中国人工智能崛起直追美国 这些还有差距

回归至深度学习的历史发展脉络来看，正是一个边缘化课题走向主流技术的路径。早在上世纪80年代初期，深度学习学派的开山人物Hinton一直坚持神经网络的探索，但受限于当时的电脑速度、数据量等问题，深度学习理论是一项边缘化的研究，当时AI的主流研究方向与之截然相反，推崇小样本学习，主推SVM学习。

正是以Hinton为代表的一群人对深度学习的坚持，才一步步将边缘课题变成人工智能核心技术。“十年前进入这个领域，中国学生都在学优化理论，现在一窝蜂地学习深度学习，很少有人在怀疑深度学习是不是最优解，就像之前很少有人去思考优化是不是最优解。”戴文渊说道。

人员成本居高不下

在余凯看来，中美之间的差距表现在两方面，一方面是人才储备的匮乏，很多高校在很长时间内并没有人工智能专业，而在美国基本上大的院校都有人工智能教授。以美国卡梅隆大学为例，设有专门的机器人研究所，其中光教授就有100多位，纵向而言，中国布局的时间也比较晚。

早在2012年余凯回国在百度成立了人工智能团队，担任百度人工智能研究院执行院长，在他的记忆里，当时在高校招人非常困难，很多是在招进百度之后再自己培养。

其次从产业链而言，谷歌(微博)或者Facebook的人工智能团队不仅可以从斯坦福等院校招人，还可以从微软、IBM、HP等大公司挖走人工智能领域的人才，“当时别的企业还想着从百度挖人，无论从科研教育还是整个产业界，起步都是晚的，规模还是小的。”

至今余凯仍会频繁去美国参加一些学术会议，让自己保持更多的思考，“国外技术创业比较多，大家探讨的是数学公式及算法，而在中国大部分在讲趋势、概念，如果PPT上放上公式就变得很无聊，心态比较浮躁。”

资本驱动之下，人工智能成为创业最火热的领域，也在加速人才的流动。根据华创资本发布的《2016早期企业薪酬调研报告》来看，人工智能和大数据领域类的早期企业在过去一年的员工离职率高达44%，人员流动活跃。

“付不起工资、抢不到人”成为人工智能企业在人才招聘方面面临的最大博弈。“人才比较少，需要的公司又多，人工智能的人员成本因此居高不下。”戴文渊表示，“我们想要寻找突破常规的人才，需要找到能够将30分的东西做到60分甚至80分的人才，例如目前做深度学习的人有很多，但迁移学习的人才就非常少。”

“德才兼备”是余凯选人的标准，所谓德即对人工智能本身的热情，愿意为之做长期奋斗，而不是短期的。“大部分人是在赶时髦，如果冰天雪地的时候心还是热的，那才叫热情”，才则是数学功底、统计功底、编程能力等等。

“优秀的人才、优质的研究成果永远匮乏，好比人工智能领域论文从每年800篇涨到3000篇，但真正出色的论文在数量上基本不会有太大变化，许多人是在随大流、挖坑灌水、解决细枝末节的问题，产生的真实价值并不大。”黄畅补充道。

与O2O、电商等产业不同，人工智能的技术创新仍旧需要长期且基础性的理论研究工作，如何从顶层设计出发，加强人工智能基础理论研究和核心技术突破，加强人工智能科研人才、技术人才的培养与引进，才是人工智能发展的持续动力。

人工智能挑战

一派繁荣之下，正视人工智能的作用变得更为重要。“相较于告诉人们人工智能能做什么，目前更重要的反倒是告诉人们，人工智能不能做什么。”余凯笑着说道。结合当下的发展情况人工智能仍然面临诸多挑战。

首要挑战就是数据不足的问题。众所周知，人工智能建立在海量数据基础之上，通过大数据训练，来优化算法模型，以人脸识别技术为例，训练这一算法模型需要至少百万级别的图片数据。

目前人工智能主要是监督式学习，有监督的训练就需要带标签的数据，因此数据的质量和精准度及输出结果密切相关。“如何剔除数据中的噪音、垃圾信息，获取优质且带有标签的数据成为新挑战，也正是因为这个原因，半监督式甚至无监督式学习方法必然成为未来的研究热点。”黄畅说道。

另一大挑战在于深度学习的推广和场景迁移能力不足，每个领域的数据都需要重新收集、标准和再训练，很难进行跨领域推广。这些挑战也是人工智能工业界和学术界急需突破的问题。“在招聘的过程中，学习深度学习的人很多，而懂得迁移学习，具备思辨能力的人很少。”戴文渊表示。反映到人才培养和教育而言，如何引导并鼓励学生进行跨领域、原创性的探索研究尤为重要。

例如今年AAAI最佳论文来自斯坦福大学计算机科学系的Russell Stewart、Stefano Drmon，他们所撰写的论文《用物理和特定领域知识让神经网络进行不带标签的监督学习》，就是将物理知识与深度学习相结合，通过跨领域研究给AI带来新的启发。

（编辑：无忧刷机网 - 51刷机网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!