2月26日，在以“构建融通开放新生态”为主题的WAIC 2022上海人工智能开拓者大会主论坛上，来自学界的院士大咖，家当界的技能专家，就这些问题展开了深刻的磋商。

中国工程院院士、中国人工智能学会监事长蒋昌俊院士，南方科技大学副校长及讲席教授、美国国家工程院院士张东晓揭橥了主旨演讲。

在圆桌论坛上，来自学界、业界的多位代表就数字化转型、AI开拓难题等开拓者关心的热点话题展开了深入谈论。

物质、信息和智能是我们在发展过程中非常主要的几个标符。
在这次的主旨演讲中，中国工程院院士、中国人工智能学会监事长蒋昌俊首先回顾了16世纪以来人类在这三个方面进行的探索以及取得的紧张造诣，然后在此根本上谈了谈他对付智能的思考。

蒋昌俊提到，当古人们对智能的认知局限于连续构造和离散构造，在此之外的构造形式还有待探索；深度学习算法从理论上来说没有根本性的变革，还是基于神经层次构造，无非是处理的层次更多更广；直到本日，智能天下还没有在理论上形成一个公认的理论根本。

“人除了可打算的思维，还有说不清的思维，比如说顿悟、灵感等等。
”他认为，在这一轮的智能发展中，不可预测性、不愿定性是须要重点考虑的AI根本问题。

南方科技大学副校长及讲席教授、美国国家工程院院士张东晓关于理论辅导下的人工智能话题进行了分享。

模型驱动与数据驱动两者在模式、映射关系等方面各有不同。
在办理实际问题中，是选择模型驱动还是数据驱动？

张东晓认为，数据在足够多的情形下能够以任何精度拟合任何函数，数据驱动可以实现很好的预测能力。

但是，仅依赖数据还弗成。
以深度学习神经网络为例，其学习的模式架构可以将物理规律、工程掌握、增加的履历等信息综合起来进行演习，增强可阐明性和更好的稳健性，核心在于知识在深度学习框架中的嵌入。

张东晓表示，如何从数据中挖掘模型、得到知识是AI的最高境界。
“在行业+AI的探索中，数据驱动与模型驱动的有机结合有助于办理实际行业问题。
”

在磋商数字化转型的圆桌论坛中，上海科技大学副教务长、信息科学与技能学院副院长虞晶怡，宾通智能CEO龚超慧和燧原科技人工智能打算专家、产品市场部总经理高平分别揭橥了对元宇宙的意见。

「元宇宙首先要具备沉浸式的体验，由于AI等技能的发展，我认为当前涌现了新的机会。
我们必须为此构建数据驱动的引擎。
」虞晶怡说道。
「除娱乐领域之外，元宇宙的运用方向还有很多，比如聪慧城市的三维模型重修。
最近谷歌和Waymo利用神经网络的方法进行了旧金山大量街区的城市重修，其方法和传统技能完备不同，可以快速渲染，将大型城市压缩到很小的数据集中，但是它不可编辑。
在聪慧城市里面，元宇宙大有可为。
」

「从现有技能手段来看，元宇宙观点便是利用一些图象、视觉技能描述认知中的物理宇宙，希望通过其它技能手段重新呈现它。
」龚超慧表示，「将来很有可能会涌现全新的技能手段，能够在虚拟和物理天下之间形成闭环和互动，我们可能会在这个天下里面创造全新的交互形式，进而带来全新的商业模式和运用处景。
」

「我认为元宇宙是数字经济的一种新形态，须要强大的算力支撑。
元宇宙进行的内容生产已经远远超过我们现在所理解的，基于***等媒介的互联网内容根本，未来我们须要海量的打算力支持虚拟环境渲染，产生的算力需求须要AI数据去加以支撑，」高平表示。
「对付2B企业而言，可能会涌现大量的，基于元宇宙2B底座，在这之上是开拓者们构建的业务，人们将会各自去发挥才能，让元宇宙家当生态枝繁叶茂。
」

开拓者是一个身份，有的开拓者在高校从事算法研究，有的开拓者在企业从事AI运用的开拓，还有一些在跨界事情，开拓者的职业是多重多样的。
在这场圆桌对话中，几位高朋一起磋商了2022年AI开拓的难点。

首先谈及AI算法研发比较于几年前是变大略了还是更难了，几位高朋阐述了自己的不雅观点。

上海交通大学约翰·霍普克罗夫特打算机科学中央长聘教轨助理教授、博士生导师温颖从生态发展的角度阐述了AI算法研发难度的变革。
他说：2015年深度学习已经崭露锋芒，但当时还没有一个完善的工具去做研究。
2015年底TensorFlow首次发布，2016、2017年生态才逐渐成熟。
如今大模型的驱动和新的算法让模型的门槛变得更高了，须要很高的算力。

东方理工高档研究院助理教授陈云天则表示AI算法的研发变得更大略了，一方面是由于涌现了更多的框架，另一方面是当下良好的开源风气让打算机和其他学科的交叉领域有了更多进展。

上海人工智能实验室通用视觉组打算机视觉研究员何逸楠也表示AI开拓和几年前比较，入门是更加随意马虎了，并且有更多的开拓者在社区中贡献开源代码，也有很多大厂开源的工具和平台。
开拓者现在要做的便是提升自己的知识能力，办理更加上层的问题。

那么在根本打好之后，现阶段面临的更高等别的寻衅有哪些呢？

何逸楠指出，当下首先要面对的寻衅是数据问题，演习模型须要采集大量数据，其次还要提升演习效率。

陈云天也表示，在小数据上做机器学习是一项寻衅，其余可阐明性和知识嵌入也是须要办理的难题。

温颖则提到，强化学习虽然已在游戏方面取得了一些比较大的进展，但它在现实运用处景中还没有完备表示出其浸染，想考试测验把大模型用在强化学习中。