7月9日，由世界人工智能大会组委会办公室指导，亿欧EqualOcean主办，上海交通大学产业经济研究中心、上海市人工智能行业协会、上海市人工智能学会支持的2021世界人工智能大会“AI商业落地论坛”在上海圆满举行。

元知智能研究院院长兼投资合伙人崔兴龙现场带来了《类脑智能和人工智能的商业化的下一个十年》的主题演讲。

崔兴龙演讲的核心观点有：

无论是人工智能的发展、计算科学发展，还是计算机工程发展，都和类脑发展紧密相关。

以下是元知智能研究院院长兼投资合伙人崔兴龙演讲全文：

谢谢大家，首先感谢大会的邀请今天能来做这样一个分享。我的主题是“类脑智能和AI的发展”，这个主题也跟我们今天的观点有相辅相成的地方。我们认为无论是人工智能的发展、计算科学发展，还是计算机工程发展，都是和类脑发展紧密相关。类脑基本上从过去七十多年、八十年以来都是在同一迭代周期之内。

首先做一下自我介绍，元知是比较新的公司，成立只有两年的时间，但我们是一家“以生态整合科技资源，以投资拉动生态资源”的公司。我们过去二十年，从中国第一条高速光纤的建设开始，投了400多亿，包括商汤等，前一段时间刚重仓了广汽未来等。

做生态和基础科研是离不开的；我们跟钟南山院士做了研究院，还跟上海交大几位教授做了智能网联汽车的中心，此外，我们在北京、上海、广州和美国也都建立了研究院。其实我们所做的事，线上线下覆盖得比较多，包括小镇、交易、智慧金融、建设、企业、教育、医疗等诸如此类。行业覆盖跟大家所设想得差不多，从大数据开始到感知、机器人、自动驾驶、认知的过程。

在AI发展六十多年里，如果不是从业者，感知最深的可能是这十几年，2006年、2007年开始认为是小高潮。从我们从业者的角度来看，人工智能发展周期有至少五六十年的过程。以及人工智能发展逃不了三个东西：数据、模型、跟人脑相结合。

最早的数据是人和人产生的，五十年前什么“机”都没有，我们彼此交谈用文字记录下来，最终呈现的数据形式就是文字、图型、图表、绘画、语意泛式等。那个时候只有人和人之间可以产生数据。

后来80年代大量底层系统，包括2B系统的出现，使得人和人可以产生数据，人和系统也会产生数据。同时包括神经系统、脑研究也开始出现，所以很多人认为人工智能的高潮在那个时候已经来了。其实这个时期的人工智能被严重置疑过很多次，大家做过知识库系统和引擎，回过头来看，今天大家用的无论是遗传神经算法、还是深度学习包括神经网络算法，其实在80年代、90年代初都可以找到原形。但这个时候存在一个问题：模型可能还行，但是数据跟不上，尤其大量可标记的数据集跟不上，导致验证出现了很多问题。

第三个阶段：除了人和人、人和系统可以产生大量数据以外，系统和系统也可以产生大量数据。这个阶段跟我们所谓的移动网络、移动互联网出现的周期是比较接近的。同时在移动互联网大行其道，也就是在2018、2019、2020年左右，又出现大量的算力以及算力成本开始下降。2004年做课题的时候，基本上一个参数要跑好几天，也花费好几千，时间和资金成本都比较高。

2012年之后大家发现第三个周期验证了第二个周期的问题：模型好像没问题，数据好像有问题。这之后又发现了很多新的脑科学，这时我们认为，无论是计算机、计算工程，还是人工智能的发展都和科学的发展紧密相关。所谓AI现在发展的基石：数据、算法、算力。我们认为下一个周期更多的训练场景、更低的成本、更多的数据集，依然是基础。

