AI领域的应用将给学术研究带来哪些挑战

AI的应用将给学术研究带来哪些挑战？一直是学术研究和工程研究无法逃避的难题，在资源，性能向导，工作经验方面仍然是我们目前所经历的巨大挑战。

在AI领域，以往几年是一个大时代—深度学习造成的性能提升、AlphaGo的问世、AI产业链的风云变幻—这一切不但改变着人们的吃穿住行，也给象牙之塔内的学术研究造成了刻骨铭心的影响。

深度学习有关科学研究项目，让我们看到了一个个实体模型和优化算法从最开始设计方案到达到总体目标的过程，感受尤深。它是一个与传统式人工智能算法与深度学习很不一样的领域。

  资源要求挑战

AI对资源配置要求越来越高，2012年，GeoffreyHinton教授团队明确提出的AlexNet得到当初ImageNet比赛的总冠军，造成了全部视觉领域的关注，也打开了追求超挖互联网的比赛。短短的两年间，神经元网络的经营规模也从8层，发展趋势来到数百上千层。此外，资源的资金投入，特别是在是算力的资金投入，变成了更新性能指标值的重要驱动力。ImageNet、ActivityNet、MicrosoftCOCO所获得的贡献，身后都不可或缺百余块顶尖GPU的适用。近些年，更规模性的uci数据集五花八门，例如Yahoo公布的YFCC，Google公布的OpenImage都做到了数百万甚至上亿照片的经营规模，远超ImageNet比赛的上百万级別。要在那样的uci数据集上得到探寻新的方式 ，获得新的提升，对资源的要求更加极大。

性能导向性挑战

从AlexNet到ResNet，深度学习领域的许多 举世瞩目的进度，都最先反映在性能的提高上。近些年AI的产业发展，其基本都是在面部识别等重要每日任务上的性能提升。因而，科学研究导向性也造成了刻骨铭心的转变—创新理论慢慢离去中央，性能提高变成了基调。发展愈来愈多地聚焦在好用方式上，把很多的活力资金投入到跨越stateoftheart的作战中。AI不断火爆，发表论文量屡再创新高，杰出评审员匮乏，也让这类导向性大力加强。

工作经验需求挑战

深度学习因为在性能层面的突显优越性，近些年在人工智能算法的好几个重要领域基本上一统江湖。神经网络算法因为其高宽比离散系统的繁杂测算全过程，一直欠缺数学工具能对它开展合理剖析。尽管数学界对深度学习也造成了深厚的兴趣爱好，试着从不一样视角对它进行表述和剖析，可是现阶段所得到的成效针对具体指导实践活动也有非常大的间距。因而，很多人许多 情况下只有依靠工作经验模型拟合开展改善。更比较严重的挑战是，最后性能对一些关键点的设置比较敏感。不论是重现别人的方式 或是实验新的构思，都必须花销很多时间对关键点设置开展剖析、调节、和检测。