AI各个研究方向都在继续发展，我常跟学生说，任何研究领域都时热时冷，AI由于其研究智能这个问题的特殊性命运更是大起大落，看潮起潮落，AI研究者要保持恒温。

若要我挑一个下一步AI学术研究方向，我想很可能是：“逻辑+概率+神经元”。

先讲下逻辑，按教科书的定义，逻辑学是研究人的思维，换言之，逻辑是研究智能的，可看成人类两千多年来对智能研究的学科，直至上世纪初，发展到数理逻辑，逻辑成为数学基础，已偏离了原始目标，逻辑进一步发展成为计算机科学基础，也自然成为AI的基础，因为数理逻辑仍是至今最好的工具来表示知识，AI逻辑进一步发展从数学中走出来回到逻辑的原始目标，解决思维即智能的问题。逻辑在AI研究的作用主要体现在模拟人类拥有知识，并运用知识去解决问题，这方面研究是AI中的知识表示，命题逻辑表达能力不够，一阶逻辑具有强大的表达能力，但不能表达常识，也难于实现。深度学习之前上一个AI研究热点就是扩展一阶逻辑来解决常识推理问题。逻辑在AI中有很多应用，如逻辑程序设计语言Prolog，只是大众不知道而已，再之前，AI逻辑中的归结方法能做定理机器证明，这在当时引起的轰动不下于阿尔法围棋，因为数学定理证明也是一个体现高级智能行为的领域，数学定理所代表的这部分知识可称为理性知识，也是AI要面对的，以深度学习为代表的机器学习方法对这种理性知识或定理证明显然无能为力了。

接下来简单点讲概率。概率论是古老的数学工具，AI实践表明，概率仍然是处理不确定知识最好的工具，AI发展的概率图模型有很多应用。实际上，很多应用领域缺乏工具时，都可用概率统计来解决问题。概率从基础上看是从公理出发来定义的，跟逻辑有关，但概率只能表达相当于命题逻辑的知识，不能表达一阶逻辑的句子，“逻辑+概率”已有一些研究结果，如一阶概率逻辑和统计关系学习，可把逻辑和概率的能力互补。

最后讲神经元。1943年McColluch和Pitts发表神经元的数学模型的论文，主要就是要证明神经元组成的网络具有命题逻辑的表达能力。1951年数理逻辑学家Kleene基于神经元模型，发展出正则表达式和有限自动机，并证明了其等价性，因此人工神经网络由于等价于有限自动机可作为一种计算模型，象正则表达式在程序语言和自然语言处理中随处可见，深度学习用来进行如机器翻译这种文本处理是有理论根源的。从根本上说，神经网络并不完全是所谓的连接主义方法，并不与逻辑和概率所代表的符号主义截然分开。1969年Minsky和Papert证明了人工神经网络连命题逻辑中“异或”这种表达式都表达不了，这刺破了神经网络的泡沫，导致神经网络研究的第一次低潮。从另一方面看，深度学习所代表的神经网络能很好地解决识别问题，比如语音识别，对于这种识别问题逻辑是毫无用武之处的，只有经过深度神经网络学习获得并变成知识才能进一步用逻辑来做推理。深度学习仍有许多处理不了的问题，甚至还没有命题逻辑的表达能力，这些问题现有最好的方法仍是用各种概率模型，而一些深度神经网络早就结合了概率模型。深度学习本质上是归纳学习，归纳学习哲学上称为归纳推理，从逻辑上把归纳学习看成归纳推理，可在学习过程中用到知识。

总之，从技术上，逻辑如知识图谱为代表的工作表现为图形式，概率已有各种图模型，深度神经网络也是图模型并与一些概率图模型很密切的关系，假设能以图模型把三者结合在同一框架中，那是很了不起的工作，可获得现在AI所能看到的最好的结果。当然，“逻辑+概率+神经元”不是简单的集成，那是没有学术意义的，需要新的突破。不仅学术研究，现在AI学术界与工业界有紧密的互动，这种新方向的研究成果也有可能从一些公司中产生。

说到这里，这个研究方向有我的个人偏好，不一定是正确的方向，只是我感兴趣的问题。

人工智能在企业中应用，对智能产品和企业智能化发展有什么看法？

林作铨：

这个问题涉及太多，不是短时间能说清楚的，简要聊聊。AI在企业中应用，有一个商业模式问题。现在很多AI初创公司都赶深度学习这趟车，如语音人脸识别等等，所用技术都一样，性能差不多，显然这些公司大多数终将倒闭。基于AI的商业模式设计比较难把握，要能把AI技术贯穿到整个商业活动中，看到盈利可行性。例如，汽车出行模式就较好用到AI技术，而共享单车模式显得简单粗暴，不如十几年前有过的能够基于AI技术的分时资源共享系统。