《科學(xué)》刊文稱AI某些領(lǐng)域的核心研究一直停滯不前

　　人工智能核心創(chuàng)新觸及天花板？

　　“目前人工智能論文數(shù)量激增，泥沙俱下，導(dǎo)致部分論文質(zhì)量不高，但這并不能說明人工智能發(fā)展停滯不前，而是表明目前有更多的研究人員投入到了這個火熱的研究方向�！�

　　最近幾年，在人工智能領(lǐng)域，從基礎(chǔ)算法到落地應(yīng)用研究成果不斷涌現(xiàn)，其中致力于人工智能落地的應(yīng)用成果尤其突出，目前人工智能許多子領(lǐng)域的系統(tǒng)在性能上已經(jīng)滿足了具體應(yīng)用場景的落地要求。

　　但這能說明人工智能領(lǐng)域的核心創(chuàng)新存在明顯進步嗎？近日，《科學(xué)》雜志刊登的一篇標(biāo)題為《人工智能某些領(lǐng)域的核心進展一直停滯不前》的文章，對目前人工智能的研究成果提出了質(zhì)疑。作者馬修·赫特森指出，研究員聲稱的核心創(chuàng)新只是對原算法的微改進，新技術(shù)與多年前的舊算法在性能上相差不大。

　　近幾年人工智能領(lǐng)域快速發(fā)展，其應(yīng)用場景不斷拓寬，為何該論文卻認為人工智能某些領(lǐng)域的核心進展停滯不前？當(dāng)前人工智能的核心創(chuàng)新是否已經(jīng)觸及了“天花板”？就此，科技日報記者采訪了有關(guān)專家。

　　AI核心研究是否取得突破進展存爭議

　　具體來說，《科學(xué)》雜志上刊登的這篇文章指出的現(xiàn)象主要有哪些呢？

　　該文章引用了近期在神經(jīng)網(wǎng)絡(luò)推薦算法、對抗性訓(xùn)練、自然語言模型等領(lǐng)域的批判性論文，指出這些年來一些人工智能算法發(fā)展中面臨的問題。

　　作者馬修·赫特森認為，當(dāng)前部分子領(lǐng)域算法核心的改進并未取得突破進展。同時，當(dāng)前多數(shù)論文傾向于提出新算法而不是在舊算法上調(diào)優(yōu)，這樣做的主要原因是更容易發(fā)表論文，盡管在舊算法上調(diào)優(yōu)的效果和新算法的效果相差無幾。

　　“目前人工智能論文數(shù)量激增，泥沙俱下，導(dǎo)致部分論文質(zhì)量不高，選題跟風(fēng)甚至論文灌水的現(xiàn)象確實存在，但這并不能說明人工智能發(fā)展停滯不前，而是表明目前有更多的學(xué)者和研究人員投入到了這個火熱的研究方向。”微眾銀行人工智能首席科學(xué)家范力欣在接受科技日報記者采訪時表示。

　　范力欣強調(diào)，尤其需要指出的是，年輕學(xué)子中的佼佼者，包括博士、學(xué)士甚至高中生，都有了登上人工智能頂會頂刊嶄露頭角的機會。面對這樣的形勢，以偏概全地以“核心研究停滯不前”來總結(jié)是不合適的。

　　事實上，近幾年，人工智能某些領(lǐng)域的創(chuàng)新，包括算法核心創(chuàng)新，還是取得了較為明顯的進步。

　　如在自然語言處理領(lǐng)域，《科學(xué)》雜志這篇報道中提到的長短期記憶網(wǎng)絡(luò)（LSTM）是1997年提出的，而當(dāng)前，Transformer架構(gòu)在速度和性能方面，比長短期記憶網(wǎng)絡(luò)要更優(yōu)越；預(yù)訓(xùn)練模型方面，以BERT為代表的預(yù)訓(xùn)練模型不僅在很多任務(wù)上獲得成功，更帶來了自然語言處理研究和應(yīng)用范式的變化。更重要的是這些改進已經(jīng)在相對比較公認的數(shù)據(jù)集上測試過，有的還在實際的產(chǎn)業(yè)應(yīng)用中獲得成功。

　　對此，南京大學(xué)人工智能學(xué)院教授俞揚也指出，近幾年人工智能國際頂級會議的投稿數(shù)量持續(xù)上漲，如近期神經(jīng)信息處理系統(tǒng)大會會議的投稿接近一萬篇，其中技術(shù)“催熟”、審稿隨機的現(xiàn)象確實存在。同時，革新性的工作往往容易遭受質(zhì)疑，在海量投稿中真正的技術(shù)進步也容易被淹沒。

　　核心創(chuàng)新要瞄準(zhǔn)“痛點”

　　當(dāng)前，在人工智能領(lǐng)域“洶涌”的浪潮中，研究人員的成果如何稱得上核心創(chuàng)新、突破進展？

　　“能夠克服以往的局限，在我看來就是突破�？朔�的局限越關(guān)鍵、越深刻、越普適，突破就越巨大。”俞揚舉例說，例如，以往在國際象棋上戰(zhàn)勝人類的搜索算法，無法擴展到搜索空間更加巨大的圍棋上，而廣為人知的阿爾法圍棋便利用機器學(xué)習(xí)技術(shù)減少了巨大的搜索空間，從而取得成功。

　　范力欣認為，雖然人工智能領(lǐng)域的研究很火熱，但該領(lǐng)域現(xiàn)在仍然處于積累實踐觀察的初級階段�，F(xiàn)在的核心創(chuàng)新, 就是通過觀察與分析新的現(xiàn)象，不斷提升現(xiàn)有方法的實際性能，并收集數(shù)據(jù)、證據(jù)。長期大量的觀測后，真正有價值的是無數(shù)小的觀察結(jié)果。

