人工智能成高考热搜第一的专业问题来了AI取代人类还远吗？,人工智能是不是热门专业

今年高考接近尾声，很多人开始关注高考报哪些专业。

数据显示，2020年十大热搜专业分别是人工智能、机器人工程、电子商务、物联网工程等。可见人工智能已经成为当前的趋势。有人在社交媒体上提问：人工智能会不会淘汰大量劳动力？人工智能取代人类的那一天还会远吗？

上述情况可能离真正实现还有很长一段时间。事实上，与现有的人工智能系统相比，人脑在识别物体时是可以学习的，而且功耗还很低。人工智能的进化方向之一是向人脑学习，这被称为“类脑研究”。记者就相关问题采访了中科院自动化所研究员、模式识别国家重点实验室副主任于山。

为什么人脑在识别物体时会学习？

杜南：为什么目前人工智能的功耗很高，而人脑的功耗只有20瓦左右？现在有什么解决办法或者方法吗？

于山：一个重要的原因是现在的计算机硬件结构是冯诺依曼架构，计算单元和存储单元是分离的。在计算过程中，大量数据需要在这两个单元之间频繁移动，导致能耗增加。而人脑中的神经网络没有计算单元和存储单元的分离，是“存储和计算”的结构，大大降低了能耗。现在一些新的硬件设计，比如神经形态芯片，借鉴了人脑的“记忆-计算一体化”结构，在这个方向取得了积极的进展。

杜南：为什么人工智能需要输入大量的数据，并不断地进行训练，以便识别物体或声音等。但人脑大部分时间可以学习，更高级？

于山：因为在大多数情况下，人工智能是从零开始学习的，当人脑面对一个新的问题时，已经有了巨大的知识储备，或者说是先验知识。第一种知识是我们的祖先在漫长的进化岁月中通过大量的数据学习，编码在人类的基因中，在大脑的发育过程中转化为神经网络的结构，而另一种知识是我们在个体成长的过程中积累和获得的。

这两种知识构成了强大的“归纳偏见”(——)。当遇到从未遇到过的情况时，大脑会根据之前获得的知识做出一些假设，这将大大加快后续的学习能力。比如人脑有关于三维空间的知识，可以从一张平面照片还原其三维结构；较强的记忆和联想能力，能够联想到图片，某一类物品的使用和以前接触类似物品的经验等。这些先验知识是人脑面对新型学习时的优势，对类脑计算也有重要启发。

另外，目前神经网络训练大多是被动接收单维信息，比如某个角度的图片。然而，人类学习一个新的类别往往是一个积极参与的过程。我们可以从不同的角度观察它，感受它的质地、重量，听到它跳动的声音，等等。这种互动形式可以获得更丰富的多模态输入信息，从而加快学习速度。

杜南：你研究发现，由于缺乏持续学习能力和情境依赖学习能力，深度神经网络和大脑之间存在很大差距。为什么深度神经网络在学习新知识的同时很难保留旧知识，而人脑却不会出现这种情况？

于山：神经网络学习到的知识是以分布式的方式存储在网络权重中的。当学习一个新的任务时，需要调整网络权重。这个过程可能会“抹去”之前学过的知识，导致“灾难性遗忘”。

人类的大脑可能有一系列的方法来缓解这个问题。例如，神经科学家通过实验发现，人类学习一项任务后，对于这项任务的重要权重会被“保护”，后续的学习不会被调整。此外，大脑可能会记住旧任务的训练样本，它可以通过“回顾”来克服遗忘。这些机制激发了一系列持续学习算法。但目前我们对大脑克服“灾难性遗忘”机制的认识才刚刚开始，还有很多未知。

杜南：人类的处境在哪里取决于学习能力？如何灵活应对实际环境中的情境信息(如自身状态、环境变化等。).

