步入新的十年，当下AI将如何发展？

随着AI技术步入新的十年，如今的AI可能已经到达一个拐点。那么接下来，AI 技术将如何发展、应用？这成为领域内众多研究者和从业者亟需回答的一个关键问题。

4月9日，前沿科技论坛第二期以线上研讨形式召开。本次论坛以“人工智能：科技与经济融合新引擎”为主题，由中国科协学会学术部、中国科学报社、腾讯科协、腾讯集团发展研究办公室联合举办。

本次论坛提到：自新冠肺炎疫情发生以来，以人工智能为代表的新兴科技，在疫情监测分析、人员物资管控、医疗救治、药品研发等方面发挥了重要的支撑与保障作用。疫情防控中表现优异的人工智能技术，能否为疫后全球经济复苏开出科技良方?就此问题，各位专家分享了自己的观点及看法，其中多位专家提到了AI方法论的重要性。   

论坛中中国工程院院士李国杰提到，疫情期间表现较好的人工智能技术应用，例如无接触自动测体温，疫情追踪、摸底排查中计算机与居民的自动问答等，大多是过去有较多数据积累的应用场景，而对传播扩散途径检测、病毒源头的追溯等，由于缺少足够多的已标注的数据，效果就差一些。

在过去十年里，人工智能的研究逐渐从依靠规则、知识来设计人工智能算法的方法论过渡到了以数据为主要驱动力的方法论。在这种方法论的指导下，算法、大数据、强大的算力，支撑起了目前的AI能力。当前的方法论在算法上主要以深度学习为主，数据则强调要足够大并且是有监督的标注数据，同时由于深度学习动辄需要通过训练设定上亿的参数也导致其对强大的算力高度依赖。因此当前在AI技术中能够得到良好解决的任务主要分为两种。

1：专用AI任务(而非通用AI)。例如医疗影像中，看肺炎的AI就只能看肺炎，不能看肝炎；看CT的AI就只能看CT，不能看核磁。

2：数据肥沃(通过商业模式大量获取数据)。即对于数据，一方面要有较大的规模，另一方面则是要有好的标注。但这样的AI，离我们所期望的相距甚远。

然而当前算法、算力、数据这三架马车已略显疲软，现有的AI方法论并不足以支撑AI能力继续升级。算力提升和大数据收集都需要投入资源，但算法却大多是一个模型对一个任务，现在是问题很多，方法却有限。其次，深度学习在工业界还在靠大数据和大算力进行应用研究，由于没有强大的理论支撑，有些算力和数据会浪费在试错上，这一点现在已经变得越来越明显。

此外，在学术前沿上，深度学习也显示出潜力有限。为什么呢？因为它本身无法克服高度数据依赖问题，无法像人一样基于“弱”、“小”数据进行精确而且鲁棒的学习！现有研究还都寄希望于基于深度学习来解决数据依赖的问题，希望能够赋予机器学习从弱监督、小数据来学习的能力，但从原理上来说，如果没有别的数据或知识做支撑，这几乎是不可能的。我们必须找到全新的方法。

对此，中国科学院计算技术研究所研究员山世光在论坛中也提到，AI时代的基础设施包括硬件、软件、智件三个层面，但现有AI方法论不足以支撑AI能力继续升级。当前AI应用研究方面，中国和美欧差距不大，但是AI基础研究、基础设施方面的差距不容小觑。

论坛中，工程院院士李国杰表示，我们应该要高度重视“软基建”，大力构建共享的人工智能训练平台、基础数据平台和软硬工具链，即加强基础数据中心的构建与共享。同时研究院山世光认为，除了基础算法长期的投入之外，我们应该加强基础智件体系的研究，过去在硬件方面有计算中心、数据中心，未来还需要建立AI算法中心、知识中心，甚至建立国家级的知识中心。

AI 能力的升级，必须依赖AI 方法论的升级，而这归结到本质，还是算法的革新。举例来说，在数据量减小到原来10%甚至1%的同时还保持和原来相当的能力。在现有的算法（纯数据驱动）中，是否可以加入知识，或者已有的其他数据或模型，做到知识和数据联合驱动？当下已经有许多研究单位正在在做相关研究，这也是当下AI算法上最值得探索的几个研究方向之一。