论文部分内容阅读
中国在AI领域正在蓄势，逐步成长为中坚力量，但在基础性、原创性研究、创新土壤、人才储备层面，中国相较美国还存在不小的差距。
作为人工智能国际顶级会议，由美国人工智能协会（American Association for Artificial Intelligence）组织的AAAI大会在美国旧金山召开，在2017年的大会上中国面孔成为不可忽视的力量。在2571篇投稿论文中，中国和美国的投稿数量分别占到31%和30%，虽然在被接收论文数量上，中国还是低于美国，但数量已经大幅提升。
可见，中国在AI领域正在蓄势，逐步成长为中坚力量。据《乌镇指数：全球人工智能发展报告》，在全球人工智能专利数量方面，中国以15745个紧跟在美国26891个之后位列第二，日本以14604个排名第三。值得一提的是，三国占总体专利的73.85%。
华人势力
“不仅仅是学者，来参会的中国公司也变多了。”杨强表示，他是AAAI Fellow、AAAI现任执委。从去年的活动赞助商角度而言，百度、腾讯和亚马逊、IBM一并成为金牌赞助商，小i机器人、今日头条也跻身银牌赞助商之列。在去年收录的论文中，百度、腾讯、华为、360、今日头条、携程等中国公司的人工智能团队也有出现。
“这一轮人工智能并不是一个新的革命，而是18世纪工业革命自动化的一个延续，技术一旦掌握到手里，可以迅速扩展到做全世界的生意，所以这对于中国起到了一个弯道超车的作用。”杨强表示。
中国人数学好、刻苦努力无疑为中国发展人工智能提供了良好的基础，但更大的驱动力在于产业需求。一方面对于传统企业而言，需要新技术来推动产业变革，“中国的经济结构还有很多不合理、低效率的地方，通过人工智能浪潮，就形成了一种新的竞争。”杨强强调。
对于互联网巨头或新兴独角兽公司而言，同样需要借助人工智能技术，激发已经存储的海量数据，提升服务精准度，创造潜在盈利机会。
“全世界只有中美两国有如此大量的数据、大规模的计算和应用场景，在应用层面中美基本处于同一起跑线。”地平线机器人技术创始人兼首席执行官余凯称。余凯曾担任百度研究院副院长、深度学习实验室（IDL）主任，带领的团队将深度学习技术成功应用于广告、搜索、图像、语音等方面，
“最大的优势是人多，这种优势体现在三个层面，人多意味着市场大，有更强的驱动力去把这件事情做好。其次针对社会服务层面，需要很多数据。第三，人才基数比较大，冒出顶尖人才相对多一些。”第四范式创始人、首席执行官戴文渊称，“从数据量、投入的人力财力来看，中美之间没有多少差距，且中国更有优势。”
中美差异
但将论文数量视为中国人工智能发展水平有失公允，虽然在靠近商业价值应用层面中美并驾齐驱，但在基础性、原创性研究、创新土壤、人才储备层面，中国相较美国还存在不小的差距。
“国内更多是技术的落地、产业化和应用，国外仍然有很多人在公司和研究院做前沿研究，包括寻求方法论上的突破，我们擅长把事情做得更细致，相对而言突破性和奠基性的工作还不够多。”地平线机器人技术联合创始人、算法副总裁黄畅表示。在他看来，做研究无外乎寻找新的问题和研究新的方法，而在这两方面国内和国外相比还存在不小的差距。
杨强认为，深度学习是不断发展的，研究领域的领导者应该是开拓新的领域，而不是在原有的基础上深挖。“把一个10层的深度模型拓展到100层甚至1000层，我觉得这个确实是一个进步，中国人目前是这个层次，但这些在我看来并不是一个原创。”杨强举例说道。
余凯认为，有一些中国学生很擅长“刷分”“刷榜”，“别人做到99.5%，我做了99.7%，并不一定有实质性突破，世界也沒有因为这个刷分而变得不一样。原创性的创新需要不一样的思考，现在讲深度学习比较多，所有的人都进行深度学习，而不是思考What is wrong ？How to be different？”
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。
正是以深度学习学派的开山人物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。
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。
