一、AI 的現(xiàn)狀和不足
山世光（中科院智能信息處理重點實驗室常務(wù)副主任、中科視拓董事長兼CTO）
我在圖像識別領(lǐng)域已經(jīng)做了大概有20年，最激動人心的時刻可能就是在過去的兩三年。因為在這兩三年時間里，得益于深度學習和我們擁有的龐大數(shù)據(jù)量，以及大規(guī)模的高性能計算，我們在技術(shù)上有了非常大的進步。舉個簡單的例子，我們在金融風控里大量采用人臉識別技術(shù)，它的錯誤率在近幾年有了兩到三個數(shù)量級的下降。也就是說，四五年前錯誤率可能會在 1% 這個量級，那現(xiàn)在很多運營商都只有萬分之一，甚至十萬分之一這樣的錯誤率量級?？梢姡疃葘W習、大數(shù)據(jù)和高性能的計算給我們帶來了怎樣的進步。
以上是一個正面的例子。反過來講，以目前大數(shù)據(jù)加深度學習這樣一個技術(shù)組合，在很多其他領(lǐng)域還沒達到我們想象的，或者是說公眾所期待的大進步，特別是在一些數(shù)據(jù)量不是那么容易獲得的場景下，AI 技術(shù)帶來的作用是比較小的。就拿人和 AI 對比來說，我們很多時候不需要人做大量的數(shù)據(jù)，就可以非常快速的獲得以圖象識別為例去做固體的識別的能力。比如說小孩認蘋果，不會有哪一個家長給小孩一千個蘋果去認，可能只要給幾個例子就好。從這個方法論的角度來看，我們還需要大量的利用數(shù)千年來積累下來的知識，再配合某種意義的小數(shù)據(jù)，形成一種知識+小數(shù)據(jù)+推理相關(guān)的方法，才有可能帶來更大的進步。尤其是當涉及到因果推理時，即使數(shù)據(jù)量非常大，要從一個結(jié)果推導出什么原因產(chǎn)生這樣的結(jié)果，仍然很難。
鄭宇（微軟亞洲研究院城市計算領(lǐng)域負責人 、美國計算機學會杰出科學家）
AI 的機會其實不在傳統(tǒng)的 IT 行業(yè)，而是在和傳統(tǒng)行業(yè)的結(jié)合，也就是我們說的 AI + ，AI 加交通、規(guī)劃、金融等爆發(fā)的力量會比在傳統(tǒng)互聯(lián)網(wǎng)行業(yè)里發(fā)揮的作用更大。
至于 AI 遇到的瓶頸，我覺得技術(shù)本身不是大問題。這么多人傳承下去，技術(shù)問題總會解決的，但人才的培養(yǎng)是一大難題。當前數(shù)據(jù)分析師不難找，但真正能夠把傳統(tǒng)問題和人工智能算法對接，最后落地形成閉環(huán)的數(shù)據(jù)科學家其實非常少。我們做了很多年，感覺培養(yǎng)這樣的學生非常困難。這不是讀五年書就會學會的，還需要各種實戰(zhàn)和個人的感悟。據(jù)我個人經(jīng)驗判斷，培養(yǎng)這樣一個真正意義上的數(shù)據(jù)科學家可能需要 7-10 年。所以，未來可以想想怎么樣在人才培養(yǎng)的機制上做突破。如果人才缺失，說得再多，最終也難真正落地。
蘇中（IBM中國研究院研究總監(jiān)）
AI 在這一輪里迎來了很好的機會，我們在大數(shù)據(jù)的基礎(chǔ)上有了很多的在數(shù)據(jù)上的訓練的算法，在圖像和語音和自然語言方面有很大的突破。從這個角度來講，AI 是在吸收大數(shù)據(jù)的紅利。因為現(xiàn)在的計算資源，尤其是存儲和網(wǎng)絡(luò)成本越來越低，我相信這方面仍然有很大的空間要去提高。
至于 AI 面對的挑戰(zhàn)，我認為在對自然語言的理解或者是說人機交互方面， AI 仍然有很遠的路要走。多數(shù)情況下，我們肯定是希望這個機器是有智能的，是吧？現(xiàn)在大數(shù)據(jù)的智能，就像前面舉到的例子，給他一百萬個蘋果讓它識別，或者給它很多其它的東西，反正最終的結(jié)果就是需要它和人做自由的交互。那么問題來了，不管是人說話的語言，還是書面上或其他方式的各種各樣的交流，都是非常非常復(fù)雜的。如果我們能把這個問題處理得更好，機器可以更好的理解人，我認為這才是 AI 真正強大的方式。
