畫人物就可以從一個螢幕跳到另外一個螢幕。

還有一點，它一定需要一個中心的控制器來控制這樣一個人物從一個螢幕跳到另外一個螢幕。

這是一個很簡單的例子，僅透過簡單的位置感測器可以做到螢幕之間的協作。

剛才說了AIoT，AIoT的協作其實是在另外一個維度。

這裡面我給大家舉一個例子，剛才提到智慧音箱，智慧音箱裡面很重要的，也是很難解決的問題，就是遠場語音識別，遠場語音識別為什麼困難？

距離遠了，聲音訊號就弱，信噪比就低了，識別率就低了。距離遠了的話，要麼就扯著嗓子喊，要麼就走到離裝置離得很近的地方，現實中這是一件很麻煩的事情。

今天透過多個智慧音箱之間的協作是不是就能把這個問題解決呢？答案是有的。

我可以多佈置這樣一些互相連線的智慧喇叭，在你跟它進行互動的時候，你就以正常的語音講話，離你最近的那個喇叭就可以把你的聲音收集過來進行識別。

雖然你是離其他喇叭比較遠，但因為你有這樣一個協作關係，你可以透過一個離你最近的喇叭控制所有其他的喇叭，所以這是AIoT的協作。

大家可能沒有意識到這樣一做，還有一個額外的好處，因為現在我的位置資訊定了，比如說我在這個房間裡講話，離我最近的一個喇叭反應了，它就知道我離這個喇叭最近。

大家如果用過比如說Alexa的話，我們知道你要給它下達一個命令是很困難的，因為你必須說全了。

比如說開啟電視，你必須說開啟起居室的電視，還是臥室的電視。

今天透過協作，我在臥室裡說開啟電視，肯定是會開啟臥室裡的電視，不用說特別長、特別明確的命令，這就是場景在這裡面起到一個很關鍵的作用。

群體協作的威力

關於群體的協作，不知道大家小時候有沒有觀察過螞蟻？我小時候比較愛看螞蟻上樹，其實裡面有很多有意思的東西。

這裡面是總結出來的一個，不是我總結的，而是一個很經典的一個例子，就是說的這個群體效應。

螞蟻沒有通訊功能，彼此之間沒有像人這樣的語言，或者是一些其他的方式，甚至是聲音，它只能透過資訊素通訊，透過資訊素交流，它沒有別的方法。

這個例子說的是，開始螞蟻從食物源取食物到蟻穴裡去，如果中間沒有障礙物，它的路徑是直線。

但你加一個障礙物之後，你會發現到最後所有的螞蟻會按照一個最佳的路線去運送這個食物。

為什麼會做到這一點呢？因為它沒有通訊，只能透過資訊素進行交流。

很多螞蟻在走過的路徑上留下資訊素，透過多個螞蟻在一個路徑疊加的資訊素越來越多，它就覺得這是一個最佳路線。

最優路線其實是整個蟻群一起記錄的。

另外一點，它的互動是分散式的、魯棒的、自適應的，你再把中間的障礙物移動一下，它又會新生成一個新的最佳路徑。

所以，蟻群是透過這種方式進行交流和協作，這是一個群體的行為。

它們在測試各種各樣路徑的時候，群體就走出最佳的路線，這是自然界對我們的一個很有意思的啟示。

另外一個例子，給大家看一個影片，看看鳥群會做一些什麼事情？

大家透過這個影片看到一些鳥群在一起一些很神奇的現象。

第一個，鳥群在一起變得很強大，或者至少看起來很強大。

大家看到一隻老鷹一直想抓一隻鳥，但它不敢靠近，群體在一起顯得更強大。

第二點，大家有沒有注意到，所有鳥的個體實際是一個智慧體，它有自己獨立的一些判斷和飛行的模式。

但是它們整體在一起，成千上萬只鳥在一起的話，它是怎麼進行通訊和反應的，保證沒有兩隻鳥會碰撞在一起。

這給我們很多啟示，第一，通訊機制是什麼？第二，反應機制是什麼？

