姚  星  腾讯集团副总裁、腾讯AI Lab负责人

　　过去的二十年是信息高速发展的二十年，它经过了几个发展阶段。从发展的方向上来讲，应该是在上世纪九十年代初期，中国第一次连上互联网，进入到互联网这个大家庭当中。

　　但是由于当时网络速度的问题，大部分互联网应用还是只限于沟通，沟通解决了很多问题，人不再需要面对面，或者通过传统的书信方式进行沟通。不论在天涯海角，只要能连上互联网，人们总是可以接触到一些消息。
　　随着整个设备传输的发展、网吧的兴起，网络速度大幅提升，这时候人们对互联网的诉求不再仅仅是消息的传递和沟通，更多的是分享。MSN、Facebook、QQ空间等都是基于分享，人人为我，我为人人，那时候有很多东西都是通过互联网来分享的。
　　随着移动时代的发展，特别是智能手机和智能终端的发展，你会发现，最近这五年以来，移动互联网高速发展，人们不再局限在特定的时间和特定的地方进行互联网连接。以前大家都是在网吧或者工作的地方，现在大家通过手机时时刻刻都能连到互联网，所以整个过往的二十年是随着设备的发展、产业的发展、信息产业的发展而演进的。
　　伴随着过往二十年发展，腾讯在过去二十年里做了什么呢？实际上在每一个时代，腾讯都有一款重量级的产品。
　　在最早的沟通时代，上世纪九十年代，我们有了QQ。QQ目前是世界上同时在线人数最多的应用，已经达到两亿人同时在线；在2000年初的时候，QQ空间诞生，目前日上传照片数超过五亿张，这个规模如果跟世界上最大的社交网络Facebook相比，差不多是同一个量级。
　　然后在移动互联网时代，大家现在都知道的一个产品就是微信，这款产品不光是简单的应用，还是一个超级的APP，它不仅解决了沟通问题，还解决了社交、分享的问题，还包括线下支付、线下打车，甚至医院挂号看病、交水电费等等一系列功能都在这一个软件上面实现。实际上，腾讯的这三款产品在世界上来讲都是领先的。

　　从整个发展史来看，我们可以看出过往的发展史是从窄带到宽带，到移动互联网时代，它犹如生物进化一样，从早期的单细胞到多细胞到最后的智能。今年这个智能会更加的广义了，不仅仅是智能终端，大家更多讨论的智能是AI。

　

　　2016年正好是AI发展六十周年，所以在去年AI也爆发起来。腾讯是很低调的。很多人问我腾讯有没有做AI？怎么从来没有向外宣传呢？实际上腾讯有自己的AI部门，从2016年4月份开始，腾讯成立了自己的部门，目前已经有30多个科学家，90%以上的人都是博士学历以上，绝大多数人都是海外回来。他们都是从世界最顶级学府引进的人才，包括斯坦福、加州伯克利、康奈尔、麻省理工、哥伦比亚大学等等这些学校。
　　目前在腾讯，我们已经组织了一个AI团队，而且规模还在扩张。腾讯的AI可能不像其它公司的AI让人那么了解，比如说谷歌的AI，很多人都知道他们在做围棋，包括他们出来很多的产品，比如他们的google brain等等；包括像百度，他们有无人车，有度秘等一些产品；包括Facebook，它做了很多图像方面的东西。但腾讯的AI一直没有对外宣传，今天我也跟大家分享一下，腾讯在AI上面的一些考虑。

　　实际上腾讯的AI主要是基于四个垂直领域，计算机视觉、语音识别、自然语言处理和机器学习，这四个领域基本上涵盖了当今整个AI基础研究领域的方方面面，这是四个基础的研究领域。

