张钹院士：基于大数据的人工智能
中国科学院院士、清华大学计算机系教授张钹：人工智能的现状与未来
此 ０ ｔ－Ｉ Ｊ、 个 息 肾 ｆＩ ０饥 川
以 ｒ１
例 ， ｌｌ 功 驶 ｉｉ。 址 通 过 数 动 的 、ｊ：：
Ｊ ‘ ， 、 ： ¨场 Ｈ ｜１缘 分制 ．削 圳 址 １一 、ｆ 人 址逊
路 ， ｊ 此址 、 ． 他 ）１
维坝 Ｊ 规 划ｆ 驶路 ．ｆＩｌ
！ 础 ，Ｊ 』【：小 悲ｍＹ｝ 路 Ｆｌ１０ｆ 驶 ，Ｊ ＩＩ‘算 ＬＩＩｆ Ｌ、ｚ
过 数 功 ，Ｊ‘ 术 －Ｊ『ｌ ＿ｉ卜ｒ 种 １ ｆＩＩｆ 人 的 仃 ．然
Ｊｎ ·Ｉ Ｉ 出 Ｉｊｆ 人 戈７１，川 ｆＪｌｆ戏ｊ ｊ 讪 规 ０ １４Ｉｔ『０ Ｊ ， 、ｌ。钾： Ｌ决 策
姚 全 失 效 ｆ Ｊ 的 人 ｆＪｌ划 城 川 Ｌ。 人 饥 刈 ｉ 拽 术 Ｊ 小
欠谜 川 泉水 、卜 ｌ ；人 肌 对 ｉ 火地 址 决 ｆ：Ｊ【 －ｄ人 的
｛１ＩＩ川！ｍ ，【ｎ ｛Ｊｌ 十 ｛ｌｔ÷ Ｉ＿｝ 统 ｆｆ‘＿ｒ ｍ 。 物 ， 炎似 Ｊ＝ ，＼
ｍ ｌｌＰ．’’器 ． 九 ｆｌｌＩ！（划 Ｊ 久的 州 ｝ｔ 深 ｊ逆 、 ： Ｉ！Ｊ［址 ｊ呐 科 、 ：
从 ｆ：Ｉ‘６Ｊ｛。力 牝 ， 人 ｒ 能 ｝】的 Ｊ＿Ｊ 仃 ｌ’： 、 摸 ＿ ｆｌＩ心 ｝｝
（本文根据中国科学院院士
、
清 华 大 学 计 算 机 系 教 授 张 钹 在 ｃ ＥＲＮＥＴ第 二 十 五 届
ｆ｝ｌ５址 外 … 人 捉 … 水 的 ． 人 Ｉ 能 的 ’也… ＩＩ ＩＪ 泛 ，统 ｉｆ 、 ： 学术年会上的演讲内容整理，未经本人审阅；整理：袁玉凝 ）
自 动 驾 驶 主 要 是 通 过 数 据 驱 动 的 学 习 方 法 ，学 习 不 同 场 景 下 的 图 象 分 割 ，判 别 是 车 辆 还 是 行 人 、 道 路 等 ， 基 于 此 建 立 三 维 模 型 ， 在 三 维 模 型 上 规 划行驶 路径 ，但 是自动 驾驶并 不能解 决复杂 路况 下 的 行 驶 问 题 。
张钹院士简历 - 重庆邮电大学计算机科学与技术学院
张钹院士简历
张钹，清华大学计算机科学与技术系教授，中科院院士。
1958年毕业于清华大学自动控制系，留校任教至今。
1980年至1982年在美国UIUC做访问学者。
现任清华大学信息技术研究院指导委员会主任，福建省政府技术顾问，微软亚洲研究院技术顾问等。
张钹教授主要从事人工智能、神经网络、遗传算法、智能机器人、模式识别以及智能控制等领域的研究工作。
在上述研究领域，共发表150多篇论文及4部专著（其中有2部为英文版）。
在过去二十多年中，张钹教授系统地提出了问题求解的商空间理论，包含了多粒度空间中的转换、合成以及推理方法。
这个理论已经成为粒度计算领域中的重要分支，并应用于规划、搜索、机器学习、信息处理等方面。
近年来，他建立了神经与认知计算研究中心以及多媒体信息处理研究组。
该研究组已在图像和视频的分析与检索方面取得一些重要研究成果。
一、清华大学人工智能研究院成立视觉智能研究中心,邓志东教授任中心主任_108
张钹院士致辞2019年6月21日，清华大学人工智能研究院视觉智能研究中心成立仪式暨技术前沿与产业报告会在清华大学FIT楼举行。
清华大学副校长、清华大学人工智能研究院管委会主任尤政院士，清华大学人工智能研究院院长张钹院士出席成立仪式并共同为中心揭牌。
清华大学人工智能研究院院长助理朱军教授主持了成立仪式。