顏水成（360集團副總裁、首席科學家、人工智能研究院院長）
談 AI 有點太泛了，我縮小一點來說深度學習。深度學習在很多公司來說是它當前的主要驅(qū)動力，如果是在單模態(tài)的一個垂直場景下，我覺得通過與工程師一起合力，落地和成功會變得越來越清晰。但如果我們跨過這個數(shù)據(jù)，要想在一個更通用的場景，現(xiàn)在的屏障是非常大的。
在未來的 5-10 年里，我覺得從理論層面來說，深度學習會從傳統(tǒng)的特征學習和分類器學習，變成結(jié)構(gòu)學習、特征學習、分類器學習相互結(jié)合的形式。另一方面，可能會有更好的優(yōu)化算法出現(xiàn)，讓學術(shù)界或者是工業(yè)界可以在更短的時間內(nèi)獲得希望得到的結(jié)果。
另外，我認為未來幾年語意領(lǐng)域和語音領(lǐng)域會越來越成熟，原因有幾個方面：一是市場上圖像人才的量比較充分，而且高校里面有比較多的攻讀圖像的團隊；二是大家都在用一些共性的圖像數(shù)據(jù)，沒有自己獨特的數(shù)據(jù)，當建起一個龐大的語音庫時，它可能能支持所有的圖像和語音的公司，難以建立數(shù)據(jù)的壁壘；三是圖像和語音的應(yīng)用其實沒有普通應(yīng)用的差異性，做一個成熟的模型出來后，可能能夠支持中國的半壁江山。
二、AI + 金融和 AI + 零售的前景
?周伯文：
從作為人工智能的研究者角度來看，人工智能用在金融行業(yè)有一個比較突出的問題，因為金融市場是人的活動，有很多情況下有非理性的活動。市場過熱的時候，個人投資或者是機構(gòu)投資有很多非理性的行動，人工智能如果單單從大數(shù)據(jù)的角度，會發(fā)現(xiàn)每個人都在買進，導致也往這種非理性的行為繼續(xù)推動。所以，有沒有具體的想法和辦法去處理這種非理性的人類金融行為，可能和我們一貫講的大數(shù)據(jù)中的學習是一個完全不同的原則，這是第一點。
第二點，關(guān)于類似于失聯(lián)這樣的風險控制。我們都知道強化學習在金融行業(yè)中很有用，比如說智能投顧等各方面。但是強化學習一個很重要的原則是探索和利用這樣一個平衡。在 AlphaGo 里面這些強化的例子里面包括了德州撲克，這些都是很具體的應(yīng)用。在金融行業(yè)里面要怎么樣控制這個風險，還有待探討。
顏水成：
在金融領(lǐng)域做和人工智能相關(guān)的探索，我應(yīng)該還是一個初學者。主要是從公司的業(yè)務(wù)，以及外邊的創(chuàng)意公司的交流中得到的一些信息。有意思的是當前我認為在人工智能的征信方面的應(yīng)用，大家還主要在拼數(shù)據(jù)。其實在這個算法層面，對于大部分的公司來說，數(shù)據(jù)并不全面。如果可以實時拿到用戶動態(tài)數(shù)據(jù)，對用戶的管理是非常有價值的。另外，如果是做投后管理的話，意味著你要跟很多的數(shù)據(jù)源要打交道。在中國來說，不同的數(shù)據(jù)源之間像一座孤島，并沒有形成一個聯(lián)盟來共享一些數(shù)據(jù)。數(shù)據(jù)的孤島一旦打通了，投后管理的話就有很多的事情可以做了。
個人方面，對于人工智能產(chǎn)品和技術(shù)的使用還是比較少的。有一些人可能會寫一些程序來幫他們炒股，但是并沒有一種平臺或者是軟件去幫助個人做這些決策，比如說要如何根據(jù)自己的特點，智能的決定去投資哪一方面。這個方面目前是缺失狀態(tài)，能夠有機會做好的話，應(yīng)該是一個非常不錯的市場。
山世光：
