在認(rèn)知智能領(lǐng)域，AI企業(yè)如何才能取得進(jìn)一步的突破？科大訊飛高級副總裁、研究院院長胡國平在AI WORLD 2018峰會上分享了關(guān)于認(rèn)知智能最新進(jìn)展及下一步方向的思考：若想在認(rèn)知智能上走得更遠(yuǎn)，不能只停留在文字層面，更需要關(guān)注的是語言之下智慧本質(zhì)。

計(jì)算智能、感知智能和認(rèn)知智能，是探索人工智能道路上的三大臺階。

在計(jì)算智能方面，機(jī)器早已遠(yuǎn)遠(yuǎn)超過人類。而在感知智能方面，機(jī)器也已達(dá)到可媲美人類的水平。科大訊飛在語音識別錯誤率方面每年相對下降30%以上。在2018年CHiME-5國際多通道語音分離和識別大賽上，當(dāng)面對更難、更復(fù)雜的語音識別任務(wù)時，科大訊飛依然獲得第一名。

基于深度網(wǎng)絡(luò)學(xué)習(xí)、語音合成、語義理解、圖像合成等技術(shù)，深耕語音識別19年的科大訊飛作為“中國智造”的影響力持續(xù)擴(kuò)大。不僅認(rèn)知智能國家重點(diǎn)實(shí)驗(yàn)室已經(jīng)在訊飛落戶，科大訊飛還在人工智能+腦科學(xué)等諸多領(lǐng)域展開了探索。

9月20日，AI WORLD 2018世界人工智能峰會重磅發(fā)布AI領(lǐng)域年度大獎——AI Era創(chuàng)新大獎，評選出2018年度對AI領(lǐng)域作出重大貢獻(xiàn)，切實(shí)推動AI進(jìn)步和發(fā)展的人物、企業(yè)和產(chǎn)品。科大訊飛憑借領(lǐng)先世界的智能語音技術(shù)成功登榜「中國AI領(lǐng)軍企業(yè)TOP10」，科大訊飛創(chuàng)始人、董事長劉慶峰也被評選為「華人AI人物TOP10」。

中國AI領(lǐng)軍企業(yè)TOP10：阿里巴巴、騰訊、百度、華為、科大訊飛、字節(jié)跳動、螞蟻金服、京東、海康威視、小米

AI華人影響力TOP10：陳天石、胡郁、黃仁勛、李飛飛、劉慶峰、王海峰、王小川、吳恩達(dá)、顏水成、余凱

此外，本次峰會同時也頒發(fā)了「AI產(chǎn)品影響力TOP10」，訊飛翻譯機(jī)2.0成功入圍。目前，訊飛翻譯機(jī)2.0具備中文與33種語言即時互譯、離線翻譯、拍照翻譯、方言翻譯、以及全球上網(wǎng)等功能，英文翻譯水準(zhǔn)達(dá)到大學(xué)六級水平。

AI產(chǎn)品影響力TOP10：寒武紀(jì)智能芯片MLU100、華為麒麟980、曠視Brain++、訊飛翻譯機(jī)2.0、百度Apollo3.0、阿里云ET城市大腦、英偉達(dá)Drive Xavier、百度大腦3.0、浪潮AI服務(wù)器、阿里量子計(jì)算云平臺

科大訊飛已經(jīng)在感知智能以及認(rèn)知智能領(lǐng)域中的自然語言處理技術(shù)上領(lǐng)先世界，科大訊飛高級副總裁、研究院院長胡國平在AI WORLD 2018世界人工智能峰會上說：“機(jī)器的自然語言理解能力已經(jīng)超過人類的平均水平，這是認(rèn)知智能重大的突破。”

然而當(dāng)談到AI企業(yè)該如何徹底地邁上人工智能的最高臺階——認(rèn)知智能時，胡國平表示：“在強(qiáng)調(diào)知識、推理能力的認(rèn)知智能方面，機(jī)器與人類仍有差距。”自然語言處理技術(shù)的確是認(rèn)知智能的重要技術(shù)基石，但即便是自然語言處理技術(shù)在特定領(lǐng)域已經(jīng)超過人類，AI在認(rèn)知智能層面依舊面臨艱巨挑戰(zhàn)。

現(xiàn)在多數(shù)產(chǎn)業(yè)在認(rèn)知智能上面的做法大多停留在純文字層面，但語言只是人類智慧的載體和表層，如果只純粹在文字層面做認(rèn)知智能，可能會有著極矮的天花板。胡國平針對這一問題在本次峰會上分享了認(rèn)知智能下一步方向：若想在認(rèn)知智能路上走得更遠(yuǎn)，需要關(guān)注的是語言之下智慧本質(zhì)。

下面就是科大訊飛高級副總裁、研究院院長胡國平在AI WORLD 2018世界人工智能峰會上的演講《認(rèn)知智能最新進(jìn)展及下一步思考》的主要內(nèi)容：