回到一个问题，AI到今天究竟是不是走到自己的临界点了。这在很多其他领域的科学家还是持不同的看法，但我们认为：当一个场景的数据足够清晰，参数、目标清晰，参数规则清晰且标准，那么它的目标结果和判定可逆向追溯。在单一可训练场景或者单一任务过程中，发现这个领域可以描述成以上的情况，这个时候AI超越人的可能性会相对比较高。这个是我们认为它的优势，但恰恰也是它的瓶颈期，因为有大量的场景很难表述成这样，比如说今天场内找一个美女或者帅哥，因为“美”这个标签不是很容易描述的，当然各发生点是不一样的。

从我们的理解来讲，人工智能发展到今天的原因是：人总喜欢和习惯用解决工程化和技术化的方法解决科学问题。更强的算力，更大的数据集，以及更低廉的价格，其实就在用工程学解决技术问题。回到今天，我们要反思一个问题，终局有没有AGI，也就是强人工智能的出现。今天有没有解决方案我们不知道，未来有没有人能解决我们也不知道。

刚才回顾了一下：人工智能的发展可能会大量地结合脑科学、计算工程。同时结合科学的发展，我们认为人工智能会有两条路径可以走，这是我们元知科技的观点。一条路是依然结合神经生物学、计算神经系统学。另外一条就是结合更多的算力、更多的场景、更多的数据集。

举个例子，做一个通用机器人，你的厨房里至少有四五百种东西可以做标记，烟酒糖茶做了标记就不需要做广义去识别，比如说这个机器人判断这是卫生间还是洗手间，如果说做了很多的标签，那就不需要去判断了，这也是我们之前为什么花这么多钱投线下场景和基础。

回到第一条路径，这个会讲得相对晦涩一点。AI想在未来实现，所谓的“智能阶段”，就是接近于强人工智能的方式，它既要结合脑科学，也要结合得更深一些。大家想想图灵结合的是什么？是把计算和存储模拟出来了，最早计算机强调的是什么？算力：计算的能力。他们认为人是通过输入层以及每一层进行物体的识别进行思考的。哈根斯认为我们会有平衡计算的计算机，但是有些是运行状态，有些处于不运行状态。这种情况可以解决流式输入的问题，同时没有强参数。其实AI的发展，如果想在未来达到更高的高度，一定要结合脑科学的发展。

我先说一个结论，为什么借助脑科学的发展呢？在座每个人拥有的聪明大脑都是经过数十万年进化出来的。如果我们认为人也是被训练的话，我们也是被训练的系统，我们还要产生自然遗产以及基因的交叉，会出现各种新的训练方式。我觉得人脑的高级人工智能系统是实现AI未来最好的样例。

我们简单回顾一下过去大脑的发展结构，包括普院也讲了，过去两百多年大家对大脑的研究不太深，只有临床医学、神经基础、神经科学分子、细胞、亚细胞、比较神经学、行为神经生物学、计算神经学等对大脑的研究深一些。

过去两百年我们真正在研究什么？大脑的额叶、顶叶现在都清楚了，但是如何推理和记忆我们还不清楚。在这个过程中脑科学的研究会不断促进科学发展。我们现在还有各种各样的观测手段。其实包括最新的研究，包括现在发的Paper，在整个脑区的的研究过程中来说，不断在研究出新的方法、新的理论和新的逻辑。

人脑如此优秀的系统，我们今天解决了信息存储、编码、转化跟神经接受刺激的反馈，今天也做了视觉、听觉、嗅觉的认知，未来我们在记忆、思考、推理、创伤规避、行为规避分析中会得到更好的价值。

今天会场有人问：不是已经有人在做过程行为理解了吗？这个可以回去好好看一下李老师在做的过程行为理解的建模模型是怎么做的，可以关注一下模型建模的逻辑，这跟脑科学发展逻辑是不同的路径。过程不讲了，这个板块最后替我以前导师带带货，也希望大家研究一下“千脑智能”，包括所谓的流式数据处理以及各种各样的方法理论。

