过去十年间，AI方法论已经从依靠规则、知识设计人工智能算法，过渡到以数据为主要驱动力、知识与规则相对应用较少的方法论。

　　中国科学院计算技术研究所研究员山世光指出，尽管人工智能已发展到新的方法论阶段，但离研究人员所期望的AI时代仍然非常遥远。

　　“人工智能研发其实还存在着非常多的问题待解决，AI发展现状是‘问题远比办法多’”。

　　AI时代仍然遥远

　　在当下这种“数据为王、知识为后”方法论的支撑下，山世光在第二期《前沿科技论坛》上做公开报告时认为，基本上满足了两个条件的AI任务都得到了比较好的解决。

　　“哪两个条件呢？一是专用的AI任务而非通用AI，二是好数据‘肥沃’，即能够通过商业模式大量获取数据。”

　　他表示，专用AI任务好比一位专科医生，他只处理肺癌方面的问题，甚至可能只针对该病的CT而非核磁图像，这就是专用而非通用的AI算法。

　　好数据的特点为规模大，并且有相应的强坚度数据做支撑。有些类似于见多识广而成名的专科医生，因为见过的病例足够多、学习能力也较强，成长为非常优秀的专科医生。

　　不过，山世光指出，尽管人工智能已发展到新的方法论阶段，但离研究人员所期望的AI时代仍然非常遥远。

　　他表示：“过去二十年间，我们在人工智能感知和简单推理方面有许多进步。也许在未来若干年，将逐渐从现在的感知、认知发展到情感、自主学习等，或许人工智能可以逼近普通成年人的某些智能能力。”

　　但若以此为发展目标分析，人工智能研发其实还有着非常多的问题待解决，而这被业内称之为“亟需升级的AI能力”。

　　具体而言，即要从浅层感知（看听读）发展至认知和深度理解，从单模态智能发展到多模态智能（看、听、触、嗅、味融会贯通），从静态智能发展到动态行为智能（智能机器人），从被动训练的智能发展到主动学习的智能等。

　　比如人工智能从现在只能简单地临摹某个艺术家风格的作品，发展到能够形成自己风格的艺术创作。又如大多数的AI系统从现在并不自知的状态——即不知道自己何时错、何时对，也不知道自己缺少什么——发展到有一定的“自知之明”。

　　AI发展“问题远比办法多”

　　不过，山世光坦言，现有的AI方法论并不足以支撑AI能力继续升级，AI发展现状是“问题远比办法多”。

　　作为AI“三驾马车”的算法、算力和数据均发展疲软。尤其是算法“马力”不足，深度学习在工业界仍然依靠大数据和大算力勉力支撑。

　　“依靠大量人力、物力和财力的投入，而且没有理论支撑，导致大量算力和数据都浪费在试错上。”山世光说。

　　他认为，深度学习在学术前沿已经是强弩之末，其本身克服不了高度数据依赖的问题，无法像人一样基于“弱小”数据而进行精确的学习。

　　显而易见，AI方法论也亟需升级。比如从强大数据驱动的算法升级到弱小数据驱动的算法、从纯数据驱动的机器算法升级到知识和数据联合驱动的类人算法，从人设机器学习（参数学习）升级到自动机器学习（算法学习），从单任务专业算法升级到多任务通用算法、甚至元方法（授之以渔），从黑盒子算法升级到可解释、懂因果的算法，从被动学习方法升级到主动学习方法，以及从一次性学习升级到终身学习。

　　从数据依赖的角度比较人工智能与人类可以看出，人类的智能具有一些非常重要的特性。AI这种强大数据依赖即强监督、大规模的特点，和人类智能“知识+弱小数据”驱动的特点并不一致。

　　人类智能具备对小样本的归纳和演绎推理能力，可以举一反三与触类旁通，甚至会“吃一堑长一智”，能从少量错误中学习。

　　“但现在AI的算法是‘吃一千堑长一智’，有时候甚至可能‘吃一千堑还不一定长一智’。”山世光指出。

　　而且，人的大脑时刻都在预测和检验，并修正误差、进行自纠错的学习。同时还有使用元方法的能力，可进行多模态、多学科知识校验和融合，发挥想象力和创造力。

　　山世光指出：“人类智能的特性，非常值得研究机器学习算法或者AI算法的研究者参考。这其中的每一个特性，都值得设计成相应的AI的算法，促使AI出现更多的应用。比如怎样在小规模的数据、弱监督、半监督、无监督等各种复杂处理条件下进行机器学习。”

　　不过，即便是人类，如果没有知识而只有小量的数据，也不可能实现强大的学习能力。如何才能将人类的知识融入其中？在AI研发中已经变得越来越重要了。

　　山世光认为，AI在经过若干年的发展后，开始逐渐积累了机器知识的能力。“什么是机器知识？就是解决了一万（N）个任务后，是否可以继续归纳出一个通用的任务模型？这种模型有些类似于元方法、元模型，当再面对一个新的任务时不再需要大量的数据，只要通过元任务模型，利用小规模的、弱小数据就可以进行演绎。”