胡國平：人工智能現(xiàn)在大家都習(xí)慣分為三個臺階，計(jì)算智能、感知智能和認(rèn)知智能。計(jì)算智能方面，機(jī)器已經(jīng)遠(yuǎn)遠(yuǎn)超過人類，而在感知智能方面，機(jī)器也可與人類媲美，而認(rèn)知智能則強(qiáng)調(diào)知識、推理等相關(guān)的技能，要求能理解、會思考，這些方面機(jī)器與人之間依然存在差距。

全球首次通過國家執(zhí)業(yè)醫(yī)師資格的機(jī)器人：自然語言理解能力強(qiáng)，分?jǐn)?shù)趕超人類考生

關(guān)于感知智能，這里有兩個例子。首先是語音識別，大家都知道包括科大訊飛在內(nèi)的很多公司都把語言識別做得非常厲害，在過去的六年里，語言識別每年錯誤率相對下降30%。換言之，大概識別率從2012年的85%左右一路飆升到現(xiàn)在的97-98%。

語音合成亦是如此，現(xiàn)在遠(yuǎn)遠(yuǎn)超過一般自然人的說話水平，今年1月份人工智能語音合成已經(jīng)在中央電視臺《創(chuàng)新中國》節(jié)目上正式上崗應(yīng)用：可以將已故播音員李易老師的聲音合成之后再現(xiàn)熒屏。

另外一方面，認(rèn)知智能，涉及到語義理解、知識表達(dá)、聯(lián)想推理、智能問答、自主學(xué)習(xí)，大部分都認(rèn)為認(rèn)知智能是更難的任務(wù)，而且是至關(guān)重要的任務(wù)。未來十年最重要的任務(wù)、也是認(rèn)知智能方面最典型的任務(wù)就是閱讀理解：目前機(jī)器的閱讀理解在精確匹配指標(biāo)上已經(jīng)超過人類的水平，機(jī)器的閱讀理解指標(biāo)達(dá)到82.48，人類平均水平則是82.3，這也是認(rèn)知智能重大的突破。

當(dāng)機(jī)器具有閱讀能力后，科大訊飛訓(xùn)練機(jī)器人閱讀醫(yī)學(xué)書籍，2017年，科大訊飛機(jī)器人“智醫(yī)助理”參加了中國真正的全國臨床執(zhí)業(yè)醫(yī)師綜合筆試測試，并以456的高分輕松通過該考試，從而成為中國首臺通過此類考試的人工智能機(jī)器人。

此外，現(xiàn)在不僅認(rèn)知智能國家重點(diǎn)實(shí)驗(yàn)室已經(jīng)在訊飛落戶，科大訊飛還在人工智能+腦科學(xué)等諸多領(lǐng)域展開了探索。

如何在認(rèn)知智能路上走得更遠(yuǎn)？不能只停留在純文字方面，更要重視語言之下的智慧本質(zhì)

人工智能跟腦科學(xué)其實(shí)有非常多的結(jié)合地方，我下面要分享的內(nèi)容則是關(guān)于認(rèn)知智能下一步方向的思考。

先舉幾個例子，我們認(rèn)為認(rèn)知智能在現(xiàn)在的做法屬于純文字層面，甚至是把文字當(dāng)做符號的層面。當(dāng)我們看這樣一些例子，例如父愛如山，我們知道父愛如山是重的意思不是陡峭的意思。這里就存在著一個我們認(rèn)為很重要的概念——語言的Grounding問題。

平頭哥，所有人知道云棲大會上發(fā)布的平頭哥，如果不了解這個詞匯肯定會去查，如果查到是這樣一段文字的描述，其實(shí)又叫蜜獾，你可能無法真正形成對這樣一個詞匯的真實(shí)理解或者大腦中的真實(shí)印象。于是乎，你需要一張圖片，甚至可能會去看一下它跟毒蛇搏斗的視頻，才能形成對平頭哥的概念、印象、知識。這個叫語言管理，你必須要有這樣的能力。Grounding之后才能理解這個世界，人類的智能基于多模態(tài)，不是能夠閉環(huán)自洽的，或者我們認(rèn)為語言只是人類智慧的載體和表層，如果純粹在文字層面做認(rèn)知智能，可能會有著極矮的天花板。

再舉一個例子，蘋果大還是雞蛋大？你絕對不會說想想蘋果10公分的長度，雞蛋5公分的長度，哦，蘋果比雞蛋大。其實(shí)你在腦袋中有一個蘋果的印象，有一個雞蛋的印象，直接問這兩個哪個大，自然而然基于多模態(tài)甚至物理的印象中直接能夠判斷出來。我們認(rèn)為語言只是智能的表層和載體，更多的智能在語言之下，這是有關(guān)語言之下的智慧本質(zhì)的一些思考。

