2022，院士们如何看待人工智能的未来发展？未来的AI是模型驱动还是数据驱动？当前人工智能发展面临哪些挑战？2月26日，在以“构建融合开放新生态”为主题的WAIC2022上海人工智能开发者大会主论坛上，来自学术界的院士和产业界的技术专家就这些问题进行了深入探讨。中国工程院院士、中国人工智能学会监事会主席蒋长军院士与南方科技大学副校长、讲座教授、美国国家科学院院士张东晓工程，发表主题演讲。圆桌论坛上，来自学术界和产业界的代表就数字化转型、AI发展问题等开发者关心的热点话题进行了深入探讨。物质、信息和智能是我们发展过程中非常重要的标志。在本次主旨演讲中，中国工程院院士、中国人工智能学会监事会主席蒋长军首先回顾了16世纪以来人类在这三个领域的探索和重大成就，然后在此基础上谈及他的成就。对于智能思维。蒋长军提到，目前人们对智能的理解仅限于连续结构和离散结构，其他结构形式还有待探索；理论上，深度学习算法并没有发生根本性的变化，仍然是基于神经层次结构。无非是处理的层次更多更广；直到今天，智能世界还没有在理论上形成公认的理论基础。“除了可计算的思维，人还有不可解释的思维，比如顿悟、灵感等。”他认为，在这一轮智能化发展中，不可预测性和不确定性是需要考虑的AI。基本问题。南方科技大学副校长兼讲席教授、美国国家工程院院士张东晓分享了理论指导下的人工智能话题。模型驱动和数据驱动在模式和映射关系上是不同的。在解决实际问题时，我们应该选择模型驱动还是数据驱动？张东晓认为，当数据足够多的时候，任何函数都可以任意精度拟合，数据驱动可以达到很好的预测能力。然而，仅有数据是不够的。以深度学习神经网络为例，其学习模型架构可以整合物理规律、工程控制、增加训练经验等信息，增强可解释性和更好的鲁棒性。核心在于深度学习框架中的知识。的嵌入式。张东晓表示，如何挖掘模型，从数据中获取知识，才是人工智能的最高境界。“在工业+AI的探索中，数据驱动和模型驱动的有机结合，有助于解决行业实际问题。》在数字化转型圆桌论坛上，上海科技大学副院长、信息科学与技术学院副院长余静宜，缤通智能CEO龚朝晖，人工智能计算专家、中科总经理高平随缘科技产品营销部分别发表了对元界的看法，“元界首先要有沉浸式体验。由于人工智能等技术的发展，我认为出现了新的机会。我们必须为此打造一个数据驱动的引擎。”余静怡说。“除了娱乐领域，元界还有很多应用方向，比如智慧城市的3D模型重建。近期，谷歌和Waymo利用神经网络方法对旧金山大量街区进行了城市改造。该方法与传统技术完全不同。它可以快速渲染并将大城市压缩成一个小数据集，但不可编辑。在智慧城市中，元宇宙具有巨大的潜力。”“从现有的技术手段来看，元宇宙的概念是用一些图像和视觉技术来描述认知中的物理宇宙，并希望通过其他技术手段重新呈现它。”龚朝辉表示，“未来很可能会有全新的技术手段，能够在虚拟世界和物理世界之间形成闭环和交互。我们可能在这个世界上，创造出新的交互形式，进而带来新的商业模式和应用场景。”“我认为元宇宙是数字经济的一种新形态，它需要强大的计算能力。元宇宙的内容生产已经遥遥无期。远远超出我们现在所了解的，基于视频等媒体的互联网内容基础，未来我们需要海量的算力来支撑虚拟环境的渲染，而由此产生的算力需要AI数据的支持。”Ping.“对于2B公司来说，可能会有大量基于元宇宙的2B基地，上面是开发者搭建的业务，人们会发挥自己的才能，让元宇宙的产业生态蓬勃发展。”开发者是一个有的开发者在高校从事算法研究，有的开发者在企业从事AI应用的开发，有的则跨界工作，开发者的职业多种多样，在本次圆桌对话中，几位嘉宾探讨了2022年人工智能发展的难点。首先，我们谈到了人工智能算法的发展比几年前变得更容易还是更困难，以及几位嘉宾发表了自己的看法。上海交通大学JohnHopcroft计算机科学中心tenure-track助理教授、博士生导师温颖从生态发展的角度解读了AI算法研发难度的变化。他说：2015年就出现了深度学习，但那时候还没有完美的研究工具。TensorFlow于2015年底首次发布，2016、2017年生态逐渐成熟。如今，大模型和新算法的驱动，使得模型的门槛更高，对算力要求更高。东方理工大学助理教授陈云天表示，人工智能算法的研发变得更加容易。取得了更大的进步。上海人工智能实验室通用视觉组计算机视觉研究员何以南也表示，与几年前相比，人工智能开发更容易上手，更多的开发者在社区贡献开源代码，并且有还有许多来自主要制造商的开源工具。和平台。开发者现在要做的是提升自己的知识和解决更高层次问题的能力。那么打好基础之后，现阶段我们面临的更高层次的挑战是什么？何以南指出，眼下首先要面临的挑战是数据问题。训练模型需要收集大量的数据，二是为了提高训练效率。陈云天也表示，在小数据上做机器学习是一个挑战，可解释性和知识嵌入也是需要解决的难题。温颖提到，虽然强化学习在游戏方面取得了一些比较大的进步，但在实际应用场景中还没有完全展现出它的作用，想尝试在强化学习中使用大模型。