為什麼這麼多鳥在一起飛，而且會沿著一個大的方向去移動，或者去變化，保證所有鳥都不會碰撞。

這對我們多智慧體協作有很多啟示。

回到剛才所說的智聯網群體協作的一些準則。

這裡面我覺得最重要的一點，就是怎樣在一個群體中制定一些基本的規則，大家都按照這個規則進行各自的運動。

同時，也會不妨礙它自身的自主的一些想法，或者是一些運動。

這裡面有效通訊也是一方面，還有一個，它必須知道自己的能力，也必須知道群體的其他夥伴的能力。

再舉一個例子，這裡面我還是以蟻群的例子。

螞蟻是一個很神奇的小動物，雖然很小，但它給我們帶來很多啟示。

這是一個現實中的現象，螞蟻要跨越一個沒有橋的一個路徑時，很多的螞蟻會連線起來搭這個橋讓其他螞蟻在上面透過。

根據這樣的啟示，我們深圳市人工智慧與機器人研究院的林天麟教授就做了一款機器人，跟這個很像。

他設計了單個智慧體，自己本身有很多的能力，比如說運動、爬行，還有一些導航能力。

但最強是多個智慧體如何自主地在一起進行協作，達到以前沒有的一些能力。

比如說它們協作爬樓梯，比如說他們協作翻越一個東西等等。

我們透過自然的啟示就把這個做起來，這裡面的想象空間無窮之大，我們可以用多個單體智慧機器人實現遇山開路，遇水搭橋的功能。

另外一個例子就是車路協同。單個自動駕駛的車永遠超不過人類駕駛體驗，因為視野其實都受限在車這個位置上。

如果我們把路的資訊也放進來的話，我們就會發現其實可以做到更安全、更可靠。

比如說我們知道，彎道不能超車，因為你看不見對面是不是有車來，但今天透過車路協同就可以做到這一點。

我們想達到什麼樣的效果呢？我們看一個影片。

其實將來如果車路協同在一起的話，完全可以極大地增強了我們透過交通路口的效率，但這僅僅是一個例子。

看起來很可怕，是吧？我們現在透過車路協同，可以真正做到車輛組隊透過路口。

另外一個就是提到人跟機器之間的關係。

我們知道將來的社會，機器人會越來越多地進入到我們日常的生活。

那麼人跟機器之間怎麼進行互動，怎麼去協作？這之間有什麼準則，包括一些倫理方面的問題，實際上都是我們在研究的一些課題。

還有一個剛才說到的自動駕駛。

自動駕駛如果僅僅利用像現在的深度學習框架，一定會在某一時間遇到它自己處理不了的情況。

這個時候該怎麼辦呢？

機器怎麼樣可以提醒人類說，對不起，現在的情況我無法處理了，人要接管，而且接管過程要變得平滑，不能說撞上去了，人再接手。

這也是另外的一個研究的課題。

另外一個是人類群體智慧，今天的智慧說是人工的智慧，為什麼？因為我們要為學習引擎提供很多的資料，這些資料是靠人類來標註的。

那麼除了我們人類標註是發揮人的群體智慧的一個方面，有沒有更深刻的一些人工智慧框架，把人類智慧，比如說提煉規則、認知學習的過程也整合起來，變成更強的智慧呢？這也是我們在研究的課題之一。

還有一個，現在我們對資料處理只是考慮到它的相關性，而沒有考慮它的因果性。

要考慮因果性，我們要整合更多的資料，也就是知道事物資料發生的一些時序和背景，也就是前面說的場境。

這是我們將來實現因果性推理的決定性的因素。如果大家對這方面感興趣的話，我建議大家讀一下Judea Pearl教授的《the book of why》

總結一下，新的通訊方式及計算方式能聯接更多的資料、裝置、人群、智力，物理和數字世界的界限逐漸消失，人工智慧水平不斷提高，透過協作而獲得能力會越來越強。

我們有一個美好的未來值得我們去期待。