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(qū)動。

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

　　大概在70、80年代基本上統(tǒng)治了人工智能，所以人工智能對各個領(lǐng)域都有影響。對聲音處理的主要影響是大家試圖通過發(fā)聲和聽覺的機理來建立計算模型。早期做過很多努力，但是并沒有成功。主要原因是我們對人類聽覺機理了解的很少，這也是人工智能遇到的最大困難。我們對智能是什么到現(xiàn)在為止還沒有一個公認(rèn)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(xiàn)一個很大的問題。

　　當(dāng)初大家覺得可以搞人工智能，就認(rèn)為人類的智能來自于知識，知識在很多情況下可以用自然語言表達出來。根據(jù)這個思路，對比如醫(yī)療診斷或者其他的領(lǐng)域都做了一些所謂以知識為基礎(chǔ)的推理系統(tǒng)，這就是大家非常熟悉的專家系統(tǒng)。它的基本思路就是認(rèn)為人類的知識可以用自然語言表達出來，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(qū)動的方法也帶來新的活力。

　　第二個就是現(xiàn)在大家非常熟悉的連接主義或者深度學(xué)習(xí)。

　　講的簡單一點就是基于大數(shù)據(jù)的深度學(xué)習(xí)。90年代后，第一代人工智能進入低潮開始衰退，正好第二代人工智能引起了高潮。

　　深度學(xué)習(xí)為什么現(xiàn)在這么受歡迎，一個非常重要的原因是，原來輸進去的語音和圖像必須人工抽取特征，然后把這些特征輸?shù)缴窠?jīng)網(wǎng)絡(luò)去，對它進行分類。有了深度學(xué)習(xí)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去，圖像可以輸入原始的像素組成的點陣，由網(wǎng)絡(luò)自動抽取特征。這樣一來就使得深度學(xué)習(xí)變成了一個大眾化的工具，不要求你有專業(yè)領(lǐng)域的知識，誰都可以用。

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

　　語音識別在2011年以前，基本上正確率是80%，誤識率20%，幾乎不能用。到2015年的時候超過95%，到了2017年的時候，所有商業(yè)應(yīng)用的語音識別系統(tǒng)全是用深度學(xué)習(xí)，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(xí)。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(yīng)用場景就有很大的局限，應(yīng)用場景必須要滿足一下這5個條件：

　　必須具有豐富的知識或者大量的數(shù)據(jù)。如果這兩個都沒有，就做不了人工智能。第一代人工智能認(rèn)為智能的資源是來自知識，這是人工智能創(chuàng)建人一致的認(rèn)識。深度學(xué)習(xí)的發(fā)展，大家又認(rèn)識到到數(shù)據(jù)對人工智能的重要性。人工處理數(shù)據(jù)的能力遠(yuǎn)不如計算機，相反，計算機處理數(shù)據(jù)的能力則遠(yuǎn)超過人類，這也是深度學(xué)習(xí)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個條件，人工智能完全可以做到超過人類。即使問題非常復(fù)雜，比如圍棋，但它完全符合這5個條件，所以計算機戰(zhàn)勝人類理所當(dāng)然。只要符合這5個條件，就算今天超不過，明天計算機肯定會超過。

　　這5個條件的限制是非常嚴(yán)格的，很多問題不滿足這些條件。

　　對語音識別來講，如果有噪聲，就不滿足“確定性”這一條件。所以在有噪聲的情況下，語音識別的性能就會降低非常多。

　　最后一個非常重要的問題是人工智能安全。

　　目前的人工智能技術(shù)，特別是基于大數(shù)據(jù)的深度學(xué)習(xí)算法具有4個不：不安全、不可信、不可靠，不易推廣。

　　安全問題對語音區(qū)別也有很大的影響。剛才說過，深度學(xué)習(xí)給語音識別帶來非常大的好處，它的識別率原來幾乎不能用，到現(xiàn)在完全可以商用。但語音識別技術(shù)也非常脆弱和非常不安全。

　　下面的例子用來說明語音識別的脆弱性。

　　英文（語音）原話是這樣：“沒有數(shù)據(jù)集這篇文章是沒用的”，如果在這句話加上一點點噪聲，人聽起來完全一樣沒有變。計算機聽起來卻變成完全不同的話——“好的，谷歌瀏覽evil。com”。

　　換句話講，非常不安全，非常容易受攻擊，這就非常危險。

　　為什么現(xiàn)在聲紋識別比較魯棒？這個問題我是從鄭方老師那里受到啟發(fā)。聲紋現(xiàn)在沒有完全使用基于大數(shù)據(jù)的深度學(xué)習(xí)方法，據(jù)鄭老師講使用深度學(xué)習(xí)效果并不太好。

　　為什么聲紋識別到現(xiàn)在為止還沒有找到一個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(yù)處理方法，“預(yù)處理”實際上體現(xiàn)了某種知識的運用。所以目前來講我認(rèn)為聲紋識別帶有第三代人工智能的一些特點，所以它相對來講比較魯棒。

　　我們提倡第三代人工智能。

　　第三代人工智能一共是三句話：

　　1.構(gòu)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缺陷的“不”去掉）

　　3.推動AI的創(chuàng)新應(yīng)用。

　　我們要解決AI的產(chǎn)業(yè)問題，必須解決前面講的兩個問題，不解決的話AI的產(chǎn)業(yè)的是很難做大做強。解決問題的思路也比較簡單，即把知識驅(qū)動與數(shù)據(jù)驅(qū)動結(jié)合起來。結(jié)合起來的效果是什么？即充分利用了以下4個要素：知識、數(shù)據(jù)、算法和算力。

　　第一代人工智能使用了知識、算法和算力，當(dāng)時算力很差，所以第一代人工智能不是很成功。第二代人工智能，我們把重點瞄準(zhǔn)后面三個要素，數(shù)據(jù)、算法和算力。第二代人工智能之所以比較成功，由于這三個要素都很給力。

　　充分利用四個要素說起來容易做起來卻非常難，因為知識和數(shù)據(jù)表現(xiàn)形式完全不一樣。另外，知識很難獲取，我們剛才說做人工智能的困難在哪？智能本身都沒搞清楚怎么去做人工智能？當(dāng)前多數(shù)人走的是：Brain inspired computing（腦啟發(fā)下計算）的道路，有的把它翻譯成“類腦計算”，讓大家以為是個全新的東西。

　　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)（來自胡潤統(tǒng)計），全世界共40家，其中美國占20家，中國占15家，我國穩(wěn)居老二地位。其他英國、日本、以色列等國家相對都很少。但無論是國內(nèi)還是國際企業(yè)都面臨進一步做大做強的挑戰(zhàn)。

　　如何把聲紋產(chǎn)業(yè)做大做強？我認(rèn)為主要是要尋找新的應(yīng)用場景。我們團隊現(xiàn)在正在把語音識別或聲紋識別技術(shù)應(yīng)用到呼吸系統(tǒng)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個中心，其中兩個偏重于基礎(chǔ)研究，一個是從機器學(xué)習(xí)的角度，一個是從知識處理的角度。我認(rèn)為，知識和數(shù)據(jù)是驅(qū)動人工智能往前發(fā)展的兩個輪子。