人工智能不僅是當前的一個科技前沿，也是一個科普熱點，基本做到了家喻戶曉。從2016年的擊敗世界冠軍的圍棋軟件AlphaGO，到人形機器人，再到最近的ChatGPT，熱點不斷，熱度也不斷，社會關注度居高不下。

與此同時，大量的資金也快速涌向人工智能科技，推動了人工智能科技的快速發展。不管是深度學習，還是大模型，都要購買大量的芯片，收集大量的數據，進行大量的人工標注，這要耗費大量的人力物力，還會造成較大的能耗。

據統計，每2-3年，人類社會的數據量就要翻倍；每5-6年，AI系統消耗的電能也要翻倍，這是難以可持續發展的。可是，AI的研發人員和投資人員不這么看，只要系統性能提升一點，投入再多人力物力似乎都在所不惜。

尤其，人工智能有很強的滲透性，可以和很多學科結合，似乎沒有人工智能不能解決的問題。感覺良好的AI研究人員聲稱，只要給我足夠多的數據，足夠多的芯片，足夠多的投入，問題都不是問題。但是，果真如此嗎？ 在人工智能科技狂飆突進的時代，我們尤其需要冷思考，以看清未來發展的方向。

目前AI研發也不是晴空萬里，而是有很多朵烏云。比如，圍棋軟件只能下圍棋；人形機器人功能還比較單一；自動駕駛汽車有時失控，又難以找到原因；圖像識別系統容易被對抗樣本攻克，安全性有漏洞；ChatGPT未經過許可使用了大量的數據，將面臨大量的侵權訴訟；AI系統投入太大，能耗太高…。類似的問題還有很多，也不得不讓我們思考下一代人工智能路在何方呢？

首先，要考慮人工智能不同學科方向的平衡。西方學者提出的深度學習、大模型等技術，雖然可以很好處理高維大數據，取得了很多很好的成效。但是，這種技術方法不能等價于人工智能的一切，也存在高投入和高能耗等突出問題，還有可解釋性差等問題。我們應該相信還有其他解決方法，更好的AI算法。這需要我們增強創新自信，不斷地去探索發現新的學科方向，不能孤注一擲，一擁而上搞同質化研發。

其次，要綜合考慮精度、投入和可解釋性的平衡。一般來說，人工智能系統似乎精度越高越好。只要精度能提高一點，模型復雜幾倍，投入增加幾倍也在所不惜。其實，精度太高容易產生過擬合現象， 導致投入過大，模型太復雜，可解釋性也會隨之下降，也許得不償失。這就需要我們綜合考慮，達到精度、可解釋性和系統投入的平衡點。

第三，要綜合考慮知識驅動和數據驅動的平衡。人工智能技術不僅要幫助人類做事，還應豐富人類知識和認知，能從大數據中要獲取經驗、知識、甚至智慧，不能只得到一個“知其然不知其所以然” 的黑箱（Black Box ）。黑箱雖然可用，但風險難測，魯棒性較弱。利用黑箱模型的自動駕駛汽車有時會突然失控出事故，而且難以找到其背后的原因，難以確保事故下次不再發生。因此，在安全相關領域要采用可解釋性強的人工智能技術，至少是知識驅動和數據驅動的融合，或者是人機混合智能技術。

最后，要綜合考慮熱門和冷門的平衡。人工智能研究熱點經常轉換，從早期的專家系統，到后來的符號推理，再到模糊系統、神經網絡、決策樹、支持向量機等，曾經也有一個百花齊放的時代。現在，神經網絡技術似乎要一統江湖了，這是不正常的。圖靈獎得主Hinton教授等專家做了約30年的冷板凳，才把神經網絡從一個冷門學科方向變成今天的人工智能顯學，其專注精神確實值得我們學習。因此，把冷門技術搞成熱門才能產生科技大師，跟隨科技熱點進行改進或應用只能成為普通專家。

因此，人工智能的研究需要考慮以上的四個平衡，以研究出精度高、可解釋性強、魯棒性好、低投入和低能耗的下一代人工智能算法。 有了自主研發的高性能人工智能算法，才能把人工智能技術發展的自主權牢牢把握在自己手中，也是人工智能科技自主自強的關鍵，也許還可以引領世界人工智能發展的新方向。

來源: 陳德旺

內容資源由項目單位提供