AI落地难，难在哪里？

人工智能协会   AI

国际科技巨头对人工智能的研究已逾十多年，并且部分研究成果已经进行商业应用。同时，国内近几年掀起AI热，科研、资本和人才向AI靠拢的趋势明显。互联网巨头公司大力加码推进人工智能研发。马化腾也表示，如果只能投资一个领域，从他自身所处行业出发，他最关注的是和信息技术相关的AI产业。

那么AI在国内研究发展现状如何？未来推进的方向应该是怎样的？美国人工智能协会（the Association for the Advance of Artificial Intelligence，AAAI）执行委员会唯一的华人委员、香港科技大学计算机科学及工程学系教授杨强近日接受《知识分子》访谈，他认为，国内AI研究尽管在投稿量上接近领先，但是在创新方面，国内人工智能研究还有欠缺，“很多人学会回答问题了，但是，很少有人会提出新问题”。

谈到AI未来的发展方向，杨强认为，当前AI应用没有做到让整个行业脱胎换骨，而要做到AI驱动的“核心决策系统”的优化，算法研究的力量可能只占其中比较小的百分比，更多的是要看市场对这个系统的态度，看生态、同盟的发展速度，是不是可以来推动整个垂直行业的跃进。

同时他还指出国内外巨头公司布局人工智能方面的不同之处，并对AI相关人才的培养提出了自己的看法。

以下为访谈全文。

Ai落地难，难在哪里？

《知识分子》：人工智能不同领域，包括计算机视觉、机器学习、自然语言处理、机器人技术和语音识别技术等，国内与国外研究进展的主要差距体现在哪？

杨强：人工智能和其他的科学行业的发展规律是类似的，比方说天体物理，在一些大家已公认的题目上，像“用射电望远镜观测星系”，“研究星系的发展规律”等，在大家都得到数据和资源后，就都去参与研究。中国的人工智能发展现在处于这个状态，有一些国际上公认的热点题目，大家都去研究，例如机器学习，有很多的学生、学者去参与。我们现在的科研文章，不管是投稿量还是被接收量，都已经接近世界的水平了，这是很可喜的事。 

但是在创新方面，国内的人工智能还有欠缺。 就像在科学的领域发现一个新的星体，或是发明一个新的手段去进行科学发现，这类注重“新”的问题，需要科学家去深度思考，也是科学家们真正应该做的事情，而不仅仅是做人家定下来的题目。做别人给的题目比较容易，但提出好的、新的题目却很难。国内人工智能研究方面，“引领”型的研究还不够，接近国际水平，只是从量的上面看，这当然已经相当不错了。但是从质的方面，还有不小的差距。这就像：现在很多人学会回答问题了，但是，很少有人会提出新问题。

造成这种差距的原因来自多方面，一方面可能是因为媒体的宣传和社会对青少年的培养仍然比较传统，即：鼓励大家去研究人人都在做的方向，去人多的地方掘金。这种思维是整个社会和文化造成的，一时没办法改变。另外，某些学生、学者比较注重短期效益，比较在乎短期的成败比如文章数。媒体上也宣传，大家在评价大学等机构研究水平时，还是在看发表文章的数量，认为一家机构发表的文章多，这家机构就很厉害，其实，这是一个错误的引导。应该转变思维，强调他们提出了几个新的思维，这些思维被全世界多少人跟踪，引用，发展。

美国人工智能协会委员、香港科技大学计算机科学及工程学系教授杨强。图片由受访者提供。

《知识分子》：如何评价当前人工智能不同领域商业化应用推进程度？落地难的主要原因是？

杨强：我们要解决人工智能落地难，首先要理解什么叫“落地难”。我的理解就是，在实验室理想的环境下，取得了很大的成功，但是拿到实际的生活、生产当中去，往往不能得到预期的结果。AI落地，会遇到很多的挑战。

第一个挑战是数据少。数据在大部分产业界都是以孤岛的形式存在，以小数据的形式存在，没有形成完整的大数据。为大数据设计的算法模型，在大多这样场景中，就会无能为力。

第二，我们逐渐意识到AI其实并不是一个产品，不像Microsoft Office一样，大家拿来就可以用。而是：AI的模型需要做训练，训练是需要数据的，需要标记好的数据，要有不断壮大模型的经验、需要有能力获得好的反馈来帮助模型壮大、整合不同的数据拥有方来进行互补。所以，这些都说明，AI的落地更像是一个“解决方案”。但是，如果AI仅仅是解决方案的话，落地就会非常难，因为对于不同的问题，需要不同的方案设计，这就很难Scale up （扩展），效率会非常低下。