人工智能在全世界都受到了高度关注。国务院在2017年7月印发了《新一代人工智能发展规划》，教育部2018年4月制定了《高等学校人工智能创新行动计划》，明确提出要“支持高校在计算机科学与技术学科设置人工智能学科方向，推进人工智能领域一级学科建设”“加大人工智能领域人才培养力度”，为我国新一代人工智能发展提供战略支撑。
人工智能教育关注的应该是弱人工智能
关于人工智能，长期存在两种不同的目标或理念。一种是希望借鉴人类的智能行为，研制出更好的工具以减轻人类智力劳动，一般称为“弱人工智能”；另一种是希望研制出达到甚至超越人类智慧水平的人造物，其研究目标具有心智和意识、能根据自己的意图开展行动，一般称为“强人工智能”。
国际主流人工智能学界所持的目标是弱人工智能。人工智能技术现在所取得的进展和成功，是缘于“弱人工智能”而不是“强人工智能”的研究。用国际人工智能联合会前主席、牛津大学伍尔德里奇教授的话来说，强人工智能“几乎没有进展”，甚至“几乎没有严肃的活动”。
事实上，强人工智能还涉及科学研究的伦理问题，这也是主流人工智能学界不往这个方向努力的原因之一。霍金等人所担忧的“人工智能有可能是人类文明史的终结”，实质就是对强人工智能的担忧。因为具有“自主意识”、能力全面超越人类的，将不再是能被人类控制的“工具”，无法保证它的“利益”与人类一致。
人工智能教育所关注的应该是有助于为人类社会谋福祉的、有助于解决产业创新需求的、有助于学生未来职业发展的内容，显然，关注的应该是弱人工智能。
“人工智能”还是“智能科学”？
目前已有“智能科学与技术”专业，能否代替“人工智能”呢？
顾名思义，“智能科学与技术”所关注的是“智能”。“人工智能”和“智能”的关系，类似于“飞机（人工鸟）”和“鸟”的关系。研究飞机显然不同于研究鸟科学。鸟科学本身很重要，但它并不是培养飞机制造者所必须掌握的科学知识，对鸟没弄清楚并不妨碍造飞机，飞机的飞行方式也不需与鸟的飞行方式相同。
事实上，人工智能更多的是与计算机科学、数学、工程学有关，而智能科学本身则更多是与认知科学、神经科学、脑科学有关。人工智能人才培养的迫切性，主要源于人工智能产业蓬勃发展所导致的对人工智能人才的旺盛需求。
*总书记在十九大报告中强调，要推动“人工智能和实体经济的深度融合”。以计算机科学、数学、工程学为主要基础的人工智能科学技术目前已能在实体经济中发挥作用，而以认知科学、神经科学、脑科学为主要基础的智能科学技术，与实体经济的深度融合似乎还为时尚早。
对创办一流大学人工智能教育而言，目标应该是高水平的建筑设计师、土木工程师，乃至于建筑大师。简而言之，我们的目标应该是培养在人工智能领域具备源头创新能力、具备解决企业关键技术难题能力的人才。
人工智能人才需要何种知识结构？
人工智能所要解决的通常是涉及不确定性的复杂任务，从其任务求解过程来看，首先要对复杂现实进行抽象建模，然后对模型算法分析设计，进行软件程序实现，基于强力计算平台进行高效扩展，再通过试用反馈迭代改善。这决定了高水平人工智能人才需要：数学基础好、计算/软件程序功底扎实、人工智能专业知识全面。
首先，无论是在抽象建模还是模型算法分析设计环节，都需要依赖良好的数学基础，因为人工智能所面对的问题千变万化，这导致了其所涉及的数学工具种类多样。事实上，人工智能的核心领域——机器学习是计算机科学中对数学基础要求最高的分支之一。
第二，复杂现实任务通常可以从多种角度进行抽象，而不同的抽象将导致巨大的差异。抽象出的问题是否可计算？从程序代码的角度是否易实现？从计算平台的角度是否便于高效处理？…… 回答这些问题需要在算法分析/程序设计/计算系统方面具备扎实的基础。事实上，对一些现代大型人工智能程序而言，甚至连高维数组的存储顺序都需做到优化，这如果没有扎实的计算/软件程序功底显然是不行的。