这是人工智能研究院成立的第7个中心，分别如下：知识智能研究中心（李涓子教授任中心主任）听觉智能研究中心（郑方研究员任中心主任）基础理论研究中心（朱军教授任中心主任）智能机器人研究中心（孙富春教授任中心主任）智能人机交互研究中心（史元春教授任中心主任）智能信息获取研究中心（马少平教授任中心主任）视觉智能研究中心（邓志东教授任中心主任）各个研究中心成立过程如下：一、清华大学人工智能研究院成立视觉智能研究中心，邓志东教授任中心主任2019年6月21日，清华大学人工智能研究院视觉智能研究中心成立仪式暨技术前沿与产业报告会在清华大学FIT楼举行。
清华大学副校长、清华大学人工智能研究院管委会主任尤政院士，清华大学人工智能研究院院长张钹院士出席成立仪式并共同为中心揭牌。
清华大学人工智能研究院院长助理朱军教授主持了成立仪式。
尤政院士致辞尤政院士在致辞中指出，人工智能不仅是当代科技前沿，更是各国战略竞争的制高点。
人工智能正在对经济社会发展和人们生产生活产生巨大的影响，也在学术界、科技界和产业界掀起了研究与应用的热潮。
视觉是人类认识客观世界的主要途径, 人类感知的外部信息80%以上来自于视觉，这个比例也与目前全球视觉人工智能创新企业的占比基本接近。
一方面，缺乏更新一代视觉人工智能基本方法的创新研究是走不远的；另一方面，应用层面的创新落地如果没有视觉人工智能的支撑，也很难想象。
视觉智能研究中心是清华大学人工智能研究院整合资源、推动视觉人工智能核心技术突破与产业融合创新的一个重要举措，也是人工智能研究院成立的第7个中心。
希望视觉智能研究中心加强与产业的跨界深度融合，重点开展可信安全的机器视觉理论及其关键技术的研究，通过与产业细分应用场景的结合，力争在智能制造和智能辅助医疗上获得创新性应用，满足国家重大战略需求与经济社会发展需要。
张钹院士简介
张钹院士简介清华大学计算机系教授，中国科学院院士。
1935年出生，福建福清人。
1958年毕业于清华大学自动控制系，同年留校任教至今。
1980年至1982年作为访问学者在美国伊利诺依大学从事人工智能研究。
现任清华大学人工智能研究院院长。
曾任清华大学学位委员会副主任委员、清华大学信息科学技术学院学术委员会主任、“智能技术与系统”国家重点实验室主任、国家“863”计划自动化领域机器人主题专家组成员、中国自动化学会机器人专业委员会副主任及智能控制专业委员会主任、《计算机学报》副主编等职。
1995年当选中国科学院院士。
长期从事人工智能、人工神经网络和遗传算法等理论研究，以及这些理论在模式识别、机器人和智能控制等领域的应用研究。
在人工智能理论方面，系统地提出了问题分层求解的商空间理论；解决了不同粒度空间描述、相互转换及计算复杂性分析等问题；提出了多层信息综合、不确定性处理、定性推理、规划与搜索等新的原理与模型，有效地降低了计算复杂性。
在人工神经网络方面，系统地分析了典型神经网络模型，给出了该网络各项性能的定量结果；提出一种自顶向下新的人工神经网络构造性学习方法，有效地提高了它的性能。
在上述领域，共发表论文100余篇，中文专著两部，英文专著两部。
先后获ICL欧洲人工智能奖，国家自然科学三等奖，国家科技进步三等奖，教委科技进步一等奖、二等奖，电子部科技进步一等奖，国防科工委科技进步一等奖。
还获得全国优秀科技图书奖暨科技进步奖（科技著作）一等奖，中国优秀科技图书一等奖，两次获教委高校出版社优秀学术专著特等奖。
1991年获北京市优秀教师称号，还多次荣获国家科委颁发的个人“金牛”奖、“为国家重点实验室做出重大贡献的先进工作者”等奖励。
中国科学院院士张钹：我们正处在AI算法不可控的危险状态
中国科学院院士张钹：我们正处在AI算法不可控的危险状态8月19日，2022世界机器人大会主论坛正式开幕，期间，有三位院士到场，就“未来机器人：目标、路径和挑战”的主题进行了一场深刻的谈话。
三位院士分别为中国科学院院士，清华大学计算机系教授、清华大学人工智能研究院名誉院长、人工智能国际治理研究院学术委员会委员，微软亚洲研究院技术顾问的张钹；中国工程院院士、机器人技术国家工程研究中心主任，辽宁省科学技术协会主席，北京邮电大学自动化学院王天然；中国科学院院士，中国科学院自动化研究所研究员、机器人理论与应用专家乔红。