認(rèn)知智能的挑戰(zhàn)：難以像人類做到基于物體與時空感知的序列記憶和預(yù)測

生活在城市中的烏鴉為了吃到堅(jiān)果，充分利用馬路上的汽車能夠把堅(jiān)果碾碎以及紅綠燈會讓車停下來的知識，把堅(jiān)果安全地吃到，在這樣一個觀察和運(yùn)用，烏鴉實(shí)現(xiàn)了自己的智慧。沒有任何語言，通過觀察習(xí)得。我們認(rèn)為語言之下智慧的本質(zhì)還有一個通式，這個通式定義為對物體在三維空間加以時間坐標(biāo)下序列的感知、記憶和預(yù)測的能力。在三維空間里，無論是人還是烏鴉，都在觀察過程中掌握了物體的移動或者變化的規(guī)律。

人類也是這樣一個學(xué)習(xí)的過程，在過程中實(shí)現(xiàn)了對物體、空間和時間的感知，并且把它融到一起，形成了智慧本質(zhì)的通式的概念。無論是我們今天各位在座的也好，包括網(wǎng)上直播的網(wǎng)友也好，都在利用這種通式做很多的智能。

比如說一根火柴點(diǎn)燃之后，也許沒有書上寫出來這個火柴點(diǎn)燃之后會怎樣，但是所有人其實(shí)都很清楚，這根火柴點(diǎn)燃之后它燃燒的形狀，在你的腦中已經(jīng)有了記憶。如果火柴點(diǎn)一根煙，煙會點(diǎn)著，這是你在記憶上掌握的知識。所有和環(huán)境的互動過程中就自然而然記下來了很多的智慧智能，而且我們這種智能在使用中或者預(yù)測的時候就有潛意識。

科技館有無源的自來水，一個空的水龍頭不停往下流水。所有小孩一開始都會很驚訝，他們在正常環(huán)境的訓(xùn)練里已經(jīng)認(rèn)識到：水龍頭一定后面有根管子。這個概念其實(shí)也是整個記憶序列和預(yù)測中在實(shí)際人們工作生活中重復(fù)使用的概念。預(yù)測序列潛意識不自覺自動工作，這是人類智慧包括動物智慧很重要的一種模式。腦科學(xué)研究者認(rèn)為，學(xué)習(xí)和記憶是大腦工作的基本機(jī)理。我們也認(rèn)為，序列的預(yù)測和相應(yīng)預(yù)測能力也是人類大腦工作很重要的模式。

未來展望：訓(xùn)練AI機(jī)器的建模和預(yù)測能力，從而獲取智慧本質(zhì)的通式

我們有一個猜想：最復(fù)雜的人類大腦本身的智慧也存在大道至簡的通式，多模態(tài)序列的記憶建模和預(yù)測的能力。這是有很大的可能性，雖然人類大腦中有很多能力或者功能包括多巴胺、邏輯思考等，但生活中很多的能力其實(shí)是靠多模態(tài)序列記憶和預(yù)測來實(shí)現(xiàn)知識的積累和智慧的應(yīng)用。

我們也在想一件事情，如果讓我們的AI看了一億個比如車水馬龍道路的視頻之后，它到底能不能預(yù)測下一秒的路面會是什么樣？事實(shí)上，我并不清楚。這是驗(yàn)證剛才所說的通式的比較理想的任務(wù)。我們希望這樣一個機(jī)器看了很多的視頻之后，在深度學(xué)習(xí)的方式下去做，這個任務(wù)的好處是什么？它解決了有監(jiān)督訓(xùn)練數(shù)據(jù)的問題，在所有的序列預(yù)測里面，它的答案一定程度上是在那里的，基于前面所有的路況去預(yù)測下一秒的路面情況的話，其實(shí)它的標(biāo)注答案在那里，過了一秒之后答案還在那里。也許可以利用這次人工智能熱起來的深度學(xué)習(xí)端到端的模式，包括用抽象的能力去實(shí)現(xiàn)這樣一個任務(wù)上的建模和預(yù)測。

在未來科大訊飛希望用更有效的方法去訓(xùn)練機(jī)器的建模和預(yù)測能力，探尋智慧的本質(zhì)，從而獲取智慧本質(zhì)的通式。例如，讓機(jī)器擁有路況的預(yù)測能力，把攝像頭換成駕駛員視角的高拍儀或者行車記錄儀，那么也許我們在無人駕駛或者很多其它場合下的應(yīng)用上可以不止基于當(dāng)前的路況來做預(yù)測，而是基于一秒鐘甚至更長時間之后路況進(jìn)行準(zhǔn)確預(yù)測，無人駕駛會因此變得更智能更安全。

當(dāng)“Thanks”出現(xiàn)在演講屏幕的時候，其實(shí)你的序列預(yù)測能夠判斷出來我已經(jīng)講完了，我會說謝謝，我會說下臺，序列預(yù)測中你們應(yīng)該會鼓掌。