2.5　理论创新与产业化并进

近年来，深度学习的长足进步引领了全球人工智能第三次浪潮，基于互联网的大数据智能和基于语音、视觉的感知智能已经成为当前实现产业化的重点。随着高端芯片、高精度传感器、计算能力、5G移动通信技术的性能飞速提升，人工智能赋能各行各业的趋势日益清晰。有专家认为，当前基于深度学习算法突破带来的人工智能产业化应用发展势头才刚刚开始，在工业界，产业化红利还有非常大的空间，将在未来十年逐步释放产业价值。

另外，随着这批技术的产业化红利的逐步消耗，需要新的模型和新的理论引领下一波浪潮。当前以深度学习为代表的连接主义方法将与知识表示、逻辑推理为代表的符号主义方法，以及增强学习、启发式算法等行为主义理论方法相互交叉，融合创新。新的理论和方法创新将推动人工智能从解决感知智能问题向解决认知智能问题跨越，智能生成范式从数据驱动为主向“数据+知识”共同驱动发展，底层智能计算从单机智能向云边端协同、量子智能与类脑智能混合的计算新模式演进，见图2-5。

图2-5　智能理论和技术持续交叉演变

新一代人工智能不同方向上的理论和技术齐头并进、快速演化，都存在巨大的创新潜力。加快汇聚数学、认知科学等相关学科力量，融合新兴信息技术、脑科学、量子科学等多个领域的新突破新成果，将不断突破理论和能力瓶颈，持续拓展人工智能发展新空间。这些可能的演进方向将在第十章分别探讨。

综合来看，当前已经进入智能产业化阶段，以深度学习为代表的智能技术开拓出了广阔的产业空间，现有人工智能技术将继续完善和产业化，在经济和社会发展中实现价值创造并形成强大的增长引擎；当前也是新的人工智能技术突破的关键时期，后面要面临一个爬坡过程，在知识建模方法、数学理论基础、类脑智能范式、底层计算架构等路径实现突破，带动在更高水平上、更大行业范围内的产业化（见图2-6）。

图2-6　产业化与理论方法突破齐头并进

可见，当前阶段人工智能技术创新体现出理论创新与工程化技术迭代并重的总体形态。人工智能技术产业化不必等待脑科学家完全搞清楚大脑是如何工作的，在理论和技术发展过程中的不同阶段，将陆续释放阶段性产业潜能。当前阶段的人工智能发展需要“两条腿走路”，既要坚持从1到N的产业化规模化，也要争取从0到1的原创性突破。

一方面，要推进现有的基于深度学习和大数据的弱人工智能技术的进一步成熟和商业化应用，包括感知认知技术、自动控制技术、大数据和知识计算技术、人机交互技术、群体智能技术等，通过推进技术落地开拓产业化创新空间收获已有的智能产业红利；另一方面，也要瞄准下一代人工智能的关键问题进行理论突破和前沿探索，以认知智能为重点，对未来人工智能的前沿问题进行理论攻关，研究透明性、可解释性、通用性更强的新一代机器学习模型，探索具有迁移能力、自主学习能力和强泛化能力的人工智能技术，在类脑智能和量子智能等新一代智能计算范式方面形成理论储备，探索新的发现。持续开拓人工智能新理论、新范式创新空间，支撑人工智能的长期可持续发展。

未来这些不同层次上都充满机遇，技术创新与应用场景驱动的渐进式进步，与理论方法突破驱动的跃升式进步交替演进，为人工智能发展不断注入新的活力。

(1) Yann LeCun, Yoshua Bengio, Geoffrey Hinton. Deep Learning[J]. Nature, vol.521, 2015：436-444.

(2) DeepTech深科技. 深度学习“三巨头”获得2018年图灵奖. 2019.3. https://baijiahao.baidu.com/s?id=1629164715179946796&wfr=spider&for=pc.

(3) 谢耘. 智能化未来：“暴力计算”开创的奇迹[M].北京：机械工业出版社，2018.

(4) 蔡自兴等. 人工智能及其应用（第5版）[M].北京：清华大学出版社，2016.

(5) 黄铁军. 智能为用、机器为体[J]. 科学大观园，2018（02）.

(6) 雷·库兹韦尔. 奇点临近[M]. 北京： 机械工业出版社，2011.