　　这种通过N个任务总结出来的模型，并不是由人总结的，而是由机器算法总结的“机器知识”。这种机器知识针对新的任务能提出更好的解决办法。

　　山世光举例道，譬如为了检测人脸需要收集数万张的人脸照片，为了检测马脸也需要收集数千张甚至数万张的马脸照片。

　　“自然世界中有这么多种动物，如果每一种动物都检测，是不是都需要收集如此大量的数据呢？这其实是一件非常可笑的事情，显然不是我们所期望的。如何才能建立一个通用脸的模型？这种模型在某种意义上，就是一个元知识、元模型。当然也希望能够加入一些人类知识。”

　　他指出，今后可能只需要收集某种动物比如考拉、海豚等非常少量的脸的照片，就可以通过元模型的演绎，来获得不同动物脸的检测或者识别的模型。

　　正视差距发力未来

　　虽然在过去十年间，AI方法论已经从人类知识驱动发展成由强大数据驱动。但在山世光看来，在今后十年或者更长的时间内，还需要再回过头将知识和数据联合起来发展方法论。

　　“当然这种‘知识’，不仅仅是指人类可以理解的知识，也包括已经解决的大量任务里，所蕴含的人类可能不能理解的机器知识的联合。”

　　在AI应用研究方面，山世光认为，中国和国外先进水平差距“不那么大”，但在纵深的应用细节上仍然需要努力。比如生物信息学领域，国外深度学习已经渗透的比较厉害，但我国国内研究才刚开始起步。

　　“在AI基础研究方面，中国与国外差距肯定在缩小的，但是加速度不是很够。比如在过去十年间，最具代表性的基础性AI方法主要来自于欧美大学和企业，我们要实现‘平起平坐’恐怕至少还需要5~10年。”山世光直言。

　　那么，其中存在的问题是什么？他认为，这源自对基础研究长期性的认知不足，并且缺乏足够的耐心。

　　“比如深度学习里最重要的算法是深度卷积神经网络，它其实是上世纪80年代的产物，距今已近30年。就是这个30年前的产物，直到现在才发挥出它的威力。基础研究发挥作用的效果和方式，有时候并不是线性的，需要耐心。”

　　反观当前的环境，一些基础研究项目与一些重大的项目，可能在两年内就需要获得重大成果，甚至在申请时就需要提出非常清晰的技术路线。如果技术路线不清晰，可能就拿不到这个项目。

　　此外，在AI基础设施方面，我国与国外的差距也不小。中国基础硬件平台投入大，但存在大量资源浪费的问题。与此同时，中国基础软件平台投入却较少，导致先机尽失，落后国外先进水平至少3~5年。深度学习的主流框架如TensorFlow、PyTorch、MxNet等，基本上已经成了国际通用的事实标准。

　　“是不是未来会成为类似于我国芯片产业‘卡脖子’的问题？现在不好说，但有这种可能。”山世光建议，包括基础算法研究在内的中国基础智件体系投入要加大，“过去建设了计算中心、数据中心，未来是不是要有AI算法的支持中心？是否要建设国家级的知识中心”？

　　他提出，要加强基础智件体系研究，建设计算中心、数据中心与算法中心；尽快建设国家级的“知识中心”，比如“通用知识+领域知识”的人类知识中心、AI算法和模型为中心机器知识中心，让已实现的AI成为如同水、煤、电一样可以取用的智件。

　　在低门槛的AI研发的平台和工具领域，山世光认为中国有可以抢占先机的机会。“‘学AI到蓝翔’虽然是一句玩笑话，但我认为这是有可能的。”

　　未来五至十年，中国需要大量的AI人才，他们可以通过相对比较低门槛的AI研发平台进行培训，做一些相对比较简单、但应用面广的一些AI算法工作。

　　而在AI人才培养的倾斜力度方面，山世光的体会则是“不太够”。当前中国AI人才的缺口很大，但AI相关专业的研究生数量又不足。许多不是AI领域的学生，都主动或因为工作需要而被动地“AI化”了。

　　“这是否合适？又是否能够真正解决AI人才缺口的问题？我认为可能还是不够，如果人工智能被列为国家战略方向，在人才培养领域应该有一些倾斜。”山世光建议。

　　他还指出，当前AI领域产学研的倒挂非常严重。近年来，企业大学化、大学和科研机构企业化的现象一直相当突出。“典型的表现就是企业在发文章，大学科研机构却在做短期的技术研发。背后的原因很多，包括相关部门对一些Long-term的基础研究缺乏支持的耐心，以及有些科研人员担当不够。这背后与‘帽子’和title文化催生的‘快餐式科研’占主流也有关系。”

　　此外，我国对企业科技创新的支持导向性也值得商榷，“不是说国家不应该支持企业做科技创新，而是企业该做什么样的创新、大学科研机构应该做什么样的创新，要有更加明确的分类”。