作为人工智能国际顶级会议，由美国人工智能协会（American Association for Artificial Intelligence）组织的AAAI大会在美国旧金山召开，在今年的大会上中国面孔成为不可忽视的力量。在2571篇投稿论文中，中国和美国的投稿数量分别占到31%和30%，虽然在被接收论文数量上，中国还是低于美国，但数量已经大幅提升。

　　一个小插曲则是，今年的AAAI大会原计划在新奥尔良召开，由于和中国春节冲突，AAAI Fellow、AAAI现任执委杨强教授和几位教授紧急向组委会发送邮件，使得最终破格更改了时间和地点。

　　可见，中国在AI领域正在蓄势，逐步成长为中坚力量。据《乌镇指数：全球人工智能发展报告》，在全球人工智能专利数量方面，中国以15745个紧跟在美国26891个之后位列第二，日本以14604个排名第三。值得一提的是，三国占总体专利的73.85%。

　　华人势力

　　“不仅仅是学者，来参会的中国公司也变多了。”杨强表示。从今年的活动赞助商而言，百度、腾讯和亚马逊、IBM一并成为金牌赞助商，小i机器人、今日头条也跻身银牌赞助商之列。在今年收录的论文中，百度、腾讯、华为、360、今日头条、携程等中国公司的人工智能团队也有出现。

　　百度研究院院长林元庆对第一财经记者说，过去几年里，她在参加国际上人工智能领域的顶级会议中，确实可以看到参加会议的华人非常多，而且在过去几年里增长很快。他认为这同时也和国内几家公司在人工智能领域的投入有关系。

　　“中国人适合做人工智能，世界上43%的人工智能论文都是中国人写的。”创新工场创始人李开复曾向第一财经表示。根据美国白宫此前发布的《国家人工智能研究与发展策略规划》来看，从2013年到2015年，SCI收录的论文中，“深度学习”或“深度神经网络”的文章增长了约6倍，按照文章数量计算，美国已经不再是世界第一。在增加“文章必须至少被引用过一次”附加条件后，中国在2014年和2015年都超过美国，位居前列。

　　“这一轮人工智能并不是一个新的革命，而是18世纪工业革命自动化的一个延续，技术一旦掌握到手里，可以迅速扩展到做全世界的生意，所以这对于中国起到了一个弯道超车的作用。”杨强表示。

　　中国人数学好、刻苦努力无疑为中国发展人工智能提供了良好的基础，但更大的驱动力在于产业需求。一方面对于传统企业而言，需要新技术来推动产业变革，“中国的经济结构还有很多不合理、低效率的地方，通过人工智能浪潮，就形成了一种新的竞争。”杨强强调。

　　对于互联网巨头或新兴独角兽公司而言，同样需要借助人工智能技术，激发已经存储的海量数据，提升服务精准度，创造潜在盈利机会，“互联网大市场孕育的应用到C轮需要人工智能。”李开复表示。例如今日头条在借助人工智能技术，将新闻内容和视频进行重新排序，实现资讯分发的千人千面，美图也利用人像数据库，对数据进行标记、结构化，优化图像算法。

　　“全世界只有中美两国有如此大量的数据、大规模的计算和应用场景，在应用层面中美基本处于同一起跑线。”地平线机器人技术创始人兼首席执行官余凯向第一财经表示。余凯曾担任百度研究院副院长、深度学习实验室（IDL）主任，带领的团队将深度学习技术成功应用于广告、搜索、图像、语音等方面，在此之前他也曾在美国NEC研究院、西门子数据研究部、微软亚洲研究院工作。

　　在余凯看来，中国有世界上最大的互联网公司，且拥有搜索、社交、电商、互联网金融等很好的应用场景，“大规模的计算平台都需要大规模的应用场景，在小实验室是做不了的，年轻人在这样的工作环境中会得到持续的锻炼，包括工程实验能力、对算法的理解等。”

　　“最大的优势是人多，这种优势体现在三个层面，人多意味着市场大，有更强的驱动力去把这件事情做好。其次针对社会服务层面，需要很多数据。第三，人才基数比较大，冒出顶尖人才相对多一些。”第四范式创始人、首席执行官戴文渊告诉记者，“从数据量、投入的人力财力来看，中美之间没有多少差距，且中国更有优势。”

　　中美差异

　　但将论文数量视为中国人工智能发展水平有失公允，虽然在靠近商业价值应用层面中美并驾齐驱，但在基础性、原创性研究、创新土壤、人才储备层面，中国相较美国还存在不小的差距。

　　“国内更多是技术的落地、产业化和应用，国外仍然有很多人在公司和研究院做前沿研究，包括寻求方法论上的突破，我们擅长把事情做得更细致，相对而言突破性和奠基性的工作还不够多。”地平线机器人技术联合创始人、算法副总裁黄畅告诉第一财经。

　　黄畅毕业于清华大学计算机科学与技术系，曾在美国南加州大学和NEC美国研究院担任研究员，2012年加入百度美国研发中心，2013年和余凯参与组建百度深度学习研究院，任高级科学家、主任研发架构师。在黄畅看来，做研究无外乎寻找新的问题和研究新的方法，而在这两方面国内和国外相比还存在不小的差距。

　　杨强认为，深度学习是不断发展的，研究领域的领导者应该是开拓新的领域，而不是在原有的基础上深挖。“把一个10层的深度模型拓展到100层甚至1000层，我觉得这个确实是一个进步，中国人目前是这个层次，但这些在我看来并不是一个原创。”杨强举例说道。

