人工智能在全世界都受到了高度關注。國務院在2017年7月印發了《新一代人工智能發展規劃》，教育部2018年4月制定了《高等學校人工智能創新行動計劃》，明確提出要“支持高校在計算機科學與技術學科設置人工智能學科方向，推進人工智能領域一級學科建設”“加大人工智能領域人才培養力度”，為我國新一代人工智能發展提供戰略支撐。
人工智能教育關注的應該是弱人工智能
關于人工智能，長期存在兩種不同的目標或理念。一種是希望借鑒人類的智能行為，研制出更好的工具以減輕人類智力勞動，一般稱為“弱人工智能”;另一種是希望研制出達到甚至超越人類智慧水平的人造物，其研究目標具有心智和意識、能根據自己的意圖開展行動，一般稱為“強人工智能”。
國際主流人工智能學界所持的目標是弱人工智能。人工智能技術現在所取得的進展和成功，是緣于“弱人工智能”而不是“強人工智能”的研究。用國際人工智能聯合會前主席、牛津大學伍爾德里奇教授的話來說，強人工智能“幾乎沒有進展”，甚至“幾乎沒有嚴肅的活動”。
事實上，強人工智能還涉及科學研究的倫理問題，這也是主流人工智能學界不往這個方向努力的原因之一?；艚鸬热怂鶕鷳n的“人工智能有可能是人類文明史的終結”，實質就是對強人工智能的擔憂。因為具有“自主意識”、能力全面超越人類的，將不再是能被人類控制的“工具”，無法保證它的“利益”與人類一致。
人工智能教育所關注的應該是有助于為人類社會謀福祉的、有助于解決產業創新需求的、有助于學生未來職業發展的內容，顯然，關注的應該是弱人工智能。
“人工智能”還是“智能科學”?
目前已有“智能科學與技術”專業，能否代替“人工智能”呢?
顧名思義，“智能科學與技術”所關注的是“智能”。“人工智能”和“智能”的關系，類似于“飛機(人工鳥)”和“鳥”的關系。研究飛機顯然不同于研究鳥科學。鳥科學本身很重要，但它并不是培養飛機制造者所必須掌握的科學知識，對鳥沒弄清楚并不妨礙造飛機，飛機的飛行方式也不需與鳥的飛行方式相同。
事實上，人工智能更多的是與計算機科學、數學、工程學有關，而智能科學本身則更多是與認知科學、神經科學、腦科學有關。人工智能人才培養的迫切性，主要源于人工智能產業蓬勃發展所導致的對人工智能人才的旺盛需求。
習近平總書記在十九大報告中強調，要推動“人工智能和實體經濟的深度融合”。以計算機科學、數學、工程學為主要基礎的人工智能科學技術目前已能在實體經濟中發揮作用，而以認知科學、神經科學、腦科學為主要基礎的智能科學技術，與實體經濟的深度融合似乎還為時尚早。
對創辦一流大學人工智能教育而言，目標應該是高水平的建筑設計師、土木工程師，乃至于建筑大師。簡而言之，我們的目標應該是培養在人工智能領域具備源頭創新能力、具備解決企業關鍵技術難題能力的人才。
人工智能人才需要何種知識結構?
人工智能所要解決的通常是涉及不確定性的復雜任務，從其任務求解過程來看，首先要對復雜現實進行抽象建模，然后對模型算法分析設計，進行軟件程序實現，基于強力計算平臺進行高效擴展，再通過試用反饋迭代改善。這決定了高水平人工智能人才需要：數學基礎好、計算/軟件程序功底扎實、人工智能專業知識全面。
首先，無論是在抽象建模還是模型算法分析設計環節，都需要依賴良好的數學基礎，因為人工智能所面對的問題千變萬化，這導致了其所涉及的數學工具種類多樣。事實上，人工智能的核心領域——機器學習是計算機科學中對數學基礎要求最高的分支之一。
第二，復雜現實任務通?？梢詮亩喾N角度進行抽象，而不同的抽象將導致巨大的差異。抽象出的問題是否可計算?從程序代碼的角度是否易實現?從計算平臺的角度是否便于高效處理?…… 回答這些問題需要在算法分析/程序設計/計算系統方面具備扎實的基礎。事實上，對一些現代大型人工智能程序而言，甚至連高維數組的存儲順序都需做到優化，這如果沒有扎實的計算/軟件程序功底顯然是不行的。
第三，在解決現實的人工智能應用任務時，往往同時涉及多種人工智能專業知識，需有效進行融合發揮。因此，高水平的、能解決企業關鍵技術難題的人工智能人才，必須具備全面的人工智能專業知識。這就引出了下一個問題：
人工智能自身的專業知識有哪些?