　　然后我们还提出了四个专属的研究方向，这是结合整个腾讯公司来进行的。我们提出了内容AI，比如个性化推荐，有基于内容类的和搜索类的。另外还有我们的社交，包括刚刚说的QQ空间，它也是一个社交平台，所以在社交AI上面我们会面向于社交的能力去提供AI能力，包括聊天机器人，包括智能助手，都会在这个方向上去研究。
　　另外一个方向，我觉得是跟全世界其他所有的公司不太一样的一个AI方向，大家可能会问我，也有做围棋的AI，但是它只是一个简单的围棋，它不会有太多的游戏，但对于腾讯来讲，我们会在游戏里面引入更多AI能力，实际上这个想像空间是非常大的。大家试想一下，会不会有一天，LOL也会有个AI可以参加这种世界竞赛，跟人对打。
　　大家知道现在腾讯有一款很受欢迎的手游叫做“王者荣耀”，如果把这里面的能力提升，是不是可玩性、乐趣性就会更多，对于腾讯来说这一块也是很关注的。除此之外我们还会提供很多工具类的AI，这里面我们就会把这种能力开放出来，包括人脸识别的能力、语音识别的能力、自然语言处理的能力等等，还包括我们在学习平台的能力。所以说从目前来讲，整个腾讯研究AI的基础领域是四个，然后我们的方向也是四个。
　　刚刚是讲腾讯在过往二十年产业发展中的情况，以及我们在AI上面的布局和考虑，更多的是AI的希望，现在我来讲一下AI方面的隐忧是什么。
　　AI不是一个新的概念，发展了六十年，在这六十年里AI一直有很多的起起落落，而去年突然一下大爆发了，一直延续到现在。像从1956年的会议开始，AI这个名词就开始出现，中间它经过了很多起起落落，比较有名的，我相信大家知道，九十年代的IBM打败了卡斯帕罗夫。IBM也有一款基于知识图谱的知识问答类的机器人，在危险边缘的挑战赛里面取得了冠军。大家可能记得最清楚的一件事情，还是去年AlphaGo打败了世界冠军韩国的李世石，表明在围棋这个最古老、最复杂的游戏上面，AlphaGo的智能已经超越了人类。
　　当然整个发展史里面也有很多技术方面的演进，比较有代表性的就是2006年，在机器学习上面真实的突破，带来了整个AI在发展方面极速的提升。为什么这一次AI会让大家有这么大的期待，或者有这么大的关注呢？我觉得最主要的原因是这一次AI的底层算法，在深度学习上面进行了有效突破。
　　这次AI的发展从2012年开始，整个学习的方法，不像传统的方法。就跟早期的人类想学飞翔一样，原来的方法是粘上羽毛，像鸟一样，真正的飞翔最后的原理是要通过空气动力学去解决飞翔的原理，这就是深度学习的一个思想。之所以现在能在很多方面、很多应用上面进行突破，实际上本身是掌握了它内在的这种方法，而不是表面的方法，所以在这个方面，方法的研究我觉得是重要的。
　　第二个是模型上的提升。AI的发展有六十年，机器学习在八九十年代也非常火，当时有一个算法叫SVM，它已经是非常厉害的一种机器学习的算法。当它达到几亿、几十亿规模的时候，实际上它的计算能力就会急剧下降，做一个非常复杂的复合函数去描述这种方式，如果它通过Deep多层连接，它达到一个指数层倍的关系，描述十亿可能我们只需要三层一千个节点的连接，就能构建十亿个特征出来。所以从本身来讲，模型上的提升也是深度学习的突破。
