数智化浪潮之巅，人工智能迎来更好的发展机遇，同时也面临更多的行业挑战。如何准确把握产业趋势，充分利用技术红利，成为数字时代的同行者，是业界共同关心的事情。
第八届中国人工智能大会尖峰对话环节邀请了戴琼海院士、桂卫华院士、廖湘科院士、王耀南院士、周志华院士、田奇院士，同台探讨“人工智能发展新形势：机遇与挑战“话题，深入解析了我们对人工智能的期待和疑问，并为长沙智能产业发展提供了宝贵建议。CAAI副理事长刘成林研究员主持对话。
人工智能面对什么样的“新形势”？
对话伊始，刘成林研究员对 “新形势”做了阐述。随着人工智能研究和应用进一步深入，当前“大数据+大算力+深度学习”的主流人工智能技术不足之处越来越明显，智能产业发展速度有所放缓，复杂开放场景应用所需要的可解释性、可靠性、可演化性要求难以满足，亟待新探索和新突破，这就是人工智能发展的新形势：人工智能研究和应用进入深水区，既遍地机遇又充满挑战，应该从哪些方面突破？
刘成林研究员
脑科学这条道路到底是否可行，前景怎么样？
这是主持人现场抛出的第一个问题。
脑科学和认知智能专家戴琼海院士首先给出了自己的见解。“人工智能发展有很多方式，从脑科学机理研究只是其中一个方向，其他还有统计数学等。”“大算力、大数据、深度学习三足鼎立，它们现在已经可以执行一些任务，但是在很多环境下仍然存在不少问题。想要达到更高水平的人工智能，通过脑科学为基础实现认知智能是一条重要途径。比如现在深度学习也有其脑机理作为基础，在未来人工智能的发展中，脑与认知也是重要方向。
戴琼海院士进一步介绍说，他正在与生命科学家合作探索，想到免疫智能也很重要，免疫系统和病毒打交道，免疫的对抗能力很强，也体现了很多智能的机理，因此通过免疫的机制也有可能建立新的智能理论与技术。
“这个路很长，但是现在比五年前已经取得很多进步，从感知智能，到记忆学习，到决策机制，它们在生物智能中是如何发挥作用的，如何以它们为基础构建新的认知智能，也是国际非常关注的前沿领域。目前国际上对感觉与知觉、记忆与学习、以及决策，开始布局各类实验室开展研究，一个代表就是国际脑实验室（International Brain Laboratory，IBL）。我们也要在这个重要的领域全面布局，抢占制高点。”
戴琼海院士认为，在这一轮竞争中，我们要在前沿方阵上保持科技在第一方阵。
戴琼海院士
算力驱动的人工智能有多大发展前景和机会？
廖湘科院士主要从事高性能计算机研究，针对大算力的争议，他基于自身多年的工作经验做了回答。
“目前大家觉得人工智能的发展靠算力，数据越来越大，算力越来越大，机器规模越来越大，这会有很多毛病，路子不能靠规模越来越大走下去。”但是他认为，算力大规模堆积今后还是很重要，有发展潜力，并且是很实用的途径。
廖湘科院士通过对MPP（大规模并行超级计算机）发展的历程回顾，解释了通过规模扩大提升算力的重要性。“任何系统，一是把单节点做强，二是把规模做大，是提高能力的两条路径。”
他总结说，在今后一个时期里，规模扩大提升算力仍是最具备可操作性的、行之有效的措施。
廖湘科院士
人工智能可解释性定义是什么，从哪个渠道开展研究？
人工智能的可解释性是AI理论的重要部分，周志华院士是人工智能基础研究的知名专家，他对“可解释性”的看法是：不同的人所谈的“可解释性”并不是一回事，在机器学习上大概至少有三种：结果的可解释性、模型的可解释性、机理的可解释性。有人关心的是结果可解释性，这跟受众对象有关，比方说偏微分方程形式的结果对大学生是可解释的、对初中生则可能是不可解释的，所以要谈结果可解释性，必然要涉及用户建模；有人关心的是模型的可解释性，希望模型的形式让人一看就能知道学到了什么，从这个角度看，决策树和规则模型的可解释性最好；我们更关心的是机理可解释性，从这个角度来说，绝大多数机器学习方法的机理都是清楚的、可解释的，就是深度神经网络在机理上不太清楚，主要还是靠试错的办法。
“关心这三种可解释性人群不一样，首先要搞清楚自己关心的是什么可解释性，然后才能进一步进行探讨。”周志华院士进一步解释。
周志华院士
计算机视觉发展很快，但在开放场景下有很多不足，如何应对？
大规模图像检索和机器视觉专家田奇院士称，视觉技术的关键是识别、生成和交互。他同时提出了三个挑战性问题，并给出了解决思路。
一是图像语义信息的高度稀疏性;二是图像域间的差异性，训练数据、测试数据，由于图像采集方式不同，导致图像像素统计分布有差异；三是图像的无限细粒度特性，图像没有最小的基本语义单元，这跟NLP不一样，NLP的最小语义单元是文字单词，但是视觉没有。
