人工智能這60年間一共做了兩件事。

　　一是發(fā)展第一代人工智能，就是大家比較熟悉的符號模型，也叫知識驅動(dòng)。

　　基本思路是：智能來(lái)自何處？來(lái)自知識，知識是人類(lèi)智能的源泉。這是最早建立人工智能的時(shí)候所建立的基本思想。這個(gè)思想對聲音的處理，就是對語(yǔ)音識別，包括聲紋都有一些影響。

　　大概在70、80年代基本上統治了人工智能，所以人工智能對各個(gè)領(lǐng)域都有影響。對聲音處理的主要影響是大家試圖通過(guò)發(fā)聲和聽(tīng)覺(jué)的機理來(lái)建立計算模型。早期做過(guò)很多努力，但是并沒(méi)有成功。主要原因是我們對人類(lèi)聽(tīng)覺(jué)機理了解的很少，這也是人工智能遇到的最大困難。我們對智能是什么到現在為止還沒(méi)有一個(gè)公認的科學(xué)定義，但是我們要在這種情況下去搞人工智能，怎么搞？這就出現一個(gè)很大的問(wèn)題。

　　當初大家覺(jué)得可以搞人工智能，就認為人類(lèi)的智能來(lái)自于知識，知識在很多情況下可以用自然語(yǔ)言表達出來(lái)。根據這個(gè)思路，對比如醫療診斷或者其他的領(lǐng)域都做了一些所謂以知識為基礎的推理系統，這就是大家非常熟悉的專(zhuān)家系統。它的基本思路就是認為人類(lèi)的知識可以用自然語(yǔ)言表達出來(lái)，因此我們可以把這些知識表達在計算機里頭，計算機對知識進(jìn)行加工，這是第一代人工智能。

　　第一代人工智能到到90年代以前不是特別成功，90年代以后人工智能有了很多新的發(fā)展，給知識驅動(dòng)的方法也帶來(lái)新的活力。

　　第二個(gè)就是現在大家非常熟悉的連接主義或者深度學(xué)習。

　　講的簡(jiǎn)單一點(diǎn)就是基于大數據的深度學(xué)習。90年代后，第一代人工智能進(jìn)入低潮開(kāi)始衰退，正好第二代人工智能引起了高潮。

　　深度學(xué)習為什么現在這么受歡迎，一個(gè)非常重要的原因是，原來(lái)輸進(jìn)去的語(yǔ)音和圖像必須人工抽取特征，然后把這些特征輸到神經(jīng)網(wǎng)絡(luò )去，對它進(jìn)行分類(lèi)。有了深度學(xué)習以后有了很大改變，只需要輸入原始的信息就可以了。聲音基本上可以用原始的波形輸進(jìn)去，圖像可以輸入原始的像素組成的點(diǎn)陣，由網(wǎng)絡(luò )自動(dòng)抽取特征。這樣一來(lái)就使得深度學(xué)習變成了一個(gè)大眾化的工具，不要求你有專(zhuān)業(yè)領(lǐng)域的知識，誰(shuí)都可以用。

　　過(guò)去搞人臉識別必須知道抽取臉部哪部分的特征最有效。現在你只要把組成人臉的像素輸進(jìn)去就可以。換句話(huà)講，以前搞人臉識別，大部分時(shí)間要花去研究特征的提取，現在有了深度學(xué)習，這一部分的工作完全不需要了，這也給語(yǔ)音識別帶來(lái)很大的影響。

　　語(yǔ)音識別在2011年以前，基本上正確率是80%，誤識率20%，幾乎不能用。到2015年的時(shí)候超過(guò)95%，到了2017年的時(shí)候，所有商業(yè)應用的語(yǔ)音識別系統全是用深度學(xué)習，包括亞馬遜、微軟、我們國家的百度、訊飛，都是用同一原理-深度學(xué)習。所以大家做到的水平基本上都差不多，在95%以上。

　　那么我們再看一下第一二代人工智能的局限性。這些局限性對產(chǎn)業(yè)的發(fā)展影響非常大，首先應用場(chǎng)景就有很大的局限，應用場(chǎng)景必須要滿(mǎn)足一下這5個(gè)條件：

　　必須具有豐富的知識或者大量的數據。如果這兩個(gè)都沒(méi)有，就做不了人工智能。第一代人工智能認為智能的資源是來(lái)自知識，這是人工智能創(chuàng )建人一致的認識。深度學(xué)習的發(fā)展，大家又認識到到數據對人工智能的重要性。人工處理數據的能力遠不如計算機，相反，計算機處理數據的能力則遠超過(guò)人類(lèi)，這也是深度學(xué)習成功的原因所在。

　　如果符合豐富的知識或經(jīng)驗、完全信息、確定性、靜態(tài)、單領(lǐng)域和單任務(wù)這5個(gè)條件，人工智能完全可以做到超過(guò)人類(lèi)。即使問(wèn)題非常復雜，比如圍棋，但它完全符合這5個(gè)條件，所以計算機戰勝人類(lèi)理所當然。只要符合這5個(gè)條件，就算今天超不過(guò)，明天計算機肯定會(huì )超過(guò)。