不妨簡單回顧一下人工智能這個學科領域的發展歷程。
目前一般認為，人工智能學科正式誕生于1956年美國達特茅斯會議。這個會議的參加者包括后來的圖靈獎得主麥卡錫、閔斯基和信息論之父香農等人。會議發起人麥卡錫提議以“人工智能”作為該學科的名稱，因此麥卡錫被尊為“人工智能之父”。從那時起，如果以主流人工智能學界的關注重點進行劃分，則人工智能的發展歷程大致可分為三個階段：1956年至1960年代中后期的“推理期”，1970年代至1980年代中期的“知識期”，以及1990年代至今的“學習期”。推理期關注的重點是基于邏輯的自動推理，知識期關注的重點是知識工程，學習期關注的重點則是機器學習。人工智能領域迄今共有8位學者獲得圖靈獎，他們是人工智能誕生期的麥卡錫和閔斯基，推理期的西蒙和紐厄爾，知識期的費根鮑姆和芮迪，以及學習期的維利昂特和珀爾。
上述學科歷程直接決定了人工智能專業知識在“內核基礎層”主要包括機器學習(學習期的核心)、知識表示與處理(推理期與知識期核心的融合)。在此之上，“支撐技術層”包括模式識別與計算機視覺、自然語言處理、自動規劃、多智能體系統、啟發式搜索、計算智能、語音信息處理等。再往上的“平臺系統層”則包括機器學習系統平臺(如Tensorflow等)、人工智能程序設計(如LISP、Pathon等)、智能系統、機器人等。更往上還有與其他學科的“交叉應用層”。
可以看出，人工智能與其他的一些 “投資風口”“短期熱點”不同的是，它經過了60多年的發展，已經形成了龐大自洽的知識體系。事實上，上述各層的每一項內容都至少對應一門課程。
目標在現有學科培養框架下能否達成?
以計算機科學與技術學科為例，本科畢業大致需修滿150個學分，其中約60學分是通識通修課程，15學分是畢業設計和就業創業類課程，在剩下的約75個學分中，學科平臺課和專業核心課約占55學分。到此尚未出現人工智能專門課程，已經僅剩約20學分。而剩下的學分仍需考慮計算機學科“寬口徑”人才培養，要平衡多個專業方向的需求，這就使得能專門用于人工智能的課程數量遠遠不能滿足需求，導致人工智能專業課程只能濃縮到“高級科普”程度。
事實上，即便不考慮課程數量，僅從已開設課程的內容來說，也與人工智能人才培養的需求有很大距離。以人工智能所需的五大數學基礎(線性代數+矩陣論、數學分析、概率論+數理統計、最優化方法、數理邏輯)為例，目前計算機學科線性代數內容很淺，通常不開設矩陣論，很多學生甚至沒接觸過矩陣求導，這對機器學習等人工智能核心課程的學習造成很大障礙;數學分析課程的內容通常很淺，甚至可能與其他數學課壓縮到一起;概率論與數理統計內容僅是蜻蜓點水;最優化方法一般不開設;數理邏輯一般是選修、甚至不開設。這就造成計算機學科的一般學生在學習人工智能核心課程之前往往需專門花時間自學以加強數學基礎。另一方面，人工智能應用中所涉及的智能硬件與材料、傳感器設計與應用等內容，已經超出了計算機科學與技術學科的范疇。
綜合上述考慮，我們得出的結論是：創辦一流大學人工智能教育需要建設新的課程體系。與其在現有學科培養體系框架下修修補補，不如從頭根據人工智能學科自身的特點進行建設。
我們相信，正確落實教育部《高等學校人工智能創新行動計劃》將大幅度增強我國人工智能領域人才培養力度，為新一代人工智能發展提供戰略支撐。
（原標題：周志華四問大學人工智能教育:不應在現有學科框架下修修補補）