　　另外在数学上面，就是BP问题的解决，反向传播的问题。在数学理论上进行反向传播是一个非常复杂的问题，在神经网络里面当一个东西在传递很多层网络的时候，我们知道当它往回反向收敛的时候，我们都要去逼近最优值，但是当层数太多的时候，会发生一个梯度消失或者梯度膨胀的问题，通过一些数学理论，可以很好解决这种问题。所以在数学理论上面，建立了一个比较好的基础。
　　正因为这三方面的优势，使得在AI的浪潮里面，机器学习才会如此火，而且我坚信这次浪潮会持续很久。在1990年到2000年左右，整个传统的浅层机器学习的学习方法有一个下降过程，但是2000-2010年这十年，在方法和模型方面可能都没有太大的发展，但突然在2012年左右，微软研究院最开始在工业界把机器学习用到语音识别里面去，取得了极大性的突破，之后又进行提升，所以整个过程机器学习的能力的确是在过往的五年当中，发展非常快的。
　　讲了很多机器学习的方面，刚刚说的快速发展，它的方法很好，模型也很好，数学算法也在突破，但是现状是什么呢？就像刚刚我说的，今天我谈的话题是AI期待很大，期待太大了，为什么会这么讲？作为一个从业者，我认为AI还是有很多的东西，可能需要提出来，还有很多的局限性。
　　第一个就是本身深入学习的能力，就是我们说的AI跟人去相比，它有多大的差距。实际上我们发现现在所有的机器学习的方法，不管这个方法提出来有多么的新，它的学习过程都是要从头开始学，要把数据重新进行一次训练的过程。但这跟人的学习能力相比确实有很大的差距，人有很多的智能是与生俱来的，就像小孩刚出生，不需要多长时间就知道这个世界是三维的，当你把一个东西放在电视机的后面，他知道在电视机后面有一个东西，这些能力是与生俱来的，这个是跟生物的进化是相关的。所以灵长类的动物跟单细胞动物相比，肯定是有与生俱来的能力。但是目前深度学习的方法很遗憾，我们不管提出了多么优秀的模型，可能都要重新开始学，这跟人的学习能力相比，是一个非常大的缺陷。
　　第二个就是我们不管有多么好的学习能力，不管有多么好的神经网络模型，它本质上的问题还是通过算力，计算能力去解决大数据，更多的大数据，更大的计算能力去做更好的融合的过程。过往是整个硬件发展，是顺从了摩尔定律发展，发展非常之快，但是在未来的更多的参数下面，我们还有没有这种能力达到计算的效果，这要打上很大的问号。
　　比如说2006年提出来的Alexnet网络模型，到剑桥大学提出来的VGGnet，再到后面谷歌提出来的Googlenet，再到2015年神经网络Resnet，每一次新模型的提出都是把模型的层数加入更多，神经单元更复杂，训练结果更长，得出来的结果也最优，但是本身这种方法是不是还能像原来的方法一样可持续，这也要打一个很大的问号。另外，如果我们要解决认知的问题，那差距就更大了。人的语言是一个序列问题，这个语言序列问题如果要计算的话，这个算力是无论如何解决不了的。人可以很容易在对话当中，回溯到一个很长时间语句的某个片段的关键词里面，但是在机器里面它却不一定做到这个，虽然我们也在最早的模型形成到现在长短记忆单元的模型，到后面的带有注意力的模型，但是总体来讲，这种模型的演进跟人相比都还是非常复杂的，是远不如人的。比如说那天我看到三个人在对话，两个人在聊，中间聊到去哪儿吃饭，突然有人问太阳呢？聊天者知道这是描述太阳队的，因为前面很早之前有人在聊，湖人跟快船的话题，突然来个太阳大家就知道，但是机器基本上是没办法识别的。“夏天能穿多少穿多少，冬天能穿多少穿多少”，两句基本上一样，但是前面去描述，把少给突出来了，后面把冬天多显出来。