　　“现在很多高校是看教授和学生的论文达标情况，顶级会议论文的发表对学生申请院校、教授评级、申请科研经费等都有帮助，真正做出突破性理论研究，不迎合考核体系的非常少。”戴文渊直言。在他看来，虽然有相当数量的人参与到人工智能研究，但优秀的研究成果并不与参与人数的激增成正比。

　　余凯认为，有一些中国学生很擅长“刷分”、“刷榜”。“别人做到99.5%，我做了99.7%，并不一定有实质性突破，世界也没有因为这个刷分而变得不一样。原创性的创新需要不一样的思考，现在讲深度学习比较多，所有的人都进行深度学习，而不是思考What is wrong？How to be different？”余凯强调。

　　在人工智能领域浸染十年有余的戴文渊也有同样的感受，“很多人用力的方向有问题，准确率达到99.1%、99.15%或者99.2%，其实没有什么差别，并不应该把精力用在这些地方，而应该关注不到60分的领域，去把它做及格。”

　　回归至深度学习的历史发展脉络来看，正是一个边缘化课题走向主流技术的路径。早在上世纪80年代初期，深度学习学派的开山人物Hinton一直坚持神经网络的探索，但受限于当时的电脑速度、数据量等问题，深度学习理论是一项边缘化的研究，当时AI的主流研究方向与之截然相反，推崇小样本学习，主推SVM学习。

　　正是以Hinton为代表的一群人对深度学习的坚持，才一步步将边缘课题变成人工智能核心技术。“十年前进入这个领域，中国学生都在学优化理论，现在一窝蜂地学习深度学习，很少有人在怀疑深度学习是不是最优解，就像之前很少有人去思考优化是不是最优解。”戴文渊说道。

　　人员成本居高不下

　　在余凯看来，中美之间的差距表现在两方面，一方面是人才储备的匮乏，很多高校在很长时间内并没有人工智能专业，而在美国基本上大的院校都有人工智能教授。以美国卡梅隆大学为例，设有专门的机器人研究所，其中光教授就有100多位，纵向而言，中国布局的时间也比较晚。

　　早在2012年余凯回国在百度成立了人工智能团队，担任百度人工智能研究院执行院长，在他的记忆里，当时在高校招人非常困难，很多是在招进百度之后再自己培养。

　　其次从产业链而言，谷歌或者Facebook的人工智能团队不仅可以从斯坦福等院校招人，还可以从微软、IBM、HP等大公司挖走人工智能领域的人才，“当时别的企业还想着从百度挖人，无论从科研教育还是整个产业界，起步都是晚的，规模还是小的。”

　　至今余凯仍会频繁去美国参加一些学术会议，让自己保持更多的思考，“国外技术创业比较多，大家探讨的是数学公式及算法，而在中国大部分在讲趋势、概念，如果PPT上放上公式就变得很无聊，心态比较浮躁。”

　　资本驱动之下，人工智能成为创业最火热的领域，也在加速人才的流动。根据华创资本发布的《2016早期企业薪酬调研报告》来看，人工智能和大数据领域类的早期企业在过去一年的员工离职率高达44%，人员流动活跃。

　　“付不起工资、抢不到人”成为人工智能企业在人才招聘方面面临的最大博弈。“人才比较少，需要的公司又多，人工智能的人员成本因此居高不下。”戴文渊表示，“我们想要寻找突破常规的人才，需要找到能够将30分的东西做到60分甚至80分的人才，例如目前做深度学习的人有很多，但迁移学习的人才就非常少。”

　　“德才兼备”是余凯选人的标准，所谓德即对人工智能本身的热情，愿意为之做长期奋斗，而不是短期的。“大部分人是在赶时髦，如果冰天雪地的时候心还是热的，那才叫热情”，才则是数学功底、统计功底、编程能力等等。

　　“优秀的人才、优质的研究成果永远匮乏，好比人工智能领域论文从每年800篇涨到3000篇，但真正出色的论文在数量上基本不会有太大变化，许多人是在随大流、挖坑灌水、解决细枝末节的问题，产生的真实价值并不大。”黄畅补充道。

　　与O2O、电商等产业不同，人工智能的技术创新仍旧需要长期且基础性的理论研究工作，如何从顶层设计出发，加强人工智能基础理论研究和核心技术突破，加强人工智能科研人才、技术人才的培养与引进，才是人工智能发展的持续动力。

　　人工智能挑战

　　一派繁荣之下，正视人工智能的作用变得更为重要。“相较于告诉人们人工智能能做什么，目前更重要的反倒是告诉人们，人工智能不能做什么。”余凯笑着说道。结合当下的发展情况人工智能仍然面临诸多挑战。

　　首要挑战就是数据不足的问题。众所周知，人工智能建立在海量数据基础之上，通过大数据训练，来优化算法模型，以人脸识别技术为例，训练这一算法模型需要至少百万级别的图片数据。

　　目前人工智能主要是监督式学习，有监督的训练就需要带标签的数据，因此数据的质量和精准度及输出结果密切相关。“如何剔除数据中的噪音、垃圾信息，获取优质且带有标签的数据成为新挑战，也正是因为这个原因，半监督式甚至无监督式学习方法必然成为未来的研究热点。”黄畅说道。

　　另一大挑战在于深度学习的推广和场景迁移能力不足，每个领域的数据都需要重新收集、标准和再训练，很难进行跨领域推广。这些挑战也是人工智能工业界和学术界急需突破的问题。“在招聘的过程中，学习深度学习的人很多，而懂得迁移学习，具备思辨能力的人很少。”戴文渊表示。反映到人才培养和教育而言，如何引导并鼓励学生进行跨领域、原创性的探索研究尤为重要。