第六届吴文俊人工智能科学技术奖颁奖盛典现场
撰文 | 沈庞（《知识分子》特约撰稿人）
责编 | 吕浩然
吴文俊奖最近在深圳这座以电子信息产业闻名的城市揭晓。这项中国智能科研界的最高荣誉自2012年开始颁发，至今已是第六届。而“纪念智能科学60周年”又为今年的颁奖典礼平添了更多的意义。事实上，今年吴文俊奖的获奖项目达到了28项之多。创纪录的奖项数量固然可喜，但其质量又如何呢？
智能技术领跑的创新
清华大学的马惠敏教授是今年吴文俊奖创新奖一等奖的得主之一。她的获奖项目可以称得上是一种奇妙的魔法——“读心术”。一位测试者坐在屏幕前，屏幕上依次闪过各类图像，每一幅会配以不同表情的人脸，测试者需要识别人脸上所展示的正面或负面情绪并按下对应的按钮。几分钟后，测试完成，系统便自动显示出心理测评的结果。而这项测试背后的原理则是人对图像的认知能够作为一种心理学上的语义。
“这套测试系统的核心是一套智能化的、基于人对图像的认知反应原理以及其眼球特征的算法。目前，它已能够筛查焦虑症和抑郁症。”负责该项目的北京清视野科技有限公司总经理黄岩介绍说，“马（惠敏）教授是电子图像学的专家，不少人会误以为她是学心理的”。九年前，一位学生遭遇了心理问题。于是，马惠敏带着学生向时任北京心理卫生协会理事长、北京同仁医院原院长的刘福源教授求助。“心理诊断的时候真叫我大吃一惊。
现代医学已经有了各种检测设备，心理学仍在沿用一些‘传统’的方法为学生诊断，”马惠敏笑着说。时至今日，让患者回答心理学量表题目的测试依然是普遍的判断方法。“难道不能把心理学测试变成更标准的数据吗？就像血常规的化验指标那样。”对于马惠敏的问题，刘福源教授摇了摇头。
其实，如何将一个人主观的心理状态通过一套更加客观的标准反映出来，一直是心理学想要解决的核心问题。马惠敏一头扎入了这片未知领域，而这趟研究之旅一走便是近十年。没有研究的先例可以参考，唯有心理学的过往理论和多年在图像认知领域的积累。十年磨一剑，如今这项研究成果已经具备了极高的应用价值。
在今年的获奖者中，像马惠敏这样开拓某个领域的学者并不鲜见。实践的创意、出色的洞察以及过硬的技术，汇成了今天吴文俊奖各得主。人们很容易发现，他们的科研成果在具备学术价值的同时，还具有极大的商业价值。这些智能化技术，或产生更高效的劳动，或给人更舒适的服务，仿佛都在高呼“AI改变未来”。
但是，请别被这层表象所迷惑，因为商界的套路绝非学界的规则。
从学术到市场之间的跨越需要什么
如果要问2016年中国资本市场什么最火，回答“人工智能”准不会错。但出人意料的是，在此次吴文俊奖开设的圆桌论坛上，投资人们却以一番苦水作为开场。“上周的统计显示，人工智能的项目95%都失败了”，“换句话说，在人工智能上的投资还犹如九死一生”，“几乎全军覆没”，甚至还有人称自己是“转身回家蹲在角落里哭”。这看似海阔凭鱼跃的商业市场，仿佛处处布满了暗礁。
这不禁让人疑惑，那些所谓的人工智能项目到底是怎么失败的？
“影响商业项目的成败因素太多，”灵聚智能CEO张胜对此解释道，“比如，设计一定要让用户更惬意，而不是为他们增加额外的步骤和麻烦。而对人工智能产品来说，人们的心理预期是普遍较高的。一旦发现产品不如想象中的‘智能’，就会立即失去兴趣。”张胜分享了他创业以来的心得体会以及对整个产业细致的洞察。他的说法让人相信：要把一项成熟技术转化为一款成熟的产品，期间确实得交不少学费。
圆桌论坛期间，一位教授问道：“如果可以把那些成功的项目特征分析出来，用我们人工智能的算法归纳学习，那么不就能提高投资的成功率吗？”投资人们面面相觑，不知是一时语塞，还是无言以对。这位教授可能没有意识到，市场融资不仅仅是做一个判断那么简单。它包括一系列的资本运作和设计，也包括人与人之间跨界协作的无限可能。所以这种投资的“成功”是根据人的运作而变化的概念。
换句话说，今天你定义的成功项目，或许明天就是失败项目。对商业和资本的理解或许正是理工科学者们所欠缺的。
那么，当学者们面对市场——这个复杂系统的时候，他们该如何发挥自己的学术优势呢？
产学转化犹如更高维的挑战
“机器学习需要增加模型的复杂性，因为规则数需与数据量匹配”，戴文渊博士正在向观众介绍机器学习的技术路径。他是今年的创新奖一等奖得主，其研究成果是基于迁移学习的下一代机器学习平台。它能够帮助那些数据和样本数相对较少的领域应用人工智能技术，比如医疗领域。
