AI在实际应用中最大的问题与困扰是什么?

越来越多的企业投身于人工智能转型的浪潮中，但也有越来越多的企业意识到仅仅依靠自己的力量去实现技术创新，不仅过程困难，而且十分漫长，在这种背景下，人工智能领域的企业之间正在努力建立一种良好的互动关系，形成互相借力的产业生态圈。依托复旦大学计算机科学技术学院运行的上海视频技术与系统工程研究中心，作为人工智能“产研合作”的代表，以其聚焦的基于深度学习研究视觉内容识别技术，加速AI企业的创新应用的落地。本次邀请该研究中心的薛向阳教授，为我们共同探讨产研合作中存在的问题。

关玉娟：你们研究的主要范畴是什么？有哪些应用已经开始落地？

薛向阳博士：我们中心主要从事视觉内容识别研究，比如说辨识图像中出现的物体、检测该物体在图像中所处位置等，都属于最基本的计算机视觉任务。再复杂一点的任务便是挖掘物体与物体之间的关系，例如在一个特定场景的图像中，根据某物体上下文信息，可推断出其他可能存在的物体等。再进一步，可以用几句话简要描述一副图像的主要内容。目前视觉内容识别距离实现人们所期望的各种需求，仍然有不小距离，当前成功应用主要是集中在特定物体的识别，例如人脸识别、车辆及车牌识别等，其他更复杂的应用还处于实验研究阶段。

除了车辆与人脸等特定物体识别之外，值得一提的还有工业视觉领域的发展。例如地铁、高铁等路轨及设施等运行安全检测，人力已经无法负荷，通过视觉检测等综合技术手段，能有效地掌握列车及铁轨的真实情况，及时处理问题，保证车辆安全行驶。

关玉娟：研究中心主要是负责完成企业委托或者针对合作项目进行研究吗？

薛向阳博士：因为实验室研究成果必须经过实践检验才能证明其有效性，所以我们跟企业的合作比较多，与企业紧密合作也是推动我们自身发展的重要外部条件。现在，我们许多研究方向也是企业提出来的，是根据企业面临的实际问题开展研究。社会上很多企业的研发力量是有限的，所以产研合作已经是非常普遍的模式，在合作中我们主要是为企业提供算法模型的设计、算法模型性能优化等知识服务。

关玉娟：团队的优势是什么，以及合作对象主要是哪些类型的企业？

薛向阳博士：我们的优势一是算法模型设计，二是充沛的学生人才实力，企业具有熟悉场景与应用落地的优势，同时他们具备市场及工程开发人员，能实现算法向产品的升级，通过合作互补实现各自资源的最优配置，快速实现创新应用。

关玉娟：市场关于视觉识别目前的应用处于怎样的水平？如何看待未来的发展？

薛向阳博士：人类感受外部环境信息的70%-80%来自视觉，因此视觉识别的应用必然是范围广泛的，从应用的成熟度而言，有些应用已经非常成熟，比如人脸识别，但也有一些应用仍然不太成熟。很多识别的算法模型都是与具体应用场景密切相关，很难从一个应用场景直接迁移到另一个应用场景。

关玉娟：对于企业而言，与你们类似的机构合作，时间成本优势明显吗？

薛向阳博士：对于一些大企业而言，他们可以对算法研究进行大的投入，但对于中小企业而言成本压力很大。我们这类科研机构对于企业而言是一种资源池，能帮助他们缓解成本压力，而且帮助他们显著提升技术水平。

关玉娟：与国外相比，您如何看待国内AI应用的水平？

薛向阳博士：从应用层面而言，国内技术水平接近国外，之所以不谈领先，是因为AI里面很多的开源工具、平台、芯片都是舶来品，但目前中国正在缩短与国外的差距，甚至在某些特定应用场景中处于领先地位。回到技术研究层面，由于许多客观的因素，目前仍然处于相对落后的状态。

关玉娟：AI在实际应用中最大的问题与困扰是什么？

薛向阳博士：AI依赖于应用场景，只要场景确定（即各种边界条件确定），这个时候研发人员比较容易将应用性能等调整得很好。但如果更换了一个场景，原来那套方法就需要进行再调整，这也反映出AI算法模型泛化能力不够，主要以定制化为主，限制了大范围推广。同时，当前许多AI算法都是数据驱动的，需要持续收集大量特定应用场景的数据，然后在应用中进行持续迭代优化，这个过程所需人力与物力对于许多企业而言，显然是一个非常大的技术、成本和运维等综合压力。

关玉娟：随着人工智能等新技术的兴起，目前在高校教育的师资力量匹配上是否会出现压力？

薛向阳博士：以人工智能为例，在学校里很早便有相关的研究，只是之前并没有获得社会公众普遍关注，比如计算机视觉、自然语言处理、模式识别、自动控制等都有相应的师资和专业，现在AI非常热，全社会就更加重视，国家教育部先后设立了智能科学与技术、人工智能等本科专业，国内已有不少高校将计算机、电子工程、自动化、神经科学、认知科学等专业进行人力资源整合，建立了人工智能学院或人工智能研究院，积极应对社会对AI人才的急需。

关玉娟：接触过这么多的人工智能企业，您如何看他们在应用方面的发展问题？

薛向阳博士：以我选择合作的企业标准而言，我认为要做好一个AI产品或应用需要具备许多要素，首先是团队要素，企业应有足够的数据工程师（负责人工数据标注）、软件工程师（负责工程代码开发）等。如果企业不具备这些开发人员，我们作为算法研究的角色是无法通过算法帮他们完成产品开发的。在实验室环境下完成的算法，仅仅是作为算法思想，接下来企业要把算法思进行工程化实现，并在实际应用数据上进行持续检验。否则的话，双方合作是很难取得让人满意的结果。

编后语：

人工智能未来充满着无限可能，当下人脸识别带给了人们生活上极大的便利。要进一步促进人工智能的发展，需要源源不断的创新动力。除了企业努力之外，还需要不同研究领域的专家开展跨学科合作研究，以应对人工智能深入发展带来的各种新挑战。对人工智能企业而言，产学合作能使效率更高，成本降低，技术水平提升，加速推进惠泽社会的人工智能项目的不断落地。