第三代人工智能是什么？它的发展趋势是什么？
人工智能最早是在1956年提出的。人工智能已经发展了63年多。第一代人工智能使用计算机来解决问题。第二代是以阿尔法狗(AlphaGo)为标志的深度学习。然而，深度学习基于真实的大数据，目前似乎遇到了瓶颈。因此，科学家们提出了第三代人工智能。然而，目前没有人真正知道第三代人工智能是什么，但它的趋势是明确的。
第一代、第二代人工智能
以下是清华大学人工智能研究所所长、中国科学院院士张博，他在《迈向第三代人工智能的新征程》中解释了三代人工智能。
第一代人工智能提出了基于知识和经验的符号模型和推理模型，这是人工智能的第一次重大突破。这一突破后来产生了一个结果，也就是说，当这个理论提出时，有一个非常乐观的估计。西蒙在1956年提出了它。基于这个模型，机器可以在十年后打败所有的棋手，并在二十年后取代所有的人工工作。事实上，情况并非如此。机器要花60年才能打败象棋选手。机器将取代所有人类工作，这可能还有很长的路要走。这是人工智能的另一个特征，通常被高估了。
第一代人工智能模型有优点，但也有很大的局限性。这一优势是显而易见的，因为它模仿人类。它可以解释并且具有很强的鲁棒性，但是它的局限性也很大。因为最大的问题是人类的知识和经验，很难准确表达，这是人工智能冬天的根本原因。当时，应用有限，难以推广。然而，在大数据的情况下，问题得到了很大的改善，特别是在机器的性能得到提高后，大量的数据可以作为知识输入到机器中。这是最典型的沃森系统。
沃森系统可以用于癌症的免疫治疗，它使用了多少知识？从100万份医学期刊中提取的2500份摘要和400万名患者的数据，以及1861年以前所有药物的专利，都具有医学知识。并行数据和药物知识可用于癌症免疫治疗。当然，该系统在许多慢性病的治疗和管理方面都做得很好，我国在这方面也有很多探索和研究。
第二代人工智能最重要的成就之一是深入学习。换句话说，第一代人工智能被提出来了。如果我们能充分利用人类知识，我们就能建立一个好的人工智能系统。如果我们有足够的数据，我们也可以建立一个有用的人工智能系统。
为什么深入学习如此重要？一个非常重要的原因是它有两大变化。当网络级别提高时，有两个主要变化:第一，输入只需要原始数据，不需要预处理。二是成绩有了很大提高，在深入学习方面有了重大突破。换句话说，它具有某种意义上的通用工具，对领域知识要求低，同时可以处理大数据。
给每个人印象最深的最后一个是阿尔法狗，每个人都知道。因此，许多人估计，超过40%的人类工作将在十年内被取代，智能驾驶汽车将在三到五年内大规模生产。等等。李院士刚才提到了这个问题，并进行了深入的分析。事实上，大规模生产在三到五年内是不可能的。
技术已经完全成熟，我们目前的研究还不成熟。主要问题是应用。为什么乐观估计经常在人工智能中产生？有两个主要原因:一是低估了发展人工智能的难度，二是高估了所取得的成果。当一个被低估而另一个被高估时，问题就出现了。另一个非常重要的原因是历史事件的影响。过去，我们发现随着蒸汽机而来的是工业革命，随着电机引擎而来的是电气革命，随着计算机而来的是信息革命，每个人都希望会有什么东西出现并引发人工智能的革命。
现在的问题是，有吗？
这不能不考虑人工智能的特点。我们说深度学习根本不是人工智能的通用机器。现在每个人都在寻找通用人工智能。关于它是否存在仍有争议。别担心，但至少深度学习不是人工智能。这很明显，第一代人工智能，第二代人工智能，其应用场景必须满足以下五个条件。
从积极的一面来看，如果所有的应用场景都满足以下五个条件，那么无论问题有多复杂，计算机都一定能打败人类:丰富的数据或知识、完整的信息、确定性的信息、静态的、单一的领域和单一的任务。
最明显的例子是围棋。围棋如此复杂，但围棋符合这五个条件，所以计算机在围棋中击败人类只是时间问题。所以从积极的一面来看，如果你满足这五个条件，不管有多复杂，计算机肯定会打败人类。从长远来看，如果你的应用场景没有完全满足这五个条件，其中一些条件没有满足，你的工作将变得困难。为什么自动驾驶如此困难？根本原因就在这里。为什么我们不能制造便宜可靠的自动驾驶？这背后的原因是许多自动驾驶的条件不满足。它不是完整的信息，它不是确定性的信息，它不是静态的环境，或者它是根据确定性的规律进化而来的。它的许多事情是不可预测的，也不是一维的。开车的有汽车、行人和其他车辆。因此，李院士刚刚提出了一个特殊的方法来清理这些东西，并把它们变成一个单一的领域。因此，我们总是说，如果有些条件不符合这五个要求，你需要努力工作。
人工智能现在可以应用于这些领域，换句话说，这些领域的许多应用都满足刚才提到的五个条件。如果这些领域的应用场景满足五个条件，如果我们大胆地去做，我们一定会超越人们。根据计算机的强大力量，这是可以做到的。然而，也有大量的应用程序不满足这五个要求。我们必须努力工作，不能依靠当前的第一代和第二代人工智能来解决它。