　　那對算法進行創(chuàng)新需要哪些條件？“首先是要找準(zhǔn)問題，特別是關(guān)注制約算法性能的‘瓶頸’問題，這也是目前人工智能算法改進最難的�！睆B門大學(xué)人工智能系副教授陳毅東說。

　　找到問題之后，需要提出合適的應(yīng)對方法。一方面，新方法可以來源于對目標(biāo)任務(wù)領(lǐng)域知識的結(jié)合，這需要研究者對目標(biāo)任務(wù)和相關(guān)領(lǐng)域知識有全面的把握；另一方面，新方法還可以來源于其他學(xué)科，仿生技術(shù)就是常用的方式，這需要研究者對跨學(xué)科知識有一定的涉獵。

　　“除此以外，由于現(xiàn)實條件的限制，如數(shù)據(jù)、算力等，算法改進要成功還需要根據(jù)現(xiàn)實條件進行各種折中和裁剪。這又需要研究者具有相當(dāng)?shù)墓こ棠芰�和實踐經(jīng)驗。”陳毅東說。

　　科技日報記者了解到，2015年誕生的阿爾法圍棋組成部分中，搜索樹方法發(fā)表于2006年，策略梯度強化學(xué)習(xí)發(fā)表于2000年，卷積神經(jīng)網(wǎng)絡(luò)的提出則更早�！翱茖W(xué)發(fā)展常常是證偽的過程，而不是一次性提出一個開創(chuàng)性的新理論。只有集量變?yōu)橘|(zhì)變, 才能為即將到來的理論突破打下堅實可靠的基礎(chǔ)�！狈读π勒f。

　　“人工智能基礎(chǔ)研究要取得突破，很有可能需要做長期并且有爭議的工作�！庇釗P指出，如何為這樣的研究工作、研究者提供足夠的生存空間，對熱點之外的研究方向有獨立清晰的判斷力，尤其是在人工智能熱浪一波接一波的環(huán)境下保持對基礎(chǔ)研發(fā)的投入，可能是為推動人工智能基礎(chǔ)研發(fā)、產(chǎn)生原創(chuàng)性基礎(chǔ)成果需要考慮的重要問題。

　　還無法做到全領(lǐng)域創(chuàng)新評價標(biāo)準(zhǔn)統(tǒng)一

　　根據(jù)上述論文的觀察，不少研究工作都夸大了其改進的效果，而其中的根源問題之一，是當(dāng)前人工智能相關(guān)領(lǐng)域的創(chuàng)新評價標(biāo)準(zhǔn)不統(tǒng)一，那么目前有無解決措施？

　　事實上，當(dāng)前有不少解決途徑，如代碼開源、公開模型、公開實驗結(jié)果等手段，都能夠加強研究工作的可復(fù)現(xiàn)性和可對比性。

　　不過，作為一個還在不斷發(fā)展變化的領(lǐng)域，新問題、新領(lǐng)域、新現(xiàn)象、新關(guān)注點層出不窮，全領(lǐng)域范圍要做到評價標(biāo)準(zhǔn)統(tǒng)一十分困難。但在一些已經(jīng)成形的領(lǐng)域，有組織地制定統(tǒng)一評價標(biāo)準(zhǔn)是有可能而且很必要的。

　　陳毅東認為，首先制定評測標(biāo)準(zhǔn)需要一定站位高度，也面臨相當(dāng)?shù)碾y度和工作量，還需要根據(jù)研究前沿的變化不斷進行調(diào)整更新。因此，必須有組織地開展，建議可以由相關(guān)學(xué)會的專委會、學(xué)術(shù)與產(chǎn)業(yè)聯(lián)盟有組織地引導(dǎo)領(lǐng)域?qū)W者、產(chǎn)業(yè)界研究人員來共同完成。

　　“其次，真實的場景和數(shù)據(jù)往往來源于產(chǎn)業(yè)界，建議學(xué)術(shù)界和產(chǎn)業(yè)界更加密切地配合，共同研討相關(guān)領(lǐng)域的前沿動態(tài)、發(fā)展方向和應(yīng)用痛點，制定相應(yīng)的標(biāo)準(zhǔn)數(shù)據(jù)集、搭建平臺，并面向科研開放數(shù)據(jù)、接口甚至計算資源。”陳毅東說。

　　從應(yīng)用的角度看，當(dāng)前人工智能技術(shù)仍然處于積累實踐觀察的初級階段，面臨著在許多實際環(huán)境條件下無法奏效的困境。

　　近期的學(xué)術(shù)會議在論文的評價標(biāo)準(zhǔn)上，也越來越強調(diào)研究工作的可復(fù)現(xiàn)性。俞揚建議，要把基礎(chǔ)研究與國內(nèi)的實際生產(chǎn)需求結(jié)合，一方面在特別的需求牽引下容易產(chǎn)生原創(chuàng)成果；另一方面，來自實際需求的正反饋容易形成閉環(huán)激勵，有利于不斷創(chuàng)新，形成自主技術(shù)體系。

　　“實踐是檢驗真理的唯一標(biāo)準(zhǔn)，任何算法是否是真正的創(chuàng)新都要接受實踐的檢驗。堅持不懈就會收獲美好的結(jié)果, 我個人是持樂觀態(tài)度的。文章作者其實也認同這一點, 提出各種方法必須經(jīng)過嚴格的驗證, 只是文章中沒有全面反映現(xiàn)在人工智能發(fā)展的總體態(tài)勢，存在以偏概全誤導(dǎo)公眾的可能�！狈读π勒f。 （記者 謝開飛 馬愛平 通 訊 員 歐陽桂蓮）