隨著人工智能技術的迅猛發(fā)展，我們見證了其從基礎算法到復雜應用場景的跨越式進步。從簡單的數據分析到復雜的決策支持，人工智能似乎無所不能。然而，在這波技術革新浪潮中，人工智能所面臨的真正挑戰(zhàn)正逐漸從形式化學習轉向內容理解。

當前，大多數人工智能系統特別是深度學習模型，主要依賴于對海量數據的形式化學習。這些模型通過識別數據中的模式和關聯來做出預測或決策。然而，這種學習方式的局限性在于，它們往往缺乏對數據背后含義的深入理解和洞察。以圖像和視頻內容的理解為例，盡管計算機視覺技術利用深度學習模型能夠識別出物體、場景和動作等，但一個圖像識別系統即使能夠準確地識別出一只水豚，它卻并不真正理解“水豚”這一概念所包含的深層含義，如水豚的生活方式、性格特點等。

對于大數據和深度學習的局限性，發(fā)展中國家工程科技院院士鐘義信在接受《人民郵電》報記者采訪時直言：“這些都是基于形式化的處理，數據被簡化為0—1的編碼序列，無法真實反映其背后的內容。深度學習模型基于這樣的數據進行訓練，同樣缺乏對內容的深入理解，因此不具備真正的理解能力。”這一觀點揭示了當前人工智能領域所面臨的挑戰(zhàn)——如何推動AI系統實現對數據深層含義的真正理解。

換言之，深度學習所學習到的僅僅是形式上的關聯和模式，而沒有涉及內容上的因果關系。鐘義信談到，對于人工智能而言，真正的“智能”不僅要求能夠處理形式，更重要的是要能夠理解數據、信息和知識背后的深層內容。只有這樣，人工智能才能做出具有智能水平的決策。

這意味著，人工智能系統需要具備一種類似于人類的認知能力，這種能力不僅體現在對數據的整理、歸納和有效信息的提取上，更重要的是能夠將這些信息與相應領域的知識庫進行深度融合，從而實現對數據的真正理解。例如在自動駕駛領域，人工智能系統需要具備對來自攝像頭、激光雷達等多個傳感器數據的實時處理能力，但僅僅識別出車輛、行人和其他障礙物還遠遠不夠，系統需要能夠理解這些物體之間的關系，預測它們的行為。同時，系統還需要融合對道路規(guī)則、交通信號和車輛動力學等知識的深入理解，才能在復雜的交通場景中做出安全合理的決策。

為實現從形式化學習到內容理解的轉變，鐘義信主張對人工智能領域研究實行“范式大變革”。他認為，學科的范式（科學觀與方法論）是指導學科研究的最高引領力量。然而作為信息學科高級篇章的人工智能卻遵循著物質學科的范式，使人工智能的研究嚴重受限。用“物質學科的范式”來指導“信息學科的研究”，人工智能的研究只能按照“分而治之”和“純粹形式化”的方法論得出各種局部性、孤立性、碎片式、智能水平低下、結果不可解釋，而且需要大規(guī)模樣本的研究成果。

資訊來源：中國工信新聞網，轉載自《人民郵電報》