人工智能是否会再次进入严冬？深度学习是否达到了发展的天花板？AlphaFold给我们什么启示？可解释性和通用性是不是当前最重要的研究方向？符号主义与联结主义融合的前景如何？中国如何发展人工智能技术和产业？本文将讨论以上几个理解人工智能的问题。
人工智能(AI)自诞生以来就众说纷纭，争议不断。近几年人工智能的高速发展也是在人们乐观与悲观情绪的交织中进行。今后几十年人工智能技术能否健康发展，取决于人们对这一「头雁」技术的认识。从某种意义上讲，人类的未来也取决于决策部门、科技人员对人工智能的正确理解。30多年前，我也算是人工智能的「弄潮儿」之一，虽然现在已不在科研第一线，但仍然是人工智能技术和应用的「观潮者」。我在这篇文章里讲几点「过来人」的观感与认识，仅供大家参考，不当之处，请批评指正。
人工智能会不会再次进入严冬？
对人工智能的发展现状的评价一直存在争议，有人说人工智能处在火热的「夏天」，也有人认为它即将再次进入「严冬」。近年来，斯坦福大学每年都发布「人工智能指数报告」 (The AI Index Report)，2021年的报告指出，近十年计算机视觉研究取得巨大进展，已实现产业化；自然语言处理近年来进展较快，已经出现了语言能力显著提升的人工智能系统，开始产生有意义的经济影响。斯坦福大学的报告比较中肯，基本上代表了人工智能界多数学者的看法，既肯定了人工智能最近取得的进展为企业提供了大量机遇，又强调必须注意采取措施降低使用人工智能的风险。我们在对人工智能的前景做判断时，既要看到人工智能技术的高速发展和巨大潜力，又要看到现有技术的局限性和人工智能理论取得重大突破的艰巨性。
前几年人工智能界许多人认为，深度学习在自然语言理解方面还难以取得大的突破，但近两年人工智能系统在这一领域取得较大进展，有点出人意料。不论是斯坦福大学发起的机器阅读理解比赛SQuAD(Stanford Question Answering Dataset)，还是纽约大学等单位组织的通用语言理解评估基准(GLUE Benchmark)比赛，机器阅读理解的成绩已超过人类平均水平。百度、阿里等国内单位多次在比赛中夺冠，反映出中国在自然语言理解方面已处于国际领先水平。但这种刷榜式的比赛成绩未必真实反映了目前的人工智能系统的理解能力。加拿大学者发起了威诺格拉德模式挑战赛(Winograd Schema Challenge，WSC)，通过对模糊指代的测试（句子中「他」是指谁）考验人工智能系统的常识理解水平，结果人工智能系统的得分很低。近年来GPT-3(Generative Pre-trained Transformer，生成性预训练变换器)和BERT（Bidirectional Encoder Representations from Transformers，基于转换器的双向编码表征）等模型在WSC测试中也取得过84%以上的高分，2020年人工智能促进协会(AAAI)大会上一篇提出WINOGRANDE测试（WSC的变种）的论文荣获了最佳论文奖，该文指出我们高估了现有模型的常识推理能力。
在2011年美国智力竞猜节目【危险边缘】( Jeopardy! )中，IBM的Watson计算机击败了两位顶级选手后，IBM将医疗作为人工智能科研转化