玉山：人的情境信息处理能力依赖于前额叶皮层，它接收丰富的内外环境信号，能够根据当前情境灵活调节从感觉输入到运动反应的映射，从而指导我们“随机应变”。

为什么自动驾驶车辆不能识别过马路的行人？

杜南：人工智能领域的一个大问题是算法无法解释。你认为这种“无法解释”的问题也存在于类脑研究中吗？怎么解决？

于山：很多时候我们所说的“理解”取决于一系列概念及其逻辑关系。这些概念在我们的大脑中清晰地表现出来。每个人都建立一个相似的概念和逻辑结构，这样我们就可以通过语言向他人“解释”我们头脑中目前正在进行的一些计算。

为了增加人工智能算法的可解释性，有必要开发新的网络架构和训练方法，并向网络添加概念和逻辑表示。而且这些概念和逻辑与我们人类所理解的有对应关系，这样就有可能用人们能够理解的方式来解释算法运算的结果。

同时也要注意，并不是所有复杂的计算都能解释。许多人类行为，如感知和运动技能，往往无法解释，甚至更高级的认知功能，如选择，也无法完全解释。这就是通常所说的“直觉”。心理学和认知科学中有很多证据。因此，我认为，深入研究大脑计算的可解释机制及其边界，可以为人工智能的可解释性带来重要启示。

杜南：以前发生过很多自动驾驶汽车撞车事故。例如，在优步事故中，自动驾驶系统无法识别过马路的行人，但仅仅因为她不在斑马线上，系统就无法识别她是人，这暴露了优步的设计缺陷3354。斑马线上的行人会被系统识别为成年人。你认为类脑研究如何推动自动驾驶的发展？

于山：出现上述情况是因为如果只训练识别任务，训练样本中的行人全部出现在斑马线上，那么斑马线就会被神经网络学习为行人的必要特征。目前，基于深度网络的视觉系统通常是端到端实现的。

的有监督方式（注：需要人工标注训练样本）进行训练，这容易出现对于检测、识别等任务的过拟合，导致系统在实验室状态下效果良好，但在现实生活中遇到更多未知问题时，效果变差，即系统对于其他视觉任务泛化能力不足。

类脑研究则有可能启发新一代的计算机视觉系统。人的视觉系统不是一个单独运行的系统，它与其他信息处理模块有紧密的联系，包括我们的常识。比如常识告诉我们人是可以出现在斑马线之外的，或者在路上的大物体即使不是人也需要注意。在另外一个著名的自动驾驶事故中，系统将路上的白色货车识别成云朵从而造成碰撞，而常识会告诉我们云朵不会是规则的方形。

所以，人类视觉系统非监督或自监督的发育、成熟过程，以及大脑信息的多模块融合处理等特点都会对于实现能力更强、更可靠的自动驾驶系统有启示。

利用类脑研究研发出来的人工智能，是否会在有一天超越人脑？

南都：你认为，利用类脑研究研发出来的人工智能，是否会在有一天超越人脑？这是否会存在何种伦理问题？比如大量基层劳动者被淘汰等等。

余山：我相信类脑研究和其他人工智能研究方法的结合将在未来创造出超越人脑的智能。这将为人类带来前所未有的新的机遇，但同时也会带来伦理、安全等方面的挑战，需要尽早加以研究和应对。这个过程不会一蹴而就，但是它的影响也不会等到人工智能超越人脑的时候才会显现出来，所以需要在整个过程中加以防范、化解和应对。

南都：目前的类脑研究有什么难以突破的难点？与“脑机接口”研究是否属于两种不同方向的发展？你如何看待“脑机接口”？

余山：类脑研究作为新兴的交叉研究领域，有广阔的发展空间，但要真正推动领域的发展，需要更多对于脑科学和人工智能都有深入了解的研究人员。过去这两个领域的知识和技能培养是分离的，不利于交叉学科人才的成长。今后需要从研究生、甚至本科生开始尝试创新的人才培养方式。非常欢迎有志于创造新一代人工智能的同学投身于类脑研究，抓住这一方向快速发展的机会窗口，努力学习和钻研。你们毕业的时候，将迎来这个领域发展的黄金时期。

脑机接口是通过在大脑和外部设备之间建立直接的信息交互通道，从而实现对于大脑信息的解读，用于控制外部设备，或是通过对于神经活动的调控，增强或是拓展脑功能。

长远来看，脑机接口的发展有望促进人的智能和人工智能的融合，从而在未来形成结构一体、信息共享的脑-机融合智能。我对于脑机接口领域的进展充满期待，由于电极、生物兼容材料、处理芯片、编解码算法等方面的快速进步，脑机接口可能在不远的将来发挥重要的作用。

采写：南都记者陈志芳