“一个人一生可能要说无数句子，拍无数照片，下无数盘棋局，做无数交易。这就给机器学习语音识别，图像，游戏或者经济行为带来丰富的训练数据。但是一个人会住几次医院呢？所以重大疾病的数据都是非常难得而又稀缺的。”目前机器学习的路径是基于大量的数据训练，提升它的维度。一旦缺少数据，人工智能对该领域的学习程度便会大打折扣。
另一方面，大企业往往在获得大数据上具有优势，小企业获取路径仍比较窄，这就致使了人工智能系统还无法大量普及。而由香港科技大学杨强教授所领衔的迁移学习技术能够把某些领域大数据训练所得的AI系统，经小数据样本重新训练后，迁移至其它领域，因此得名。它为解决以上问题提供了关键路径，有望成为深度学习、强化学习之后又一大热点技术。在这个领域中，杨强教授领导的研究团队已经站在了学界最顶尖的位置。
“在以前，我们做研究都要采用奥卡姆剃刀原理（即避繁逐简）去简化模型。但自从深度学习获得成功后，我们认识到必须增加模型的复杂性和维度，从而拟合更真实的情况。迁移学习的本质同样也是增加AI的维度。”戴博士气质儒雅，说话慢条斯理，但信息量却很大。事实上，这位年轻学者同时也是一位创业者，他的公司名为“第四范式”。
熟悉科学史的人一眼便知它其中的雄心壮志：科学研究的方法在哲学上被分为三种范式，而第四种范式将会是什么？
答案就在他们的业务实践中。迁移学习技术已经在网络、金融和医疗领域得到了成功的应用。他们让不同行业的智慧经验融合到同一系统里，从而跨界到不同领域。这或许能带给学者们些启发：光有技术数据还不够，必须了解市场数据。
“我们希望能够应用迁移学习把智能技术拓展到更多的领域，让技术得到真正的普及。我相信，当普通人也能配置个性化的AI系统，就像使用计算机那样顺手的时候，智能技术就会真正改变世界。”他说话时的声音很轻，但却能感受到一股热血。
产学转化还需完善配套体系其实，无论这些人工智能项目能否得到市场的认可，智能技术都在一步一步改变世界。
“智能科学技术将从现有的多个交叉分学科中分离出来，成为一级学科，”中国人工智能学会理事长李德毅院士做了一个通俗的比喻，“智能学科在现代科学体系中的位置，犹如一个多学科交叉诞生的混血儿。它已经存在，所以我们得给这个黑孩子上个户口”。在他看来，现在的智能科学技术已经涉及到哲学、数学、物理学、生物学、工学、文学、医学等各大科学领域。“构造具有一定智能的人工系统和工具，就是智能学科最基本的研究内容。”
几年来，李德毅院士多次向科协汇报申请学科的建设，而今年或许正是它的最佳时机。“这关系到国家战略发展，尤其是人口红利、劳动力红利不那么灵验的时候，国家需要依靠智能技术的红利。”自李克强总理在2014年提出“双创”以来，结合“互联网+”的势头，人工智能技术的热度早已在各行业急剧上升。今年3月，AlphaGo与李世石的“人机大战”更为它的发展历程添了浓墨重彩的一笔。
但即便在这样的势头之下，高校的智能创新成果似乎也不如“会飞的猪”轻巧，许多科研专利都在投资人们的血泪史里埋没。产学转化的难点在哪，又该用什么办法解决？中国人工智能学会副理事长杨放春教授认为：从成功的案例来看，比较可靠的路径是成立企业和高校合作的实验室。如此一来，市场的需求能够方便传达到高校，而学术的成果也更容易转化为商业价值。
“我们所研究的科学问题是从真实的世界中抽象出来的，或是从前人的历史经验里总结出来的。这两个不同的问题来源都能做出很好的研究结果。但很明显，从事前一类研究的学者能更方便的做产学研转化。单纯从理论中推导出科学问题的研究是很难做转化的。另外，一个重要的建议是——找对你的商业合伙人。”俞凯博士总结道。他是第四届吴文俊奖进步奖的二等奖得主，其开发的“思必驰”认知交互系统已成功转化为一系列智能产品。
60年前的夏天，十几位美国学者相聚在新罕布什尔州的一座边陲小镇。在著名的常春藤盟校达特茅斯学院内，他们热火朝天的讨论艰涩的概念名词和学术短语。当时，没有几个人知道这意味着什么。其中一些学者或许会想到他们的讨论成果可以改变世界，但他们不会想到最先跟上改变的是在大洋彼岸的中国。
他们更不会想到，今天的人工智能已经成为一项跨越文理工科的大交叉学科。在时代的浪潮下，学者们纷纷起航，科技的意志和人们的梦想交织在一起，驶向“智能科学”的海域。