中国人工智能崛起直追美国 但在这些方面还有差距

作为人工智能领域的国际顶级盛会，由美国人工智能协会（American Association for Artificial Intelligence）主办的AAAI大会如期在旧金山盛大召开。在众多参会面孔中，中国的影响力不容忽视。在总计2571篇投稿论文中，中国和美国分别贡献了31%和30%的论文数量。尽管在被接收论文数量上，中国仍逊于美国，但其进步已然十分显著。

一段小插曲为今年的AAAI大会增添了别样的色彩。原定于新奥尔良举办的会议因与中国春节相撞，经过AAAI Fellow、现任执委杨强教授及其团队紧急与组委会沟通，成功实现了会议时间和地点的更改。

在全球人工智能发展的赛道上，中国正逐渐崭露头角。据《乌镇指数：全球人工智能发展报告》显示，中国在人工智能专利数量上紧跟美国，位列全球第二，且三国（中、美、日）共占全球人工智能专利总量的73.85%。这不仅凸显了中国在AI领域的研发投入和创新能力，更昭示着其正逐步成为该领域的中坚力量。

华人势力在会议中尤为引人注目。“不仅是学者，参会的中国公司数量也在逐年增加。”杨强表示。从活动赞助商来看，百度、腾讯等中国互联网巨头与亚马逊、IBM并肩作战，共同成为金牌赞助商。而在被收录的论文中，也不乏来自中国公司如百度、腾讯、华为、360、今日头条等的身影。

百度研究院院长林元庆在接受第一财经记者采访时表示，近几年华人面孔在国际人工智能会议上愈发常见，这也与国内几大公司在人工智能领域的投入息息相关。创新工场创始人李开复更是直言：“中国人适合做人工智能，世界上43%的人工智能论文都是中国人写的。”

美国白宫曾发布的《国家人工智能研究与发展策略规划》显示，从2013年到2015年，关于“深度学习”或“深度神经网络”的文章数量增长了约6倍。在增加相关附加条件后，中国在文章数量上超越了美国，位居前列。杨强认为，这一轮人工智能是18世纪工业革命自动化的延续，对于中国而言是一个实现弯道超车的机会。

中国的人工智能发展得益于多方面因素。中国人数学基础扎实、刻苦努力为AI发展提供了良好的土壤。但更重要的驱动力在于庞大的市场需求。对传统企业而言，需要新技术推动产业变革；而对互联网巨头或新兴独角兽公司来说，借助AI技术能激发海量数据的潜力，提升服务精准度，创造更多盈利机会。地平线机器人技术创始人兼首席执行官余凯表示，中美两国在应用层面基本处于同一起跑线，因为两国都有大量的数据、计算能力和应用场景。

尽管中国在AI领域取得了显著进展，但与美国相比仍存在差距。这种差距主要体现在基础性、原创性研究、创新土壤以及人才储备等方面。但不可否认的是，中国在AI领域的崛起为全球AI发展注入了新的活力，未来随着持续的努力和创新，这一差距有望逐渐缩小。在技术与产业化交汇的浪潮中，国内正全力推进技术的落地和产业化应用，而国外的研究者则更多地专注于前沿研究和理论探索，包括寻找新的方法论上的突破。地平线机器人技术的联合创始人兼算法副总裁黄畅在接受第一财经的采访时，对此进行了深入剖析。

毕业于清华大学计算机科学与技术系的黄畅，拥有丰富的学术背景与研发经验，曾在美日的顶级研究机构和百度担任高级职务。在他看来，研究的核心在于挖掘新的问题和新的方法，而在这一领域，国内外仍存在一定的差距。国内的研究更偏向于实际应用和细节优化，而国外则更注重理论创新和领域拓展。

杨强对此表示认同，并强调深度学习领域的领导者应当开拓新的领域，而非在原有基础上深挖。他将深度模型的层次拓展比喻为进步，但同时也指出这样的进步并非原创性的创新。他认为真正的突破需要跳出固有的思维模式，去探索未知的可能性。

多位人工智能领域的专家表示，尽管当前人工智能领域的研究热度空前，但真正具有原创性和突破性的成果却并不多见。戴文渊指出，很多高校和研究机构过于注重论文发表和短期成果，而忽视了真正的理论探索和创新。他认为人工智能领域的参与者应该跳出“跟风”的模式，关注那些尚未被解决的挑战和问题。真正的创新不仅仅是优化和改进现有的技术，更需要敢于面对未知和挑战传统思维。同时戴文渊也提到了深度学习从边缘课题变成主流技术的历程也充分证明了技术的积累和不断的创新突破是推动其发展的重要因素。在中国人工智能行业迅速发展的同时也有许多问题需要面对和解决如人才储备问题国内起步较晚的现状等特别是在资本驱动下人工智能领域的人才流动频繁人员成本居高不下成为了企业面临的一大挑战如何在激烈的市场竞争中吸引和留住人才成为了人工智能企业需要深思的问题。同时余凯强调选人标准要德才兼备对人才的热情和长期投入比短期成果更为重要同时他还强调人才需要能够跨领域解决问题如深度学习和迁移学习的结合将大大提升人工智能领域的创新力同时也希望更多的有志之士加入人工智能行业共同推动其快速发展为中国的人工智能事业做出更大的贡献。人工智能的繁荣与挑战

在人工智能的浪潮中，优秀的人才和优质的研究成果始终稀缺。就像人工智能领域的论文，虽然数量从每年的800篇飙升到3000篇，但真正出类拔萃的论文数量几乎保持不变。许多人可能只是在随波逐流，解决的是一些细枝末节的问题，产生的真正价值有限。对此，黄畅有着深刻的见解。

与O2O、电商等产业不同，人工智能的发展更依赖于长期且基础性的理论研究工作。如何从顶层设计出发，强化人工智能的基础理论研究和核心技术的突破，以及如何培养和引进人工智能科研人才和技术人才，才是人工智能持续发展的核心动力。

尽管人工智能领域一派繁荣，我们更需要正视其面临的挑战。余凯幽默地表示，目前更重要的不是告诉人们人工智能能做什么，而是要让他们明白人工智能的局限。

首要挑战是数据问题。人工智能依赖于海量的数据来进行训练和优化算法模型。以人脸识别技术为例，至少需要百万级别的图片数据来进行训练。但目前的问题是，人工智能主要依赖于监督式学习，这需要带标签的数据来保证训练的质量和精准度。黄畅提到，如何获取优质且带有标签的数据，剔除数据中的噪音和垃圾信息，已成为新的难题。这也使得半监督式甚至无监督式的学习方法成为未来的研究热点。

深度学习在推广和场景迁移方面也存在不足。每个领域的数据都需要重新收集、标准化和再训练，这使得跨领域推广变得困难。戴文渊表示，这些问题不仅是工业界需要解决的，也是学术界急需突破的挑战。在人才培养和教育方面，我们需要引导学生跨领域、原创性的探索和研究。

值得一提的是，AAAI最佳论文的获得者——斯坦福大学计算机科学系的RussellStewart和StefanoDrmon为我们树立了榜样。他们将物理知识与深度学习相结合，通过跨领域研究给AI带来了新的启示。这种跨学科的交融与创新正是人工智能未来发展的关键所在。