被数据所驱动的人工智能，其局限性应如何破局？| 智源大会，一眼领略AI全貌

人工智能当前的市场非常广阔，首先我们看一组数字。

根据德勤最新发布的人工智能报告显示，2018 年全球人工智能市场规模达到了 1.18 万亿美元，同时预测未来 2025 年世界人工智能市场规模将超过 6 万亿美元，2017 年 -2025 年复合增长率达 30%。

根据德勤《2019 科技、传媒和电信行业预测》报告所中提到的内容，企业将加速应用基于云技术的人工智能软件及服务。到 2020 年，在所有应用人工智能软件的企业中，将企业级软件与人工智能和基于云技术的人工智能平台相结合的企业比例将分别达 87% 和 83%。云技术将推动人工智能的全面应用和投资回报率，并促进对人工智能的投资。

以上的这些数据无一例外都在表明，人工智能已经进入到其发展的高速期以及理念的落地验证阶段。无论是从政府政策，还是市场需求，人工智能正在受到前所未有的关注。

但事实是，尽管人工智能从 2012 年深度学习理论被实践验证后得到了飞速的发展，但我们现在仍然处于人工智能的初级阶段。原因就是当前的人工智能，都是被数据所驱动的智能。本质上是被大体量数据不断训练出来，再通过算法模拟出来的“智能”，并非是有自己判断逻辑。

当然，这相较于以前的人工智能，在效率上的确有了飞跃性的提升，但单凭这些，仍然没有达到改变一个行业或领域的地步。依靠大量的数据并结合强大的算力，通过构建数据模型来获得的成功，并不能被完全理解为人工智能的成功，一旦脱离了数据，现在的人工智能就可以说是威力大减。

中国科学院院士、智源研究院学术委员会主席张钹曾提到过，当下成熟的人工智能应用，一定是具备以下这五个特性的，分别为有充足且多样的数据支撑、目的的确定性、信息的完整性、有确定性的静态演化规律以及特定领域这 5 个特性，才能确保人工智能应用的成功落地。

当然，我们要认可人工智能对于当前社会的改变，概念性产品越来越少，实践、可落地的产品与解决方案正在越来越多，人工智能也开始越来越广泛的落地在各个领域，并且人工智能应用也的确在我国开展了大规模的落地。

以人脸识别技术为代表的人工智能，在深度学习算法的驱动下，计算机视觉技术在近几年取得了突破性进展，目前国内人工智能领域技术应用场景最成熟的，依然集中在图像识别领域。号称中国人工智能四小龙的商汤、旷视、云从、依图，都是依靠人脸识别起家。

但是尽管如此，我们也要看到目前人工智能应用的落地是存在局限性的。以人脸识别为例，基于统计概率模型的大数据分析方法，包括机器学习和深度学习等，可以针对某个特定的任务，通过设计一直简单的价值函数，辅以大量的数据训练并最终模拟出结果，这种方式并不能被称为真正意义上的智能。随着其技术应用的边界和市场应用条件逐渐清晰，随着深度学习技术的发展速度放缓，深度学习的潜力几乎已被耗尽，人工智能领域能否继续保持如此高速的发展，现在看来还是一个问号。但即便面临这样的风险，整个社会对人工智能的期望值还是很高。

几年前的 AlphaGo，一下子激醒了群众对于人工智能的渴望，再加上媒体的炒作，资本的追捧，有可能只是原本科研领域一小步，却被包装成能够改变行业现状的技术，给人们带来了太多的“兴奋点”，全球都对人工智能抱有很大的期望值，并且对于人工智能的发展过于乐观，

当然不是说目前的人工智能价值不高、都是资本泡沫等等，而是要正视人工智能发展所给社会带来的价值。

Michael I. Jordan

加州大学伯克利教授，智源研究院学术委员

加州大学伯克利分校教授、美国三院院士、智源研究院学术委员 Michael I. Jordan 在其著作《Michael I.Jordan 八大经典语录》中就有提到，无论是在美国，还是中国，AI 都是被高估的。一方面 AlphaGo 让很多公众开始了解 AI 这个概念，也因此有很多炒作围绕 AlphaGo 而展开。AlphaGo 是在一个有限的领域中，通过精良的反复模拟而达成的一种成功的模式，但机器很难模拟整个世界，也因此一场 AlphaGo 的胜利很难说是 AI 的全面超越。

既然第三次人工智能浪潮是从深度学习的兴起开始的，那么在深度学习技术发展速度逐渐放缓并逐渐接近天花板的现在，也许人工智能是时候需要一个新的“深度学习”来刺激行业的发展。