第三，在解决现实的人工智能应用任务时，往往同时涉及多种人工智能专业知识，需有效进行融合发挥。因此，高水平的、能解决企业关键技术难题的人工智能人才，必须具备全面的人工智能专业知识。这就引出了下一个问题：
人工智能自身的专业知识有哪些？
不妨简单回顾一下人工智能这个学科领域的发展历程。
目前一般认为，人工智能学科正式诞生于1956年美国达特茅斯会议。这个会议的参加者包括后来的图灵奖得主麦卡锡、闵斯基和信息论之父香农等人。会议发起人麦卡锡提议以“人工智能”作为该学科的名称，因此麦卡锡被尊为“人工智能之父”。从那时起，如果以主流人工智能学界的关注重点进行划分，则人工智能的发展历程大致可分为三个阶段：1956年至1960年代中后期的“推理期”，1970年代至1980年代中期的“知识期”，以及1990年代至今的“学习期”。推理期关注的重点是基于逻辑的自动推理，知识期关注的重点是知识工程，学习期关注的重点则是机器学习。人工智能领域迄今共有8位学者获得图灵奖，他们是人工智能诞生期的麦卡锡和闵斯基，推理期的西蒙和纽厄尔，知识期的费根鲍姆和芮迪，以及学习期的维利昂特和珀尔。
上述学科历程直接决定了人工智能专业知识在“内核基础层”主要包括机器学习（学习期的核心）、知识表示与处理（推理期与知识期核心的融合）。在此之上，“支撑技术层”包括模式识别与计算机视觉、自然语言处理、自动规划、多智能体系统、启发式搜索、计算智能、语音信息处理等。再往上的“平台系统层”则包括机器学习系统平台（如Tensorflow等）、人工智能程序设计（如LISP、Pathon等）、智能系统、机器人等。更往上还有与其他学科的“交叉应用层”。
可以看出，人工智能与其他的一些 “投资风口”“短期热点”不同的是，它经过了60多年的发展，已经形成了庞大自洽的知识体系。事实上，上述各层的每一项内容都至少对应一门课程。
目标在现有学科培养框架下能否达成？
以计算机科学与技术学科为例，本科毕业大致需修满150个学分，其中约60学分是通识通修课程，15学分是毕业设计和就业创业类课程，在剩下的约75个学分中，学科平台课和专业核心课约占55学分。到此尚未出现人工智能专门课程，已经仅剩约20学分。而剩下的学分仍需考虑计算机学科“宽口径”人才培养，要平衡多个专业方向的需求，这就使得能专门用于人工智能的课程数量远远不能满足需求，导致人工智能专业课程只能浓缩到“高级科普”程度。
事实上，即便不考虑课程数量，仅从已开设课程的内容来说，也与人工智能人才培养的需求有很大距离。以人工智能所需的五大数学基础（线性代数+矩阵论、数学分析、概率论+数理统计、最优化方法、数理逻辑）为例，目前计算机学科线性代数内容很浅，通常不开设矩阵论，很多学生甚至没接触过矩阵求导，这对机器学习等人工智能核心课程的学习造成很大障碍；数学分析课程的内容通常很浅，甚至可能与其他数学课压缩到一起；概率论与数理统计内容仅是蜻蜓点水；最优化方法一般不开设；数理逻辑一般是选修、甚至不开设。这就造成计算机学科的一般学生在学习人工智能核心课程之前往往需专门花时间自学以加强数学基础。另一方面，人工智能应用中所涉及的智能硬件与材料、传感器设计与应用等内容，已经超出了计算机科学与技术学科的范畴。
综合上述考虑，我们得出的结论是：创办一流大学人工智能教育需要建设新的课程体系。与其在现有学科培养体系框架下修修补补，不如从头根据人工智能学科自身的特点进行建设。
我们相信，正确落实教育部《高等学校人工智能创新行动计划》将大幅度增强我国人工智能领域人才培养力度，为新一代人工智能发展提供战略支撑。
原文发布时间为：2018-05-18
本文作者：周志华