例如去年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。
作为人工智能国际顶级会议，由美国人工智能协会（American Association for Artificial Intelligence）组织的AAAI大会在美国旧金山召开，在2017年的大会上中国面孔成为不可忽视的力量。在2571篇投稿论文中，中国和美国的投稿数量分别占到31%和30%，虽然在被接收论文数量上，中国还是低于美国，但数量已经大幅提升。
可见，中国在AI领域正在蓄势，逐步成长为中坚力量。据《乌镇指数：全球人工智能发展报告》，在全球人工智能专利数量方面，中国以15745个紧跟在美国26891个之后位列第二，日本以14604个排名第三。值得一提的是，三国占总体专利的73.85%。
华人势力
“不仅仅是学者，来参会的中国公司也变多了。”杨强表示，他是AAAI Fellow、AAAI现任执委。从去年的活动赞助商角度而言，百度、腾讯和亚马逊、IBM一并成为金牌赞助商，小i机器人、今日头条也跻身银牌赞助商之列。在去年收录的论文中，百度、腾讯、华为、360、今日头条、携程等中国公司的人工智能团队也有出现。
“这一轮人工智能并不是一个新的革命，而是18世纪工业革命自动化的一个延续，技术一旦掌握到手里，可以迅速扩展到做全世界的生意，所以这对于中国起到了一个弯道超车的作用。”杨强表示。
中国人数学好、刻苦努力无疑为中国发展人工智能提供了良好的基础，但更大的驱动力在于产业需求。一方面对于传统企业而言，需要新技术来推动产业变革，“中国的经济结构还有很多不合理、低效率的地方，通过人工智能浪潮，就形成了一种新的竞争。”杨强强调。
对于互联网巨头或新兴独角兽公司而言，同样需要借助人工智能技术，激发已经存储的海量数据，提升服务精准度，创造潜在盈利机会。
“全世界只有中美两国有如此大量的数据、大规模的计算和应用场景，在应用层面中美基本处于同一起跑线。”地平线机器人技术创始人兼首席执行官余凯称。余凯曾担任百度研究院副院长、深度学习实验室（IDL）主任，带领的团队将深度学习技术成功应用于广告、搜索、图像、语音等方面，
“最大的优势是人多，这种优势体现在三个层面，人多意味着市场大，有更强的驱动力去把这件事情做好。其次针对社会服务层面，需要很多数据。第三，人才基数比较大，冒出顶尖人才相对多一些。”第四范式创始人、首席执行官戴文渊称，“从数据量、投入的人力财力来看，中美之间没有多少差距，且中国更有优势。”
中美差异
但将论文数量视为中国人工智能发展水平有失公允，虽然在靠近商业价值应用层面中美并驾齐驱，但在基础性、原创性研究、创新土壤、人才储备层面，中国相较美国还存在不小的差距。
“国内更多是技术的落地、产业化和应用，国外仍然有很多人在公司和研究院做前沿研究，包括寻求方法论上的突破，我们擅长把事情做得更细致，相对而言突破性和奠基性的工作还不够多。”地平线机器人技术联合创始人、算法副总裁黄畅表示。在他看来，做研究无外乎寻找新的问题和研究新的方法，而在这两方面国内和国外相比还存在不小的差距。
杨强认为，深度学习是不断发展的，研究领域的领导者应该是开拓新的领域，而不是在原有的基础上深挖。“把一个10层的深度模型拓展到100层甚至1000层，我觉得这个确实是一个进步，中国人目前是这个层次，但这些在我看来并不是一个原创。”杨强举例说道。
余凯认为，有一些中国学生很擅长“刷分”“刷榜”，“别人做到99.5%，我做了99.7%，并不一定有实质性突破，世界也沒有因为这个刷分而变得不一样。原创性的创新需要不一样的思考，现在讲深度学习比较多，所有的人都进行深度学习，而不是思考What is wrong ？How to be different？”
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。
正是以深度学习学派的开山人物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。
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。
例如去年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。