「」计算所山世光：AI方法论需升级，疫后 AI 将如何发展？( 三 )
2）AI基础研究方面差距不容小觑
中美(欧)差距在缩小 ， 但中国加速度不够 。过去十年最具代表性的方法主要还是来自欧美大学或企业 ， 平起平坐恐怕至少还需要5-10年或更久 。我们存在的问题在于 ， 对基础研究长期性的认知不足 ， 缺乏起码的耐心！重大基础研究项目评估周期过短 ， 甚至要求技术路线清晰 ， 2年出成果 。但基础研究往往是“无心插柳柳成荫 ， 有心栽花花不开” 。以深度卷积神经网络(DCNN)为例 ， 它是1980年代的产物 ， 过了近20年才开始发挥出威力 。
3）AI基础设施方面差距不小
这包括三个方面 ， 分别是硬件、软件和智件 。
文章图片
文章图片
国内在基础硬件平台上的投入很大 ， 但存在重复建设 ， 尚未形成合力 ， 不能充分发挥效力；另外由于深度学习的理论基础较为薄弱 ， 无效试错导致算力浪费的现象也存在 。
而另一方面 ， 在基础软件平台上中国投入需要提升（相较北美至少落后4-8年） ， 深度学习的主流底层框架（TensorFlow ， Pytorch ， MxNet）主要还是由北美国家建设 ， 10年后 ， 这方面可能会恰如今日之“芯片产业” ， 成为我们的“隐患”；最近中国有不少企业单位（百度 ， 华为 ， 旷视 ， 清华 ， 鹏城实验室...）相继发布或拟发布开源框架 ， 希望能形成合力 。山世光建议 ， 针对低门槛的AI研发平台和工具 ， 我们需要尽快抢占先机 。
此外 ， 山世光建议 ， 我们在基础智件体系投入上要加大(包括基础算法研究) ， 建议加强基础智件体系研究：从过去已有的计算中心和数据中心开始 ， 如何建设算法中心 ， 知识中心等 ， 建议尽快建设国家级的“知识中心” ， 包括人类知识中心（通用知识+领域知识）和机器知识（成熟AI算法和模型）中心 ， 做到已实现的AI算法可以像水、电、煤一样取用 ， 从而避免大量重复劳动 。
4）AI人才培养的倾斜力度还不够
尽管最近大家都说AI人才缺口很大 ， 但实际上AI相关专业的研究生数量仍然不足 ， 这种不足现在主要靠其他非AI专业的学生主动或被动AI化来缓解 ， 这不是长久之计 。国家如果真的认为人工智能是一个战略方向 ， 应该在AI人才的培养上多一些倾斜 ， 例如分配更多的研究生名额给AI专业 。
5）产学研各自定位仍需优化
近些年 ， 我们会注意到一个现象 ， 就是企业大学化 ， 大学和机构企业化 。典型的表现就是 ， 企业在发文章 ， 而大学科研机构则在做短期的技术 。背后的原因很多 ， 包括对Long-term基础研究究竟如何评估值得探讨 ， 帽子文化也催生了很多快餐式科研成果等 。最近国家也不断的提出要破“四唯” ， 但更建议不要采取“一刀切”的科研评价模式 ， 应该根据不同的领域、不同的人才类型采取不同的评价方式 。此外 ， 对企业科技创新的支持导向性也值得商榷 ， 企业该做什么样子的创新 ， 大学和科研机构应该做什么样的创新 ， 可能要有一个更加正确的分类 。
雷锋网报道 。
