隨著云時代的來臨，大數據（Big data）也吸引了越來越多的關注。分析師團隊認為，大數據（Big data）通常用來形容一個公司創(chuàng)造的大量非結構化數據和半結構化數據，這些數據在下載到關系型數據庫用于分析時會花費過多時間和金錢。當前，以深度學習為代表的人工智能技術已經應用到各個行業(yè)。驅動人工智能技術蓬勃發(fā)展的是各行各業(yè)積累的大數據。可以說，正是在大數據的“喂養(yǎng)”下，人工智能技術才真正茁壯成長。然而，在近日召開的香山科學會議第667次學術討論會上，與會專家指出，大數據的“紅利”效應正在逐漸減弱，人工智能技術的單點突破難以持續(xù)支撐行業(yè)發(fā)展，亟須在數據科學和計算智能方面突破一些關鍵核心技術。

人機融合或可彌補數據自動推理弱點

在中國科學院自動化研究所研究員陶建華看來，雖然當前人工智能在數據自動推理中依然面臨很多技術難點，但是人機融合的推理方式可以有效地彌補這些弱點。人機融合推理著重于研究一種由人和機器相互協作下的新的推理模式，包含“機器懂人”和“人懂機器”兩方面的含義。

對人的推理思維的理解是“機器懂人”的關鍵。其核心問題是如何構建能夠反映人推理過程的思維形式化計算方法。該方法將人的推理思維形式化描述、概率推理、構建知識圖譜，以及與現實場景的信息進行有機融合，從而可以將人的推理過程有效的輸入到機器中，并與機器的推理網絡進行結合。

此外，解決“人懂機器”問題將有助于人對機器智能輔助增強。機器推理過程的可解釋性，對于構建人機融合的推理過程尤為關鍵。過程可解釋的機器推理方法提供了解決問題的新方法，適當的擴展流程，并最大限度地減少人為錯誤的機會，可以幫助人類和機器協同做出更為準確和迅速的推理與判斷。

微軟亞洲研究院副院長劉鐵巖結合他們的實際工作舉例道：“我們在深度強化學習的基礎上，利用‘完美教練’技術來處理信息的不完全和不確定性，從而很好地解決了麻將這一復雜的博弈問題。我們的算法在2019年3月登陸知名的競技麻將平臺，經過5000局的鏖戰(zhàn)，成功晉級十段，其穩(wěn)定段位顯著超越人類頂級選手，成為首個超人麻將AI。”這是在處理數據不完全性和不確定性方面做出的有益嘗試。

劉鐵巖指出，大數據特性在不斷演化，且愈發(fā)復雜。新型智能算法需要針對數據特點有的放矢地解決問題，這樣才能填補數據與算法間的鴻溝，使人工智能綻放更多的價值。

主流AI算法未充分考慮大數據復雜性

人們常常用海量性、多樣性、高速以及價值密度低來描述大數據的特點。但真實的大數據往往更加復雜，比如具有不完全性、不確定性、動態(tài)性、關聯性等特點。反觀經典的人工智能算法，它們對數據的假設往往過于簡單。比如，假設數據是靜態(tài)的，產生于獨立同分布的采樣過程;訓練數據是可靠的、數據所承載的信息是完全的等。

“數據的真實復雜性和算法的簡單假設之間存在著巨大鴻溝，這使得經典智能算法在很多復雜任務上表現欠佳，亟待進一步的研究和探索?！睍h執(zhí)行主席之一、中國科學院院士梅宏強調，大數據是人工智能獲得成功的物質基礎，但目前主流的人工智能算法并未充分考慮大數據本身的復雜性。

從計算和通信領域看，大數據與人工智能技術在大規(guī)模工程化應用方面取得了長足進步。然而，大數據處理的技術進步主要體現在：以軟硬件垂直優(yōu)化和體系重構的極端化方式來適應數據規(guī)模、傳輸帶寬和處理速度的提升，研究人員對大數據固有的非確定性和復雜性尚沒有深刻認識;與此同時，人工智能技術也面臨魯棒性、可解釋性和復雜系統認知瓶頸等挑戰(zhàn)。

梅宏進一步指出，當前數據智能存在低效、不通用以及不透明三大問題。“現在的數據智能就像工業(yè)革命前的‘蒸汽機原型’一樣，低效而昂貴;它只能針對不同應用定制不同模型，難以建立通用模型?！泵泛暾f，更重要的是，當前并沒有對數據智能形成深刻認識，只是知其然，而不知其所以然。