人工智能陷入瓶颈需进一步突破理论和算法

人工智能（AI）已成为当前科技领域的热门话题。从搜索引擎、语音助手到购物推荐，几乎所有产品都标榜搭载了“人工智能”技术。特别是深度学习在计算机视觉和语音识别等领域的突破，确实带来了显著的进步。

然而，在繁荣背后，一个根本问题始终存在：当前人工智能的真实能力究竟如何？事实上，多数AI工程师的日常工作并非设计精妙算法，而是耗费大量精力处理数据——清洗、标注、再清洗、再标注。《经济学人》曾精准指出：“数据是新‘石油’，但冶炼技术还很原始。”英特尔中国研究院院长宋继强也直言：“目前的人工智能属于弱AI，需要海量数据加上人工标注，才能勉强训练出可靠的模型。”

学术界将人工智能划分为弱AI与强AI两个层级。弱AI本质上是一种高级自动化，通过计算机化业务流程实现特定功能，这也是当前主流应用。而强AI则要求能够应对不确定性，代替人类进行决策判断，这才是真正的智能。两者之间存在着巨大差距。

数据处理也分为初级与高级两个阶段。英特尔中国区物联网事业部首席技术官张宇解释道：初级阶段仅仅是提取数据的表层特征；而高级阶段则需要将这些特征与行业需求及经验（即“Knowhow”）深度融合，使数据在实际行业中真正产生价值。仅仅拥有数据却不知如何运用，就如同守着金山却无法开采。

如何突破这一困境？宋继强指出，需要一次范式转移。未来的人工智能不能仅依赖海量数据训练，而应通过端到端的标注训练获取可用模型。关键在于，AI必须能够从少量数据中学习。他以英特尔最新推出的神经拟态芯片Loihi为例：“我们用Loihi构建了一个嗅觉识别系统，采用脉冲神经网络模型。对于10种气味，每种仅需一个样本即可达到92%的识别率；而传统深度学习则需要3000个样本才能实现相同效果。”差距高达3000倍。

Loihi芯片于今年3月发布，是神经科学与人工智能交叉领域的重要进展。其背后的逻辑十分清晰：下一代AI将迈入3.0时代。五六年前的2.0时代依赖于统计学习和数据库驱动的机器学习，在视觉、语音、金融数据处理方面已经做出了重要贡献。而3.0时代的AI需要具备从少量数据中学习、适应环境变化、自我演进乃至推理的能力。在高性能计算、神经拟态计算和量子计算这三条通往未来AI的赛道上，英特尔选择了全面布局。

深度学习是否已经遇到了瓶颈？一个矛盾的现象是：弱AI看似并不弱，但强AI却迟迟未能实现。这是否意味着理论层面存在根本性问题？

针对这一问题，宋继强结合自己在贝尔实验室的经历指出：“从深度学习的发展曲线来看，目前确实进入了平台期。当年我同事设计的Learn net网络用于字母识别，虽然网络层数很浅，但其基础依然是卷积神经网络。可以说，这一轮人工智能与上一轮相比，在理论和底层算法上并没有本质差异。”这恰恰是当前真正的瓶颈所在。

要突破这一瓶颈，他建议拓宽思路。例如，雷达信号处理技术与当前AI采用的卷积神经网络算法有相似之处，但AI算法仍有大量优化空间，却缺乏像雷达信号处理那样坚实的理论基础。他用一个生动例子说明：“我们通过大量数据来获得可接受的结果，但方法未必是最优的。比如使用网络压缩技术降低计算量，对最终准确度影响不大，这都源于当前理论尚不完善。”本质上，是用数据堆砌的蛮力掩盖了理论的缺失。

“如果人工智能的理论和算法能够取得进一步突破，将有望解决当前强AI不强的困境。这无疑令人期待。”他最后总结道。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：人工智能陷入瓶颈需进一步突破理论和算法要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题