“短短一个小时内，三位机器人领域的顶尖专家就人工智能与机器人的区别、智能机器人的未来、为什么要人机共融、机器人目前面临的伦理思考等多个话题进行了探讨。
人工智能与机器人的区别在会上，张钹提到，第二代人工智能的算法是利用深度神经网络和对数据的训练来形成人工智能的，而纯粹靠数据驱动的方法必然不可解释、不可靠，因此即使机器人的智能还很低，但人工智能算法的不可控仍然可能使人类处于危险状态。
在很多人的印象里，“机器人”和“人工智能”好像是两个不分家的概念，甚至于现在的机器人只要一被提起，就自带“智能”的先天属性。
然而，在张钹看来，机器人和人工智能是两个完全独立的领域。
“最明显的一点，它们的目标完全不同。
人工智能是用机器来模仿人类的智能行为，追求的是机器行为与人类行为的相似性，甚至是越相似越好；而机器人则是为了协助人类完成一些本来是由人来完成的任务，追求的是完成任务或者人类信任。
”张钹说。
而在这个以机器人为核心主题的世界机器人大会上，张钹也详细科普了机器人的三大主要研究内容：1.执行结构；机器人的目的就是要（在物理世界里）完成任务，所以必须要有执行机构，这种机构可以是仿真动物，也可以建立在电机和齿轮传动的基础上。
而这项内容在人工智能领域中就不一定要做。
2.能源；尤其是针对移动机器人，高效的能源是关键问题。
张钹院士：人工智能当前最大问题，不可解释和不可理解
张钹院士：人工智能当前最大问题，不可解释和不可理解这是一场没有悬念的比赛。
5月27日，中国棋手柯洁与人工智能AlphaGo展开三番棋比赛的终局对决。
历经3个多小时的对弈后，柯洁投子认输。
至此，柯洁连输三局完败。
这场比赛在很多人看来，在科学价值层面已经失去看点。
因为，人类在某些方面不如人工智能早已不新鲜，倒是未来人工智能发展中的新挑战也许更值得关注。
人工智能有哪些问题需要解决？未来发展趋势如何？本报记者专访了中国科学院院士、清华大学教授张钹，共同探寻人工智能接下来的种种可能。
人工智能为何近些年大显身手？人工智能（Artificial Intelligence），英文缩写为AI。
从1956年的美国达特茅斯会议算起，明确提出人工智能的概念并开始科学与技术的研究已有61年。
张钹院士从1978年就开始研究人工智能，在他看来，人工智能实际上是让计算机模仿人类的三种功能。
第一种是模仿理性思考，包括推理、决策和规划等，属于人类的高级智能，或者叫逻辑思维。
第二项是模仿感知，对周围环境的感知，包括视觉、听觉、触觉等。
第三项是模仿动作，包括人类手、脚和其它动物的动作。
此外，情感、灵感和创造性等也在研究之列，但相对来讲，进展要小一些。
人工智能模拟大脑神经元网络的某些工作机理，即人工神经网络（ANN），早在上世纪60年代就问世了，为何近些年才开始大显身手？这主要取决于以下三个要素有了长足进步：第一、多层神经网络（深度网）与其相应的有效学习算法，即深度学习算法；第二、大数据；第三、计算资源（计算能力的提高）。
最初并没有把AlphaGo放在眼里由于围棋的复杂度远比象棋高，因此这两种棋类下棋的方法有本质的区别。
下象棋与下其他棋类一样，靠的是推理、预测，即往前看几步。
围棋由于复杂度太高，不可能依靠推理与预测，主要靠“直觉”，即“棋感”与经验。
由于过去大家没有认识到这种区别，采用编写象棋程序的同样方法来编制围棋程序，其结果是围棋程序的下棋水平很低，至多达到业余4-5段的水平，根本不是职业围棋手的对手。
计算机发展与科教兴国——专访中国科学院院士、清华大学张钹教授
未 来 的半个世 纪 中仍将 继 续 保 持 。值 得 一 提 的是 ， 随着 计 算 机 硬 件 性 能 的 提 高 ， 价 格 反 而 成 指 数 其