從過去的無人售貨機到商品更加豐富的無人零售店，個人認為是有這方面的需求的。比如說物流基本不會在大半夜給你送東西，但無人零售店則可以滿足你的需求。所以我個人是比較看好這一塊的。從技術(shù)的角度來講，難以避免的是會存在著誤差，無論是商品的識別還是對購買人的識別，可能都會有一定誤差。如何去容忍這個誤差，以及這個誤差會帶來多少的損失，是解決問題的關(guān)鍵。
另外，在誤識別的情況下，我們往往會傾向于不要讓顧客多花錢。但即便如此，他們在付款之后，一看價錢不對依然會有困惱。這就需要形成完整的解決方案，來盡可能解決這些問題。
鄭宇：
我的觀點比較務(wù)實，關(guān)鍵是要把實體店和線上的定位區(qū)別開。能不能做到短平快，物流的算法很重要。如果東西不新鮮了，為什么過去買呢？定位不精準的話，這個東西就沒有深度。所以應(yīng)該用 AI 來保證物流而不是識別。識別不是重點，不管是掃碼還是刷臉，只要好用，用戶就可以接受。
三、如何看待中美 AI 戰(zhàn)略的差異
山世光：
我覺得現(xiàn)在中國在 AI 的應(yīng)用方面，是走在前列的。特別各大企業(yè)，包括國家，都有政策和資金的支持，人力物力財力各方面都做了大量的投入。有投入就一定會有產(chǎn)出，我們有這么大的市場，我們確實也走在了應(yīng)用的前列。但是，在聊到這個話題的時候，我確實有一點擔心，擔心體現(xiàn)在中美差異上。
在 AI 的基礎(chǔ)研究的層面上，我覺得國內(nèi)其實相對來說要偏弱了一點。這種偏弱可能和我們剛才說的資源大量投入到應(yīng)用上面有一定的關(guān)系。從人才的培養(yǎng)角度來看，我們注意到了研究生的心態(tài)，其實是有變化的。現(xiàn)在工作太好找了，工資也高，所以特別優(yōu)秀的研究生選擇在本科畢業(yè)或碩士畢業(yè)就出去工作，而不是繼續(xù)投入到 AI 的基礎(chǔ)研究領(lǐng)域。
事實上，AI 這個領(lǐng)域，我們只走了萬里長征的前幾步，大量的問題沒有解決。在這個階段如果我們有一點釜底抽薪的味道，把前面的基礎(chǔ)研究過早砍斷的話，對后面的長期發(fā)展未必有利。我有時候會反思這樣一個情況，期望我們工業(yè)界還是要有一點克制，一部分優(yōu)秀人才還是應(yīng)該鼓勵他們留在基礎(chǔ)研究這樣一個行業(yè)里面，使得我們不會后繼乏力。以免等到后面又冒出一個，不是深度學習而是其他的方法論來解決更多的問題的時候，我們又沒有跟上。這是值得我們反思和注意的地方。
鄭宇：
因為我們多年來一直和政府合作，我自己也在學校里面兼職做教授，這么多年下來，我覺得要考慮的是政府、傳統(tǒng)行業(yè)的公司和 IT 公司和學校如何分擔自己的責任，做到四位一體。政府就是出政策，鼓勵開放數(shù)據(jù)和合作，政府提不出問題，大家不要怪政府，因為政府不是行業(yè)專家，更不是數(shù)據(jù)科學專家，讓政府提一個具體的問題和提需求，不現(xiàn)實。需求是傳統(tǒng)行業(yè)公司，傳統(tǒng)的交通公司和金融公司，傳統(tǒng)的電力公司要提出來的。他們提供專業(yè)的知識和技能， IT 互聯(lián)網(wǎng)公司提供大數(shù)據(jù)、平臺和基礎(chǔ)設(shè)施保障，然后學校跟企業(yè)聯(lián)合培養(yǎng)人才。就剛剛山世光說的這一點，學校單純靠自己的實力留學生是留不住的，而且學校里面不具備這種條件，單靠幾個案例，沒有大數(shù)據(jù)的平臺和數(shù)據(jù)培養(yǎng)不起來的，最后還是需要企業(yè)和學校聯(lián)合培訓。各個部門不要越權(quán)干自己不該干的事情，政府搞研究的話本身就不是最優(yōu)的，政府出政策，傳統(tǒng)行業(yè)提需求提問題，學校和企業(yè)聯(lián)合培養(yǎng)人才才有希望。
顏水成：