针对语义信息的稀疏性的挑战，应对方法一是模型的神经网络架构设计，二是图像数据的大规模预训练。
针对图像域间的差异导致的模型迁移能力差，主要做数据高效的模型微调。
针对图像的无限细粒度特性，由于图像没有最小的语义单元，这是开放域识别的问题。解决的思路利用其他的模态，比如文本指导下的视觉模型预训练，让文本语义和图像实现更细粒度的对齐。
田奇院士
智能机器人的思维能力是否要建造强大的脑子？未来有哪些挑战和机遇？
王耀南院士一直从事机器人感知与控制技术的工程应用，关于智能机器人的问题，他从行业实践和未来发展方向做了解答。
现在无论是工业机器人、服务机器人还是特种机器人，包括无人系统都是一种机械电气自动化系统，是比较刚性的系统，替代人们完成一些重复性，而且是简单重复性，不需要太多的思考，简单乏味的工作，就是一个单一的机器人。
“机器人应该是要像人一样，是智能的。”“现在既然是叫机器人，实际上是简单的机械化装置，未来真正要变成‘人‘，这个很关键，我们必须要有一个聪明的大脑，否则就是四肢发达大脑简单。”王耀南院士说。
通过感知智能向认知智能发展才能使机器人走向智能，但如何发力？王耀南院士提出了三个方向。
一是要充分利用人工智能技术，尤其是学习技术，学习技术像人一样，根据场景理解识别，有创新的能力；二是执行要有智能，看到多种复杂的任务可以自动分解、分配。三是在群视智能机器人方面要做好工作。
王耀南院士
制造业中人工智能发展前景怎么样，有哪些挑战和机遇？
“如何从制造业大国走向制造业强国，未来十年很关键，核心就是实施智能制造国家战略。”这是桂卫华院士对制造业发展的判断。
桂卫华院士认为，工业智能制造技术有很广泛的前景，对我们国家制造业发展非常重要。
他同时给出了两个建议；
一是我们要发展工业软件，为我们智能制造提供核心技术支撑。工业软件是智能制造业的核心之一，智能制造所有的意图的实现都是通过软件实现，在制造业里面形成了工业软件。
二是人，现在软件培养人才和工业培养人才，我们要培养既懂软件又懂工业的人才，对我们打破工业软件有利。现在培养软件是一条线，培养工业是一条线，怎么培养复合型人才，为工业软件提供人才支撑，也是要解决的问题。
桂卫华院士
网友关注：人工智能产业趋势如何？工作机会变少、标准降低的情况什么时候可以恢复到过去的火热状况？
戴琼海院士从两个方面做了回答。一方面，当前互联网整个领域的影响，深度学习本身在某些方面存在的瓶颈，以及应用场景的限制等多方面因素叠加形成了当前就业的局面。但另一方面，人工智能人才，特别是高端人才匮乏情况一直存在，同时国家正在推进高质量发展和实体经济增长，人工智能本身具有“头雁效应”，可以赋能万业，人工智能未来有很大的发展空间。
王耀南院士认为，智能产业近几年发展较快，但不可能再像以前一样回到低谷，现在只是有一个缓冲期。“未来在高端领域有更多需求，比如智能制造、电子制造业、新能源制造业。”
网友关注：企业比较欢迎什么样的人才？
田奇院士给出有关“AI+X复合型人才”的标准。“除了有扎实的AI技术以外，希望对交叉学科，比如物理、化学、材料、海洋、地质等除了AI以外的专业知识有比较深的了解，这是复合型人才。”
田奇院士还从企业用人角度给出四个方面的参考：
需要有很好的编程能力；
愿意挑战世界性难题的前沿人才；
自我驱动、不断学习更新知识的储备；
勇于开拓市场，能够经历艰苦奋斗。
一人一语，院士心声
尖峰对话结束前，刘成林研究员邀请每一位院士用一句话进行总结。
王耀南院士：人工智能大有作为。
桂卫华院士：智能制造可以支撑国家制造业做大做强。
戴琼海院士：人工智能发展，从人工智能的理论、技术、产业、人才培养的发展都需要高质量。
廖湘科院士：人工智能研究之深，应用之广，人工智能是深科学体系、广科学体系，广阔天地，大有作为。
周志华院士：打好基础。人工智能科技发展要打好基础，各位同学如果想要从事人工智能领域工作也要打好基础。
田奇院士：AI应用有很多碎片化的问题，我们也在聚焦打造大模型的技术，希望大模型技术能够成为AI应用的底座，在上面发展出很多炫彩APP。
伴随院士一人一语环节的结束，六位院士携手打造的一场高端对话圆满收官。这场对话，他们把个人的观察思考以及实践经验进行了分享，让我们对人工智能的方向有了深刻的把握。
就像每一位院士对未来的期待和祝福，人工智能将进一步融入我们的生产和生活，创造更大的社会价值和经济效益，让每一个人和每一个组织都享受到人工智能带来的便捷与高效。
