视觉中国供图

“目前人工智能论文数目激增，泥沙俱下，导致部门论文质量不高，但这并不能说明人工智能发展停滞不前，而是表明目前有更多的研究职员投入到了这个火热的研究偏向。”

最近几年，在人工智能领域，从基础算法到落地应用研究结果不停涌现，其中致力于人工智能落地的应用结果尤其突出，目前人工智能许多子领域的体系在性能上已经满足了详细应用场景的落地要求。

但这能说明人工智能领域的焦点创新存在明显进步吗？近日，《科学》杂志登载的一篇标题为《人工智能某些领域的焦点进展一直停滞不前》的文章，对目前人工智能的研究结果提出了质疑。作者马修·赫特森指出，研究员声称的焦点创新只是对原算法的微改进，新技能与多年前的旧算法在性能上相差不大。

近几年人工智能领域快速发展，其应用场景不停拓宽，为何该论文却认为人工智能某些领域的焦点进展停滞不前？当前人工智能的焦点创新是否已经触及了“天花板”？就此，科技日报记者采访了有关专家。

AI焦点研究是否取得突破进展存争议

详细来说，《科学》杂志上登载的这篇文章指出的征象主要有哪些呢？

该文章引用了近期在神经网络推荐算法、反抗性训练、自然语言模子等领域的批判性论文，指出这些年来一些人工智能算法发展中面临的问题。

作者马修·赫特森认为，当前部门子领域算法焦点的改进并未取得突破进展。同时，当前多数论文倾向于提出新算法而不是在旧算法上调优，如许做的主要缘故原由是更容易发表论文，只管在旧算法上调优的效果和新算法的效果相差无几。

“目前人工智能论文数目激增，泥沙俱下，导致部门论文质量不高，选题跟风甚至论文灌水的征象确实存在，但这并不能说明人工智能发展停滞不前，而是表明目前有更多的学者和研究职员投入到了这个火热的研究偏向。”微众银行人工智能首席科学家范力欣在接受科技日报记者采访时表示。

范力欣夸大，尤其需要指出的是，年轻学子中的佼佼者，包括博士、学士甚至高中生，都有了登上人工智能顶会顶刊崭露锋芒的时机。面临如许的形势，以偏概全地以“焦点研究停滞不前”来总结是不合适的。

事实上，近几年，人工智能某些领域的创新，包括算法焦点创新，照旧取得了较为明显的进步。

如在自然语言处置惩罚领域，《科学》杂志这篇报道中提到的是非期影象网络（LSTM）是1997年提出的，而当前，Transformer架构在速率和性能方面，比是非期影象网络要更优越；预训练模子方面，以BERT为代表的预训练模子不仅在许多使命上得到乐成，更带来了自然语言处置惩罚研究和应用范式的变化。更紧张的是这些改进已经在相对比力公认的数据集上测试过，有的还在现实的产业应用中得到乐成。

对此，南京大学人工智能学院教授俞扬也指出，近几年人工智能国际顶级集会的投稿数目连续上涨，如近期神经信息处置惩罚体系大会集会的投稿靠近一万篇，其中技能“催熟”、审稿随机的征象确实存在。同时，革新性的事情每每容易遭受质疑，在海量投稿中真正的技能进步也容易被淹没。

焦点创新要瞄准“痛点”

当前，在人工智能领域“汹涌”的海潮中，研究职员的结果如何称得上焦点创新、突破进展？

“可以或许降服以往的局限，在我看来就是突破。降服的局限越要害、越深刻、越普适，突破就越巨大。”俞扬举例说，比方，以往在国际象棋上战胜人类的搜索算法，无法扩展到搜索空间越发巨大的围棋上，而广为人知的阿尔法围棋便利用呆板学习技能减少了巨大的搜索空间，从而取得乐成。

范力欣认为，虽然人工智能领域的研究很火热，但该领域现在仍然处于积累实践观察的低级阶段。现在的焦点创新, 就是通过观察与分析新的征象，不停提升现有要领的现实性能，并网络数据、证据。长期大量的观测后，真正有价值的是无数小的观察结果。

那对算法举行创新需要哪些条件？“起首是要找准问题，特别是存眷制约算法性能的‘瓶颈’问题，这也是目前人工智能算法改进最难的。”厦门大学人工智能系副教授陈毅东说。

找到问题之后，需要提出合适的应对要领。一方面，新要领可以来源于对目标使命领域知识的联合，这需要研究者对目标使命和相干领域知识有全面的掌握；另一方面，新要领还可以来源于其他学科，仿生技能就是常用的方式，这需要研究者对跨学科知识有一定的涉猎。

“除此以外，由于现实条件的限定，如数据、算力等，算法改进要乐成还需要根据现实条件举行各种折中和裁剪。这又需要研究者具有相当的工程能力和实践经验。”陈毅东说。

科技日报记者相识到，2015年诞生的阿尔法围棋组成部门中，搜索树要领发表于2006年，计谋梯度强化学习发表于2000年，卷积神经网络的提出则更早。“科学发展经常是证伪的历程，而不是一次性提出一个开创性的新理论。只有集量变为质变, 才能为即将到来的理论突破打下坚实可靠的基础。”范力欣说。

“人工智能基础研究要取得突破，很有可能需要做长期而且有争议的事情。”俞扬指出，如作甚如许的研究事情、研究者提供足够的生存空间，对热门之外的研究偏向有独立清晰的判断力，尤其是在人工智能热浪一波接一波的情况下保持对基础研发的投入，可能是为推感人工智能基础研发、产生原创性基础结果需要思量的紧张问题。

还无法做到全领域创新评价尺度同一

根据上述论文的观察，不少研究事情都夸大了其改进的效果，而其中的泉源问题之一，是当前人工智能相干领域的创新评价尺度不同一，那么目前有无解决措施？

事实上，当前有不少解决途径，如代码开源、公然模子、公然实验结果等手段，都可以或许增强研究事情的可复现性和可对比性。

不外，作为一个还在不停发展变化的领域，新问题、新领域、新征象、新存眷点层出不穷，全领域范围要做到评价尺度同一十分困难。但在一些已经成形的领域，有组织地制定同一评价尺度是有可能而且很须要的。

陈毅东认为，起首制定评测尺度需要一定站位高度，也面临相当的难度和事情量，还需要根据研究前沿的变化不停举行调解更新。因此，必须有组织地开展，发起可以由相干学会的专委会、学术与产业同盟有组织地引导领域学者、产业界研究职员来配合完成。

“其次，真实的场景和数据每每来源于产业界，发起学术界和产业界越发密切地配合，配合研讨相干领域的前沿动态、发展偏向和应用痛点，制定相应的尺度数据集、搭建平台，并面向科研开放数据、接口甚至计算资源。”陈毅东说。

从应用的角度看，当前人工智能技能仍然处于积累实践观察的低级阶段，面临着在许多现真相况条件下无法奏效的困境。

近期的学术集会在论文的评价尺度上，也越来越夸大研究事情的可复现性。俞扬发起，要把基础研究与海内的现实生产需求联合，一方面在特别的需求牵引下容易产生原创结果；另一方面，来自现实需求的正反馈容易形成闭环激励，有利于不停创新，形成自主技能体系。

“实践是检验真理的唯一尺度，任何算法是否是真正的创新都要接受实践的检验。坚韧不拔就会收获优美的结果, 我小我私人是持乐观态度的。文章作者实在也认同这一点, 提出各种要领必须颠末严酷的验证, 只是文章中没有全面反应现在人工智能发展的总体态势，存在以偏概全误导公众的可能。”范力欣说。