围绕人工智能的讨论始终没有停歇过，在“新基建”强势推进的背景下，业内研究者们如何看待未来的发展趋势？

　　王金桥  中国科学院自动化研究所研究员

　　人工智能的研发最早来自实验室和科研机构，它的技术很通用，但是在场景中确实不容易落地。其与应用的结合，是一个比较有挑战性的问题。我的理解是，任何一项技术都是有边界的，要更好地把握人工智能的应用边界。

　　比如人脸识别在近距离、远距离、不同的场景下，有着各种各样的问题；声音识别再牛，也很难分辨在工业机器的一堆声音中，哪些是表示机器有缺陷的声音。所以，人工智能要想实现规模化应当是一个整体的解决方案。

　　最近国家也提出，要求高校、研究机构和企业一起成立新型的研发机构，或者成立联合实验室共同分工。从科研机构角度看，它很难有许多具体化、场景化的信息，因为每一个老师的技术都能卖给很多不同的企业，大家都可以用；而对企业而言，它想将各种各样的技术集中起来解决行业的痛点。

　　而这其中存在很多理念的差异，导致现在很多AI应用并不适用于不同的场景。在很多场景下，如果跳出了AI的边界，或者是在它不确定的工作范围内，效果就不会很好。

　　对于“新基建”而言，人工智能是非常重要的，我们需要有自己的一些开放框架，要加强人工智能的治理，防止人工智能的滥用，以及防止人工智能产生一些法律的问题。

　　无论是在医学还是在其他方面，我们都要更好地把握AI本身的边界。在过去两年中，我最大的感受是在做B端行业的研发时，很多时候需要帮助行业去改变它工作的模式，行业本身要和场景做深入的结合，同时也需要客户去理解，这是一个长期的过程。

　　曹存根  中国科学院计算技术所研究员

　　AI有什么作用呢？比如在这次疫情中，AI平台能够辅助从事分子生物学、基因工程的研究人员、医生，快速地形成各种方案。同时在临床中，预测未来的情况怎么样，包括社会治理等，AI完全可以其发挥作用。人工智能现在很“火”，火得已经开始膨胀了。我们先考虑这样一个问题：什么是AI？以一个很小的实验场景为例。比如妈妈经常教一个两岁的孩子识别事物，她拿了五张猫和五张狗的图片给孩子看，让孩子学习。孩子看了10分钟或20分钟后就测试他，拿出一张新的图片出来，问他这是猫吗？这是狗吗？这是兔子吗？

　　我相信这个两岁的孩子，他能百分之百地分辨出来，一点问题都没有。那么，这个孩子的智能水平有多高？如果我们能回答这个问题，就应该知道——AI和孩子的学习过程是一样的，学并不能解决所有的问题。AI不等于学习，学习只是AI中一个部分，它的面很广。AI在数据多的情况下，学习才会发挥作用。

　　我非常赞同国家统一部署一些大型的公共服务措施。因为需要存储的东西太多，购买GPU又很贵，买那么多服务器也非常贵，对于算力而言非常浪费，也浪费电力。比如北京可以建几个大的AI中心、公共设施，大家都省事，成本也会很低，而这种基建的能力是非常重要的。

　　彭思龙  中国科学院自动化研究所研究员

　　不光要加强AI的理论创新与基础设施，其实它的目标也很重要。我的建议是，未来要加强应用导向，尤其是要面对刚需的需求，而不是创造新的需求。

　　现在很多是在创造新的需求，比如智能驾驶等，其实这在过去是没有的，都是在创造新需求，但很多已有需求的AI化是未来一个很重要的任务。而且从科学方法的角度看，不要一开始就研究非常复杂的问题，而是要研究非常简单的问题，只有这样才有可能取得系统性的突破。

　　比如近年来，我一直在做一些智能制造有关的东西，如传统产业的智能化升级等。其实这是中国未来几十年，发展智能制造非常重要的一个方向。我们不能只关注高端，低端的产业将来如果在中国活不下去，也会迁移到国外去。

　　如何让这些中低端的传统产业，以最低、最小的代价实现智能化升级改造，可能是未来人工智能发展一个非常重要的方向。而且这些产业在中国的体量巨大。在相当多的行业里，中国占有全球百分之七八十的产能。其中积累了大量的经验、数据以及当前的需求，只要解决了其中任何一个问题，它甚至都不需要推广就能普及。

　　如今AI的很多应用推广，之所以需要去推广，是因为这些是完全都没有的东西、是创造出的新东西，并没有解决已有的问题。所以，我希望未来能把相当一部分的精力，集中到这些传统产业上去，让它们能够以最小的代价享受人工智能技术。

　　黄俊洲  腾讯AI Lab专家研究员、机器学习中心总监

　　总体而言，AI这几年发展得很好，对我们从业人员而言当然是一件好事，但是也带来一些新的问题。

　　AI要从应用中来，又走到应用中去的。那么，我们怎么去从应用里找到问题呢？把这些问题解决后，又给AI带来一些新的研究课题，而这些新课题解决了之后，又能够反哺产业，就此形成良性循环。

　　这几年我在做医疗的产业过程中，就有非常明显的体会。深度学习需要很多的数据，但是很多行业没有准备好，难道就什么事都不能做吗？这肯定也不行。在数据都没有准备好的情况下，如何去启动呢？

　　第一， 在算法上要研发类似于牵引学习、半精度学习等一些新的方法论；第二，如何和行业的知识相结合，如何支持现在的AI方法融合形成新的方法论。在这个过程中只有一步一步地去积累，等到一定时候，水到渠成，形成一个全新的方法论。

    （本栏目文章未经发言人审核）