AI发展之路是通过线下场景不断渗透，提高渗透率来解决。这就是今天说的另外一条路，这条路我认为是更加可行的，因为人脑研究有硬伤。但是这条路是OK的，因为这条路是人最擅长的，也是中国人最擅长的。今天在解决基础科研时不是那么强，但是我们解决工程化问题，拼体力以及其他方式可能是我们最擅长的方式。

包括大量没有可挖掘的数据，也就是不断扩大的数据集、不断提高的算力、不断降低的成本。包括Google给的1.68万亿，咱们悟道2.0给到了1.75万亿，这都说明拼数据集是很重要的事情，包括拼线下场景和算力也是很重要的事情。

我简单说，我们真正在线下场景中有很多东西是没做的。小朋友在我们做的幼儿园场景里，一个孩子跑步，其实我们建立了39套标准的数据表达式，在模拟这个孩子怎么完成跑步的过程，包括学习认知的过程，这个过程采集的数据点远远超过想象。线下场景里包括道路，中国整个智能汽车只能走两条路，国内普遍很多人走车路协同，也就是将线下私域场景跟公路场景做标记和数据建模和数据卵生。

其实AI发展也一样，我们今天有大量的场景没有被标记和建模的，包括医疗的场景。过去看病看手术看完了点一点就过去了，今天会有大量的实际场景可以被使用，前一段时间柳叶刀发了一篇论文，里面就包括了行为理解。

简单回顾一下，我们认为未来AI有两个方向，在科学上想确立下一个阶段，还要继续结合脑科学的发展，我认为这是必须要走的一条路，也可能是唯一的一条路。第二个逻辑就是说还是依靠工程问题跟所谓的技术问题，解决技术问题跟工程方法来解决，也就是要把线下实际场景充分建模拟合在线上来，同时要做一个事情，把我们的任务和标记的场景做得更加清晰。

最后用三到四分钟，我们认为未来结合的机会会很多，包括脑机以及外骨骼，当然还包括结合机电信号、类脑芯片以及脑科学和AI的模拟。MIT在做这一方面深度研究的，包括情感的陪护机器人，这还是以工程方法在做。包括Google出的人脑地图，这个我们产生过很大的争议，现在也在做。

再简单说一个小的案例，我们现在在北研院，通过行为尺度观测、脑尺度观测，在做行为线上线下的动态分析决策，能够为用户洞察和品牌媒介做一些超级心智的营销吧，主要是在感知、记忆和决策。目前我们在做脑科学和AI结合，上研院是在做无人驾驶和通用机器人这一块。

最后回到一个问题，总结一下，其实过去十几年爆发式的发展，表面上来看是真正的第一次高潮，但是我认为人工智能高潮还没有来，甚至认为未来十年人工智能突破没有那么大，但这十年恰恰是最重要的十年。在这十年，商业上成功率会比较高，人工智能会钻到实际的场景中去。过去人工智能解决的是线上社交、快消品交易、用户流、信息流等流程，但是非标大宗商品的产品以及这么多线下场景过去没有深耕，我认为AI在这些领域做深度的深耕有价值。

最后，我对整个AI科研的未来还是有期待的。维特斯坦之前讲过一个问题，晚期又推翻这个逻辑：就是说人类的记忆、认知、思考、创伤、规避等，但凡用数据表达式、图形、绘画或者语言，可以被符号表达的都是逻辑的边界，而这个边界都可以被模拟出来。这个模拟是思想的边界，也是逻辑的边界。这个是我认为在未来我们可能有机会通过工程方法、技术方法解决科学问题的一种可能性，就跟在几百年前解决微积分的问题是一样的。

所以我认为不用担心，科技从来不是内卷或者发展中困境的始作俑者，如果有的话其实是发展得不够好、不够快、不能满足大家。我们相信向善的科技才能有持久的生命力。

谢谢大家。

本文来源于亿欧，原创文章，作者：亿欧。转载或合作请点击转载说明，违规转载法律必究。