　　第二个例子是语音识别，我看了一个笑话，讲的是语音识别很难搞，“您好，方便面试吗？”我在重复这句话的时候，我都不知道自己在讲方便面试吗，还是方便面是吗，的确这是一个非常难的问题。但是人的理念里有很多东西，在进行反问的时候，会慢慢把这个东西带出来。所以说，目前的AI是在很多的约束条件的情况下达到人脸识别的。在图像方面，正脸不能用侧脸去做，完全侧脸是不可能识别的，或者说它戴帽子可能也比较难。此外，语音识别也是在很安静的情况下，比如噪音比较小，没有风噪、车噪的问题，可能机器在听语音识别的时候会识别出来一个比较好的效果。但跟人相比，这完全不是问题，包括多人的问题、语音跟踪的问题，所以我刚刚说的AI的感知能力，它跟人基本的能力相比还有很大差距，更别说它在认知方面，在NLP这种语意方面。

　　

　　所以在整个AI上面，我觉得是我们期待太高了，我们要回归现实，AI现在的能力刚刚起来，但是这个趋势很好。未来AI发展方向是什么呢？我觉得AI跟人，包括机器学习跟人的能力上面有些差距，怎么去补齐差距呢？第一个我觉得跟人相比要创造，我们现在所有都是基于大数据，这些数据从何而来，这是非常重要的。这个数据现在是传统的获得，但更多的数据是本身能创造出来，包括AlphaGo已经在验证这样的问题，通过增强学习去产生人类从未下过的棋，这是一种创造数据的能力，不一定是人创造了这些。通过创造数据的能力产生更多的数据，去把这些东西更多地穷尽出来，我觉得在未来，如果在这方面发展的话，在增强学习方面，我们要进行更多的发展和突破。
　　第二个就是举一反三。什么叫举一反三，AlphaGo下围棋能赢世界冠军，但是它如果改下其他的棋，它的下棋方法就不行了。因为它不会进行推导。当我们验证大数据和一个非常好的效果的时候，我们数据量很小的时候，怎么把原来的模型迁移过来，这是非常重要的研究方向。

　　第三个方向和人相比就是归纳总结。人是非常能进行总结的，包括像牛顿的第一定律、万有引力，都是人总结出来的，还包括很多公理。但是目前机器学习是没办法进行归纳总结的，它并没有提炼出公理和定律的关系。所以未来我们要在这方面归纳总结，特别是深度学习上面，分类问题是有目标去学习的，但聚类问题没有目标的时候，我们怎么把它聚好。所以在这三个能力上面，我相信这是我们未来在AI上面要进行提升的。

　　第二个就是在整个数学理论发展方向上，刚刚讲了很多机器学习通过数据方法，从传统的浅层学习里面，通过完备的统计学概率理论来支撑它。说到求这种函数极限的问题，我们有很多完备的数学公式去证明，一定能解决它的问题，但是恰恰在深度机器学习上面，虽然前面我们用了随机去找局部最优，但是它只是一个框架，还是一个启发式的约束，包括我们的初始化参数多少，包括我们学习率是多少，这都是有启发性的。在未来如果机器学习要继续往下走的话，我们在数学理论上面一定要有强大的支撑，特别是传统的机器学习，数学完备型，要迁移到我们深度机器学习上来。

　　大家知道神经网络的提出，很多来自于原来的脑神经学科和生物系统，在这个上面，我相信未来AI的发展要引入更多，不光是数学学科、计算机学科，还要引入脑学科神经去，因为脑的神经结构就是类似刚刚我提到的残差神经网络，已经连接脑神经的概念了，进行跨层连接，达到一个非常好的效果。我希望未来可能在交叉学科上面，包括刚刚说的生物、脑神经，包括哲学都要去引进来，这样整个AI才能有更具完备型的发展。
　　另外一个就是，在当今世界，我觉得是对所有公司来讲，对所有人来讲，AI都应该是平等的，所以我们一定要开放。比较好的是，在AI领域，当今世界所有的大公司都在做，包括腾讯也会做，例如谷歌的Open，包括FaceBook也Open了非常多的网络模型，以及现在很火的OpenAI等等的这种机器学习、AI的这种先行者，腾讯在未来也会去进行很多Open，让更多的人来参与进来，进行模拟测试。未来AI的发展，我相信第一方面就是在能力上，要跟人去匹敌的话，要进行提升，第二个是整个学习的完备型，学科完备上要进行丰富，第三个就是所有的这种大的公司，AI的参与者要以更加开放的心态去面对AI，这才是AI的未来。