　　這5個(gè)條件的限制是非常嚴格的，很多問(wèn)題不滿(mǎn)足這些條件。

　　對語(yǔ)音識別來(lái)講，如果有噪聲，就不滿(mǎn)足“確定性”這一條件。所以在有噪聲的情況下，語(yǔ)音識別的性能就會(huì )降低非常多。

　　最后一個(gè)非常重要的問(wèn)題是人工智能安全。

　　目前的人工智能技術(shù)，特別是基于大數據的深度學(xué)習算法具有4個(gè)不：不安全、不可信、不可靠，不易推廣。

　　安全問(wèn)題對語(yǔ)音區別也有很大的影響。剛才說(shuō)過(guò)，深度學(xué)習給語(yǔ)音識別帶來(lái)非常大的好處，它的識別率原來(lái)幾乎不能用，到現在完全可以商用。但語(yǔ)音識別技術(shù)也非常脆弱和非常不安全。

　　下面的例子用來(lái)說(shuō)明語(yǔ)音識別的脆弱性。

　　英文（語(yǔ)音）原話(huà)是這樣：“沒(méi)有數據集這篇文章是沒(méi)用的”，如果在這句話(huà)加上一點(diǎn)點(diǎn)噪聲，人聽(tīng)起來(lái)完全一樣沒(méi)有變。計算機聽(tīng)起來(lái)卻變成完全不同的話(huà)——“好的，谷歌瀏覽evil。com”。

　　換句話(huà)講，非常不安全，非常容易受攻擊，這就非常危險。

　　為什么現在聲紋識別比較魯棒？這個(gè)問(wèn)題我是從鄭方老師那里受到啟發(fā)。聲紋現在沒(méi)有完全使用基于大數據的深度學(xué)習方法，據鄭老師講使用深度學(xué)習效果并不太好。

　　為什么聲紋識別到現在為止還沒(méi)有找到一個(gè)非常有效的攻擊手段？原因之一可能在這里，就是運用了多種的預處理方法，“預處理”實(shí)際上體現了某種知識的運用。所以目前來(lái)講我認為聲紋識別帶有第三代人工智能的一些特點(diǎn)，所以它相對來(lái)講比較魯棒。

　　我們提倡第三代人工智能。

　　第三代人工智能一共是三句話(huà)：

　　1.構建可解釋和魯棒的人工智能理論和方法。

　　2.發(fā)展安全、可信、可靠和可擴展的人工智能技術(shù)。（就是把目前人工智能四個(gè)缺陷的“不”去掉）

　　3.推動(dòng)AI的創(chuàng )新應用。

　　我們要解決AI的產(chǎn)業(yè)問(wèn)題，必須解決前面講的兩個(gè)問(wèn)題，不解決的話(huà)AI的產(chǎn)業(yè)的是很難做大做強。解決問(wèn)題的思路也比較簡(jiǎn)單，即把知識驅動(dòng)與數據驅動(dòng)結合起來(lái)。結合起來(lái)的效果是什么？即充分利用了以下4個(gè)要素：知識、數據、算法和算力。

　　第一代人工智能使用了知識、算法和算力，當時(shí)算力很差，所以第一代人工智能不是很成功。第二代人工智能，我們把重點(diǎn)瞄準后面三個(gè)要素，數據、算法和算力。第二代人工智能之所以比較成功，由于這三個(gè)要素都很給力。

　　充分利用四個(gè)要素說(shuō)起來(lái)容易做起來(lái)卻非常難，因為知識和數據表現形式完全不一樣。另外，知識很難獲取，我們剛才說(shuō)做人工智能的困難在哪？智能本身都沒(méi)搞清楚怎么去做人工智能？當前多數人走的是：Brain inspired computing（腦啟發(fā)下計算）的道路，有的把它翻譯成“類(lèi)腦計算”，讓大家以為是個(gè)全新的東西。

　　大家都很關(guān)注人工智能的產(chǎn)業(yè)化，我這里列出的人工智能獨角獸企業(yè)（來(lái)自胡潤統計），全世界共40家，其中美國占20家，中國占15家，我國穩居老二地位。其他英國、日本、以色列等國家相對都很少。但無(wú)論是國內還是國際企業(yè)都面臨進(jìn)一步做大做強的挑戰。

　　如何把聲紋產(chǎn)業(yè)做大做強？我認為主要是要尋找新的應用場(chǎng)景。我們團隊現在正在把語(yǔ)音識別或聲紋識別技術(shù)應用到呼吸系統的診斷上，取得很好的效果，也可以考慮把聲音識別的技術(shù)用到診斷機械故障等等。

　　清華大學(xué)人工智能研究院目前已經(jīng)成立了9個(gè)中心，其中兩個(gè)偏重于基礎研究，一個(gè)是從機器學(xué)習的角度，一個(gè)是從知識處理的角度。我認為，知識和數據是驅動(dòng)人工智能往前發(fā)展的兩個(gè)輪子。