封面：
直面五大技术挑战 推动人工智能突破性发展
原作者： 芮 勇
去年，我在《中国人工智能学会通讯》上发表的一篇文章中提到，人工智能遇到了发展的“芳华年代”。技术的突破，资本的支持，政策的扶持，产业的需求，这一切都让人工智能迎来了大发展的时代。2018 年已经过去了，回望 2018 的人工智能发展，可以看到，与 2017 年相比，大家对人工智能多了一些冷静和理性，少了很多浮躁和喧嚣。一方面，人工智能技术一直在向前推进；另一方面，智能 +，即人工智能与垂直行业的结合也越来越紧密，正在更加深刻地改变着产业的面貌和人们的生活。
智能制造、智慧医疗、智慧金融、智能安防等智能 + 领域的迅速发展，充分说明了人工智能正在渗入各行各业，让社会和生活更加智能化。
但是，总体上来说，人工智能在行业的落地还处于起步阶段，还需要攻克许多难题。从技术的角度来讲， 还需要解决以下五大问题，才能实现人工智能技术上的进一步突破，才能为商业化落地打下坚实的基础。
首先是算法和算法的工程化。算法的重要性不言而喻，如果人工智能是一辆汽车，那么算法就是强大的引擎。算法的重大突破，会产生划时代的意义。比如，最早的时候，语音识别使用 GMM-HMM 模型，二十几年间，错误率始终无法降下来，直到 2009 年深度学习的出现，才使错误率大幅下降了 30%。此外有了算法之后，做好算法的工程化同样重要。算法的每一次突破，相当于是台阶式的跨越；但是每一次工程化，又将这个台阶提升了高度，这两个同样重要。
其次是人工智能芯片。物联网（ IoT）技术开启了万物互联的时代，人工智能对IoT 的赋能， 将会触发智能万物互联（ SIoT）的时代。而要实现 SIoT，需要解决两个挑战，即极低的智能决策延迟及数据隐私保护。
如果智能决策在端侧进行，就能很好地解决这两个问题。现有的端侧 AI 解决方案存在成本过高、计算力不足，以及功耗过高等问题。如果能够开发出低成本、低功耗的端侧 AI 芯片，将会极大推动智能万物互联新时代的来临。
第三是深度学习的可解释性问题。深度学习作为机器学习技术的杰出代表，取得了很大的成功。但是如果一个模型完全不可解释，那么在很多领域，尤其在需要做出关键决定的应用领域就会受到很多限制，因此研究深度学习模型究竟如何从数据中学到知识，并以人类可以理解的方式给出解释是十分必要的。通过对数据和模型设计分析，尽可能地从语义层面对网络进行理解，从而提高知识表达的能力，增强网络的可解释性，对深度学习的发展将起到很大的推动作用。如果能解决深度学习的可解释性问题，将是重大的技术突破。
第四点是从“大数据”到“小数据”的研究突破。目前，人工智能非常依赖海量的训练数据，但是在很多场景中，产生的数据量很小，我们称之为“小数据”，小数据对人工智能技术提出了更高的要求。其实，人类的认知学习过程也是从小数据开始的。比如，小朋友第一次看到猫，父母告诉他 / 她，这种动物是猫。小朋友如果再看到一只猫，即便这只猫颜色、种类和大小都和上次的有所不同，他 / 她也能认出这是一只猫。这就是人类从小数据中进行学习、认知的生动案例。同样地，在人工智能研究中，如果在小数据的算法上能取得大的突破，也会给人工智能带来飞跃性的发展。
第五点是常识问题。要实现算法跨越式的突破，还需要解决常识问题。比如“鸡兔同笼”这道经典的数学题，鸡兔同处一笼，问鸡兔头和脚的数量。要回答这个问题，有一个前提，那就是每人都知道，鸡有两只脚，兔有四只脚，这就是常识。计算机有了这个常识后，才能回答这道数学题，否则就无法作答。这些常识问题不解决，很多真正人工智能的技术就无法实现。常识问题属于知识图谱的研究范畴。
很多公司进行了大量的知识图谱领域的研究，包括实体的挖掘；我们也正在构建联想内部的产品知识图谱。如果知识图谱做好了，将进一步促进人工智能的发展。纵观人工智能 60 年的发展历程，关键技术的突破，是它能够实现跨越式发展的根本推动力。
如果我们能在以上所述的 5个领域，即算法和算法工程化、芯片、深度学习可解释性、小数据及常识方面取得更大的突破，人工智能技术必将进一步发展、成熟，从而为商业化落地奠定坚实的技术基础。
原作者简介：
————————（我是分割线）————————
参考：
1. 中国人工智能学会通讯 http://www.caai.cn/index.php?s=/home/article/index/id/51.html
备注：
初次编辑时间：2019年11月1日17:24:42
环境：Windows 7 / Python 3.7.2
————————（我是分割线）————————
备注：本文全部摘录于《中国人工智能学会通讯》 ，写入博客主要为了个人及网友学习参考，并传播原文作者的智慧。
读者若需要查看最新的信息，可进入本文“参考”，下载相应的资料。
本文资料均从《 学会通讯 》中下载的，若有侵权，请及时告知本人处理。