下降。
硬 件 的提升 使计 算 机 体 格 强 壮有 力 ， 软件 的创 新令计 算机 如 虎 添翼 。这 其 中有 两个 人值 得 铭 记 ：
是他首 先把 机器 码 编程 变 成 高 级 编程 ， 得软 件 有 使
了一个 本质 性 的变 化 ； 一 个 是 比 尔 ・ 茨 ， 的 另 盖 他 远 见卓 识成就 了微 软 的 诞 生 和发 展 ， 使 软 件 变成 并
一
史上计算速度最快的工具 。每秒钟 １ ０ 万亿次 的 ６ ２ 峰值速度 和每秒 ５ ３ １ 亿次 的 Ｌｎａｋ实 测性 ６． 万 ｉ ｅ ｐ 能， 中国成为继美 国之后世界上第二个能够 自主 使 研制千万亿次超级计算机的国家。
这个 速 度 意 味 着 ， 果 用 “ 河 一 号 ” 算 一 如 天 计
高到 １ 次／ ， ０ ｓ存储 密 度 从 １ ｂ／ｎｈ 高 到 １ ０ ｉ ｉｃ 提 ｔ ０
ｂ ／ｉｃ 传 送 速 度 从 １ ｂｔｓ提 高 到 １ ｂｔｓ ｉ ｎｈ ， ｔ ０ ｉ ／ ０ ｉ 。 ／ 纵 观计 算 机 的 发 展 可 以看 出 ， 算 机 从 诞 生 之 时 计
起， 其硬 件性 能指 标 满 足指 数 增 长 ， 合 摩 尔 定律 ， 符
一
棋、 作古诗 、 谱曲等 ， 但是计算机硬件使用这些程序
之后 ， 便有 了学 习 和推 理 能 力 。计 算 机 通过 从 数 据
库 中学 习 的 ６ 万种 棋局 ，０几 万行 古诗 ，０几 万 ０几 ２ ４
个是 提 出 Ｆ Ｒ Ｒ Ｎ高级语 音 的 Ｊｈ Ｂ ｃ ｕ ， ＯＴＡ ｏ ｎＷ． ａｋ ｓ
中国科学院院士 清华大学计算机系教授张钹 中国人工智能奠基者之一
中国科学院院士清华大学计算机系教授张钹中国人工智能奠
基者之一
本刊编辑部
【期刊名称】《中国高新科技》
【年(卷),期】2024()5
【摘要】大师档案张钹,男,1935年生于福建省福清市。
清华大学计算机系教授,中国科学院院士,清华大学人工智能研究院名誉院长。
2011年被德国汉堡大学授予自然科学名誉博士,获2014年度CCF(中国计算机学会)终身成就奖、2019年度吴文俊人工智能科学技术奖最高成就奖。
他从事人工智能、人工神经网络和机器学习等理论研究,以及模式识别、知识工程和机器人等应用技术研究,在上述领域发表学术论文200多篇,出版了5部(章)专著。
其科研成果获ICL欧洲人工智能奖等。
此外,他是智能技术与系统国家重点实验室创建者之一,并于1990-1996年担任该实验室主任。
【总页数】2页(P5-6)
【作者】本刊编辑部
【作者单位】不详
【正文语种】中文
【中图分类】TP1
【相关文献】
1.计算机发展与科教兴国——专访中国科学院院士、清华大学张钹教授
2.基于科学素养的机器人教育与人才培养\r——访清华大学人工智能研究院院长张钹院士
3.中国科学院院士、清华大学计算机系教授张钹:\r人工智能的现状与未来
4.人工智能,从过去到未来--记中国科学院院士、清华大学人工智能研究院名誉院长张钹
5.中国工程院院士、清华大学计算机系教授郑纬民:人工智能大模型训练硬件软件都面临挑战
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
比如在图像识别（微软）和语音识别（）领 域机器都超过了或略低于人类深度学习成功的三大法宝 数据 计算资源 算法
AlphaGo用了两个多星期的时间，学了7千万局 棋局。最好的棋手一生中所下的棋局是百万级， 而AlphaGo下过的棋局是几十亿级的。 除了数据和计算资源之外，AlphaGo能够在两三 周里学到几千万个棋局，靠的是学习算法，它自 己能自己下棋，靠的是强化学习算法，
和国际先进水平相比，中国的人工智能处于什么位置?