随着深度学习技术的发展，NLP 自然语言处理领域也有了长足的进步。预训练语言模型逐渐成为了一种新的 NLP 范式，预训练无疑也已经成为 NLP 自然语言处理领域中非常重要的一部分。当前市面上的主流预训练语言模型，主要分为单向特征表示的自回归预训练语言模型、双向特征表示的自编码预训练语言模型以及双向特征表示的自回归预训练语言模型这三种。

预训练思想的本质，是指模型参数不再随机初始化，而是通过一些任务（如语言模型）进行预训练；现阶段，NLP 预训练主要是通过使用大规模文本语料库进行预训练，对特定任务的小数据集进行微调，从而降低单个 NLP 任务的难度。

未来，预训练语言模型的主要探索方向是什么呢？如何将大数据、算力推到极致？如何引入更加丰富的只是信息？如何统一条件并生成任务框架？有没有更快的解码方式？

想要了解 NLP 预训练的发展方向与现有成果，10 月 31 日智源人工智能大会，华为诺亚方舟实验室语音语义首席科学家刘群老师，将会现场解读目前预训练语言模型的研究进展。

【自然语言处理专题论坛日程】

此外，在自然语言处理专题论坛上，还会有斯坦福人工智能实验室（SAIL）负责人 Christopher Manning、微软技术院士兼首席语音科学家黄学东、加拿大滑铁卢大学教授及生物信息学首席科学家李明、京东 AI 研究院常务副院长何晓东等 NLP 自然语言处理领域的顶尖学者和专家到场，从学术发展到应用实践，全方位解读 NLP 技术的发展现状与未来趋势。

当然，说到 NLP，自然就离不开机器学习的助力。从“作坊式”到集中化到平台化的发展历程，在一定程度上与企业后台架构的演进历程十分相似。在“作坊式”的过程中，机器学习平台所采用的架构和技术选型主要针对作坊式生产方式的问题来展开，也就是提高复用性和规模化的能力。就像机器学习、深度学习这种算法密集型的技术研究，随着业务的开展，各算法团队开始针对各自的问题做规划，从而产生了一个个小作坊式的生产局面。因此，就需要一款集中化的机器学习框架来解决重复性以及内部资源统一管理的问题。

在集中化后，逐渐就衍生出“以平台的形式将功能呈现给公司所有技术团队”的这一平台形式。随着监控体系、运维体系、精细化的资源隔离管理及优化等功能得到了夯实，机器学习开始逐渐演变为一个完整的、能够为用户提供不同性质技术支撑的架构平台。

未来，机器学习将会在保证整体效率和成本控制的同时，也要兼顾创新的活力，无论是从硬件选型到基础设施，还是基于上层的整个软件栈，机器学习都要做到内外统一架构，从而降低内外两部分的重复性工作。

关于机器学习未来的发展前景，香港科技大学教授杨强，南加州大学计算机科学系主任兼滴滴出行 NLP 首席科学家 Kevin Knight，北京大学信息科学技术学院教授王立威，清华大学计算机系长聘教授朱军，将会从深层神经网络的优化、贝叶斯深度学习理论以及联邦学习等多个机器学习的经典理论出发，为你现场解读机器学习的最新进展。

当然，仅仅依靠机器学习以及 NLP 自然语言处理技术，是无法突破当前人工智能的发展瓶颈，因此更加需要人工智能各领域的共同发展，才能最终刺激到人工智能行业的整体发展。

2019 年 10 月 31 日 -11 月 1 日，北京智源大会将于北京国家会议中心盛大召开，作为一个真正内行人的 AI 盛会，本次大会聚焦学术与应用，为加强产学研合作，议题范围涵盖人工智能数理基础，数据、知识与认知推理，机器学习，智能信息检索与挖掘，智能体系架构与芯片，自然语言处理，人工智能伦理、安全与治理，自动驾驶，脑科学与 AI 等当前人工智能最火热的前沿领域。以真正内行的视角探讨未来趋势，解读行业最新动态和进展

• 近距离观看来自全球顶尖学者间的激烈碰撞，中国科学院院士张钹、图灵奖获得者 John E. Hopcroft 等 40 余位国内外人工智能科研领域的顶尖学者齐聚一堂，他们眼中的人工智能，应该是怎样的？

• 12 家行业顶尖人工智能企业现场展示最新科技成果，20+ 最具权威的 AI 学术研究成果展示，第一时间掌握人工智能领域的下一个风口。

• 参加大会的都是懂行的，内行的你，怎么能错过这次人工智能领域的全球性盛会？

为感谢开发者对人工智能领域所做出的贡献，智源联手 InfoQ 为社区开发者送上大会福利。现在扫描下图二维码或点击阅读原文，输入优惠码“INFOQ”，立享购票的 7 折优惠！

我们应该如何看待当前的人工智能？人工智能的未来形状是怎样的？相信这群来自全球不同地区的顶尖学者，一定会颠覆你对人工智能的认知。