举个简单的例子，计算机在复杂场景下的决策、完全信息下的决策或完全信息下的游戏中击败人类是绝对必要的。众所周知，以下问题，不完全信息游戏和扑克，也在今年5月得到了解决。换句话说，在德州扑克中，6人无限注，电脑可以打败人类，这意味着概率意义上的不确定性，机器可以打败人类。但是人类的决策环境不满足前两个条件。因此，当涉及复杂环境中的游戏或复杂环境中的决策时，机器仍然远离人类。从这里开始，应用程序场景极其重要。
这是阿尔卑斯山的照片。人们认为是的，机器看起来也一样。只是增加噪音。右边的图片和左边的图片唯一的区别是噪音更大。人们看起来仍然像阿尔卑斯山。这台机器看起来像一只狗，它的置信度为99.99%。99.99%的人认为它是一只狗，很容易被欺骗。这表明机器和人之间的认知差异很大。
声音也是同样的原因，以前的英语说了一句话，我们加了一点噪音，人的声音还是一样，机器听起来有些别的，这很危险。
军事人员说，过去你的声音是被传送的，它会干扰，但你听不见。现在声音传了过去，它说攻击可以让你听起来像撤退，只是增加一点噪音，这是人工智能的安全。
此外，缺乏自知之明非常重要。你说我用这个短语并让它翻译，“说你能做到”。计算机如何翻译这个短语？“说你是专业人行道。”你为什么瞎了？它不知道它不知道也没有任何自知之明。这是非常危险的。为什么它会变成人行道？“行人”，它以为是人行道。为什么翻译成“你的专业”？“你能做到”。这是非常危险的。让我们想想，我带了一个翻译。翻译水平相当高。大多数翻译都是准确的，但他会胡说八道。你敢用它们吗？人类不会，因为他知道如果他不理解
下一步，我们现在有了一个新的历史机遇，就是走向第三代人工智能。第三代人工智能应纠正上述两个局限，建立可解释的、稳健的人工智能理论，发展安全、可信、可用的人工智能技术，促进人工智能的创新应用。
第三代人工智能趋势
最近，清华大学公布了全球2000名最具影响力的人工智能学者的AI2000名单。中国学者位居世界第二，但拥有高水平学者的研究机构很少，人工智能领域的人才队伍亟待加强。
AI2000清华-中国工程院知识智能联合研究中心和清华大学人工智能研究所发布的清单。人工智能领域世界上最有影响力的学者(200名)和提名学者(1800名)分布在世界各地的不同大学和学术机构，美国有1128名，中国有171名，欧盟有307名。
在新闻发布会上，清华大学人工智能研究所所长、中国科学院院士张博作了热情的报道和精彩的评论。
人工智能研究必须国际化
基础研究，尤其是人工智能领域的基础研究，必须国际化，因为只有团结和利用来自世界各地的研究人员，基础研究才能领先发展。人工智能领域目前主要由美国主导的原因是美国利用了世界上最好的人才。
如果中国想在基础研究方面领先世界，就必须走国际化的道路。今天有很多外国学生在中国学习，这是一件好事，但我们也可以做一些平衡调整，以吸引更多国家和地区的优秀学生来中国学习。
把数据驱动和知识驱动结合起来
人工智能的四个基础是:知识、数据、算法和计算能力。回顾历史，这四个因素一直在发挥作用。第一代人工智能也叫符号人工智能，它强调知识对智能的影响，因为当时算法和计算力都跟不上。
进入新世纪后，深度学习将每个人的目标浓缩到数据上。此时，大数据的出现，加上良好的算法，形成了基于概念的深度学习。结合云计算等手段，基于数据的连接模型得到了极大的推广和应用。
数字主义喊了很多口号，这让我们今天遇到了一些困难。根据大数据构建的人工智能系统似乎不可信、不可靠、不安全，难以推广。这些都是当前人工智能研究深入所带来的问题，也可以说是大数据所面临的挑战。如何解决这一挑战？唯一的方法是重新引入知识，并将数据驱动和知识驱动相结合，以实现可信和安全的第三代人工智能。
常识往往不在数据里
自然语言理解是人工智能领域的核心问题。无论是机器翻译还是自然语言应用，他们都试图通过分析符号序列来理解相关内容，这是第一代人工智能中所谓符号的核心方法。在第二代人工智能中，我们已经走上了深度学习的道路。这条路充满希望，但却非常危险，因为它无法解决可信的安全问题。
机器翻译现在只能翻译不重要的东西，因为如果它是错的并不重要，真正重要的场合需要人工同声翻译。机器最大的问题是它们缺乏常识，不知道自己不知道。这是一个大问题。知识包括两个方面，一个是我知道的，另一个是我不知道的。一个有学问的人不仅知道更多，而且知道更多他不知道的东西。那些傲慢的人都不学无术，不知道能吃多少碗饭。机器翻译也是一个问题。给机器的任何句子都可以翻过来，而且根本不理解也可以翻过来。
因此，常识是必要的，简单地翻译几个单词也需要大量的努力和积累。“说你能做到，或者你不能做到。”没有
