机器学习主要是依赖于监督学习，这里面有什么优势和局限性？优势只有一个，大家在自动驾驶，在 AlphaGo 里面已经看到，就是在特定场景下通过机器学习得到的模型做出的判断，可以逼近甚至超过人。在 AlphaGo 系统里有两个模型，能够循环被使用。在不同的棋局里，循环使用这两个模型，帮助 AlphaGo 系统做出正确判断。这样一个简单的架构，就能够完成非常智能性的或者看上去非常智能性的任务。

　　机器学习也有几个局限。第一个局限是机器学习严重依赖于数据，我们训练数据提供的不充分，就可能会误导这个系统。刚才 Thomas Dietterich 教授也介绍到这样的例子，比如人脸检测的工作，如果给出的训练数据不充分，系统很难在所有情况下检测出照片中的人脸。人躲在墙后面或者人把脸捂上的时候，系统就检测不出人脸。要让系统做得非常好，实际上要给这个系统提供大量的不同情况下的数据，数据驱动是机器学习的重要特点，换句话说也是它的局限性。

　　机器学习的第二个局限：构建机器学习系统的时候，一定要事先想好这个模型的类型是什么，比如要做分类，把红的点和绿的点分开，正例负例分开，我们可以考虑用一个线性模型，就是用直线把红点绿点分开，也可以考虑用一个非线性模型，就是用曲线把红点绿点分开。这个设计就左右了我们的机器学习系统到底能不能很好完成任务。如果让系统选择最好的直线把正例和负例分开，结果一定非常不好，因为这里的数据的分布本身就是曲曲弯弯的，需要用非线性模型，用曲线才能把它们分开。我们构建机器学习系统的时候，事先要做一个决定，这个模型大概是什么类型，模型的集合到底是什么？我们事先要有设计，这个设计会严重影响我们这个系统的性能。

　　如果把智能系统做一个分类，可以这样去做：先看环境是不是动态变化的，如果环境只是遵循一定规律、不是动态变化的话，这样的智能系统可能就是一般的工业机器人。如果环境是动态变化的，接下来的问题是我们要不要让这个机器人去执行不特定多种任务，也就是说做的事情是不是事先定好了。事先定好的任务就是自动驾驶这样的情况。假想未来有一个建筑机器人，能在建筑工地跟建筑工人一样去工作，那么这时候的情况就比较复杂了。我们事先很难设想到底有哪些任务需要建筑机器人去做。这是机器学习的第三个局限，很难去执行不特定多种任务。回到建筑机器人这个例子，这个机器人可以搬砖、摆砖，但是砖墙倒了让它清理，这个机器人可能就不会做了，没有设计让机器人完成这样的任务，机器人不会像人一样在复杂动态的环境里去自主判断做事情，它所能够完成的任务都是事先定义好的。

　　弱人工智能在某种意义上有局限性。弱人工智能也有很大的威力，弱人工智能还是非常强大的。弱人工智能主要基于机器学习和大数据，现在的人工智能就是机器学习、大数据，这一招，还没有跟推理等结合起来。但是，就是这一招已经能把人工智能做得非常好了。有很多这样的例子，可以把智能系统的智能水平不断提高。阿基米德曾经说过，给我一个支点，我能把地球撬起来。对人工智能来说，对现在的机器学习来说，给我们无穷多的数据，我们也能够实现人工智能。

　　3. 人工智能的发展机遇

　　大家观察一下就会发现，所有的人工智能系统都有这样一个规律，我叫它“人工智能闭环”。你有一个系统，还有用户、数据、算法。先有系统，建好以后有用户用了，能够产生大量的使用数据。这些数据又能帮助我们提高算法的性能，最后提高系统的性能，提高了性能的系统又能更好地帮助用户，我们有这样一个闭环，最后使用户感受到系统越来越智能。观察所有的人工智能系统，基本上都遵循这样的规律。这样在特定的场景下，能够跟我们人做出同样的甚至更好的判断。

　　华为：用 AI 实现全自动智能通信网络