有报告称，中国学者在国际上发表的人工智能（AI）文章80%与深度学习有关，而美国的研究则相对较平衡。这一数据被解读为“深度学习在中国过火了”。近日，《本来科技》专访了刚获得《技术评论》2018年“35岁以下科技创新35人”的科大讯飞AI研究院常务副院长刘聪，他对相关技术话题进行了详细回答。

科大讯飞AI研究院常务副院长刘聪

“火了”表明中国在积极探索

Q：你认为深度学习在中国是否有点“过火”？

刘聪：相对而言，深度学习技术是近年来一个新的研究点，和其他领域有较强的结合之处。目前大量深度学习相关文章，一定程度上表明中国学者对这方面的积极探索。

目前深度学习的出现使得很多领域取得了巨大的突破，同时也在一定程度上降低了门槛，这使得很多人热衷于使用深度学习技术。对于产业界而言，说“过火”不如说大家正在逐步全面认识AI或深度学习，并持续投入使得它们的应用空间进一步扩展。

但不得不提的是，在核心技术原创性，特别是一些偏基础的研究上，中国仍然落后于美国，深度学习相关文章的水平也有待提高。我们确实还需要不断学习和加强。

深度学习“生来惊艳，先天不足”

Q：有人评价深度学习“生来惊艳，并且先天不足”。就技术而论，这里的“生来惊艳”和“先天不足”分别指的是什么？

刘聪：我认为，“生来惊艳”指的是在图像识别、语音识别等领域带来了里程碑式的突破，而“先天不足”指的是深度学习技术从诞生到现在仍然没有很好地解决一些问题，如可解释性差（类似“黑箱”，编者注）、鲁棒性差。

要强调的是，一门新技术、新方法最终总是要经过实践的检验。针对“生来惊艳”，我们要充分利用，以人机耦合的方式提高人类的效率或生活质量，比如用医学影像识别辅助医生的诊断等。针对“先天不足”，我们要认识、理解，并在其它层面给予补充，例如尽可能将深度学习的使用场景限定在整体系统中的一环，在系统中考虑风险性。

深度学习起于猫的识别

Q：有专业人士认为，深度学习在图像、视频、声音这几类典型任务上优势比较明显，而在其他涉及到混合建模、离散建模、符号建模的任务上，其实神经网络的性能比其他模型还要差一些。你认为上述表述是否客观？有什么要补充的看法？

刘聪：这种理解基本客观，深度学习不是万能的，它有优势，也有短板。不过需要补充的是，对于医疗、自动驾驶等行业领域，在深度学习出现之前，很多问题也没有被很好地解决，但如上所述，日常我们面对的往往是系统工程，而深度学习只是在其中的一项或几项技术上对传统方法进行了替换，效果得到了改善。

体现在系统层面，是否这几项技术一定是决定系统表现的关键点？或者说系统的表现是否应该只由少量几个技术决定？这些都不一定，具体的行业一定是需要多种技术的相互配合才能完成真正的落地，深度学习只是让我们看到了希望，但并没有告诉我们答案。

深度学习的下一突破口

Q：深度学习下一步的突破口是什么？深度学习领域的学者们对此有何措施或对策？

刘聪：在核心技术方面，深度学习下一步的突破应该会在无监督学习方向。在部分具体的应用领域，如医疗、自动驾驶等，当前技术在很长一段时间都无法替代人类，因此人机耦合、机器辅助人类将是很有效的应用方式。

Q：最近一些新的算法概念——深度森林、小数据学习、对抗网络（GAN）、胶囊网络技术等，这些是对深度学习的补充吗？

刘聪：只从算法本身看，深度学习狭义上指的是深度神经网络，从这个角度，深度（随机）森林是对其的一种补充，而小数据学习、GAN、胶囊网络可以列入深度学习的范畴，说是补充倒不如说是其子技术。

如果从对于科学的追求看，这些技术都可以说是深度学习的补充，可解释性、可迁移性、怎么在小样本下发挥更好的效果等，都是深度学习在前一阶段面临的挑战。随着专家学者的不断投入，我们很欣喜地发现有了以上所述许多的新进展，能够让我们更好地利用深度学习，或者找到怎么揭开“黑盒子”的思路。

AI技术突破变慢≠AI行业应用遇冷

Q：深度学习和人工智能经过一轮热潮，现在有人又开始联想AI会不会遭遇寒冬。针对“AI寒冬论”，你有什么要说的？

刘聪：现在人工智能被很多旁观者给“神化”了，当过高的期望没有实现时，一部分人可能认为“寒冬已至”，但实际上人工智能领域的研究人员是非常清醒的。在部分领域的通用技术（图像识别、人脸识别）上，人工智能的突破变慢了，这是每个新技术都会面临的境地，但人工智能的行业应用并没有变慢，大家都在协力解决人工智能技术落地过程中各种难题，并且取得了不小的突破。