看起来
这几年，中国在学术研究方面取得很多进展，在重要 的国际会议、重要的期刊杂志上，中国论文也占了相 当的比重。中国有数量庞大的网民，在网络数据上占 有相当优势的地位，中国市场需求巨大
实际上
在基础、算法的研究上，中国和世界顶尖水平还相差 甚远。人工智自1956年诞生至今，一直是美国在引领 人工智能领域的发展。 美国和加拿大等国的科学家还在不断的创新，如果我 们不重视基础/算法理论研究，要赶上或超过世界的先 进水平是有困难的。
基于大数据的人工智能
---张钹院士| 首届世界智能大会 2017
张钹 1935年3月26日出生于福建福清，计算机科学与技术专
家，俄罗斯自然科学院外籍院士、中国科学院院士，清华 大学教授、博士生导师。现任清华大学人工智能研究院院 长。 主要从事人工智能理论、人工神经网络、遗传算法、分 形和小波等理论研究；以及把上述理论应用于模式识别、 知识工程、智能机器人与智能控制等领域的应用技术研究
• 鲁棒性差
今后的方向----人机合作
• 人机合作的关键
– 机器如何理解人。
• 自然语言理解：机器可以听懂人类用自然语言发的 命令
– 人如何理解机器
• 深度学习导致的机器的不可理解性：深度学习建立 的系统，实际上跟人的思路很不一样。 • 为什么机器的思路跟人不一样：因为机器要用专业 的语言处理任务。 • 比如机器怎么识别猫：它只是从一些局部的特征， 局部的纹理来识别，而不是从猫的整体。机器要取 得整体的特性是非常困难的，所以它都是在利用局 部特性，在一个特征空间里去认识猫，和人认识猫 的角度完全不同，
满足四个条件机器才能超过人类
• • • •
人工智能在解决以下类型问题时，不管问 题多么复杂，都可能做到甚至超过人类的 水平。 （1）有充足的数据（或知识） （2）完全信息 （3）确定性 （4）单领域。 只要符合这四个条件，并且依靠深度学习 的三大法宝基本都可以达到或者超过人类 的水平。
下一步怎么办 • Google《一个模型可以学所有的任务》：在一个 网络里，一个模型里同时学习了八项任务，包括 机器翻译，图像识别，图像解释等。并得出结论： 这些任务之间不仅不会互相干扰，在一定程度上 还略微有帮助。 • 目前北美还在引领这些发展，如果中国只低头用 深度学习去解决应用问题，要达到引领是不可能 的。 • 人工智能现在做不到举一反三，人工智能现在学 习的是举一百反一。我们要解决小样本甚至零样 本学习的问题
深度学习并非万能 • 需要大量的样本。有些问题很难获取很多样本 • 推广能力差。不能举一反三 • 不可理解性。深度学习建立的系统，实际上跟人的思路
很不一样
为什么机器学习的效率这么低
• 不理解性
– 要让计算机认识一只猫，就要用各式各样的样本在不 同背景下的猫去训练它，而且只有跟它相近的背景、 相近的角度拍下的猫它才认识，如果背景变了，猫拍 摄的角度变了它也不认识了，所以这是它的一个根本 性的问题，它不理解。
基于大数据的深度学习 深度学习的提出，在人工智能领域中是一个重大 突破。
以往，人工智能只能用来解决人们对它非常了解，而 且能够清楚的将它表达出来的问题，深度学习拓展了 人工智能所能解决问题的边界。
深度学习具有一定的通用性
深度学习是一种大众化的工具，它大大延展了每个人 解决问题的领域，只要拥有这个领域充分的数据就能 够做研究。
如何利用深度学习
深度学习时代依靠的是数据，计算机在向量空间 处理数据。缺点是做出来的东西是不可理解的， 跟人的做法完全不同。 • 研究方向
– 寻找中间量，即“语意的向量空间”
• 两大任务
– 如何把文本符号的东西变成向量 – 如何将数据向量空间提升到语意中
总结 • 深度学习不是我们的突破，深度学习只是 展示了突破的希望，因为深度学习并没有 构造真正的智能。 • 重点是如何突破将来人工智能要解决的基 础和关键性问题，而不仅只是低头跟随性 的应用深度学习。 • 只有从这点上着手，我们才有可能实现在 人工智能领域追赶、超过甚至引领的目标。