這件事我是也比較樂觀的。美國在理論層面比中國強，這是不爭的事實；中國慢慢在應(yīng)用層面已經(jīng)趕上或者是超過美國的話也是一個事實。把 AI 的理論研究透了，可以對這個產(chǎn)業(yè)產(chǎn)生價值是肯定的。但好的是，我們并不需要把理論研究得那么透，也會對社會的方方面面產(chǎn)生積極的影響。
中美的人工智能，我覺得非常像醫(yī)藥。美國像是西醫(yī)，中國像是中醫(yī)。并不需要去了解里面的所有的理論，以及真實的成分是什么東西，通過試驗，通過驗證，它有效果，而且是有價值的即可。所以從這個層面來說，我覺得也不要太多的擔心中國人工智能的理論，可能目前的人力資源積累并不是特別多。但是它可以給中國的經(jīng)濟帶來積極的價值，這是明擺著的。另外，我們也看到了有更多的在理論知識深厚的教授從國外歸來，在國內(nèi)的學校里面或者是研究所里面做研究。
四、怎么平衡 AI 科學家和企業(yè)責任之間的沖突
林清詠（哥倫比亞大學客座教授、Graphen CEO）
我在學校呆了十幾年，在企業(yè)界呆了二十年。我認為二者都非常重要，基本研究很重要，應(yīng)用也很重要。我的策略就是想辦法把我的團隊養(yǎng)大，一部分人專門負責基礎(chǔ)往前提升，另外一部分人專門負責解決當前還沒有解決的問題。比如說現(xiàn)在我們的基礎(chǔ)團隊利用金融市場和做金融行業(yè)來把 AI 的能力往前進，把我們的系統(tǒng)帶進美國排名第一的做癌癥的研究中心，來分析過去二十年來幾百萬的病例，讓這樣的 AI 系統(tǒng)同時可以替人類解決癌癥可能帶來一線曙光。我們的學生最近也在用這個做老年癡呆癥的研究。
山世光：
我覺得還是比較好平衡的。對我們來說，至少在 AI 這個領(lǐng)域做的大部分事情，無論是技術(shù)還是產(chǎn)品，它都可以推動這個社會的進步，關(guān)鍵看誰在用。從技術(shù)的角度來講，一句話非常重要，就是價值會決定價格。只要是有存在的價值，或者是滿足科學進步的需求，或者是說滿足用戶的需求，都值得我們?nèi)プ觥?/p>
蘇中：
做了幾十年的技術(shù)，心里是希望多做底層的技術(shù)，把技術(shù)做專做穿。但因為現(xiàn)在我在 IBM 的研究院，希望把技術(shù)應(yīng)用在實際的場合中，所以有了另外一個方面的力量拉動我去做技術(shù)產(chǎn)生價值。這兩者之間有的時候是矛盾的，有的時候是契合的，這是一個螺旋上升的過程。很幸運，AI 有一個很好的年代，我們做技術(shù)的人都有一個很好的機會。
顏水成：
我覺得學校出來的教授，普遍會有一個毛病，認為產(chǎn)品里面技術(shù)是一個很重要的部分。通過自己幾年的實踐，以及我的導師寫的一本書里也有提到，其實你的技術(shù)在一個成功的產(chǎn)品里面最多能占30%-40%。要相信產(chǎn)品的成功，除了你之外還有其他的因素，大家一起協(xié)作，一起共贏就可以了。
- 第九屆華為ICT大賽中國總決賽收官 84支隊伍晉級全球總決賽
- 聯(lián)想集團黃建恒：SSG業(yè)務(wù)已連續(xù)15個季度雙位數(shù)增長
- 聯(lián)想集團ISG總裁：已將多款暢銷服務(wù)器進行升級
- 全球超大規(guī)模數(shù)據(jù)中心數(shù)量五年翻倍，2024年新增137個！
- 華為楊超斌：行業(yè)智能化是開啟產(chǎn)業(yè)新紀元的磅礴引擎
- 華為郭振興：2025年行業(yè)數(shù)智化將呈現(xiàn)五大特征
- 加速行業(yè)智能化！華為攜手伙伴共筑解決方案競爭力，共贏時代新機遇
- 華為李鵬：AI正深刻改變每一個行業(yè)，攜手伙伴共贏全面智能化時代
- 華為汪濤：全面推進“全面智能化”戰(zhàn)略，發(fā)展伙伴“同路人”共贏智能未來
- 因聚而生，眾智有為：華為中國合作伙伴大會2025圓滿舉行
免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。
