日前，首届中国数字艺术大展在位于杭州的中国美术学院美术馆开幕。图为小朋友在首届中国数字艺术大展上进行互动体验。新华社
李天瑞
人工智能发展至今已经是硕果累累，但新技术、新模型、新方法每天仍在涌现，人工智能的应用也已经渗透到人民大众的生活中。然而，人工智能技术今天依然面临着许多根本性的问题没有解决，人类还需要不断发展更加接近人类智能的颠覆性的人工智能新技术。
随着全球主要国家将人工智能列为战略性技术和国家之间竞争的核心关键产业领域，人工智能技术和产业的发展迎来了机遇与挑战。展望未来，人工智能将会给人类社会带来更多的惊喜和难以预料的变化。未来的人工智能技术将更加智能化，能够实现更多自主决策和自我学习能力。同时，类似于人类接受信息的方式，未来人工智能将更多地使用多种媒介进行信息传递，如图像、音频、视频等多模态信息。随着人工智能技术的广泛应用，安全问题也变得尤为重要。未来的人工智能产品将更加注重数据保护、隐私保护等方面的安全问题。而总体上，未来人工智能的发展将更加注重智能化、个性化、多模态融合等方面，并注重实际生产和生活中的潜在安全问题。
人工智能在追求技术创新方面不断突破
当前，新模型和新算法不断涌现，技术融合、领域融合成为重要趋势。超大规模预训练模型不断推动着相关领域的性能基准，人工智能的研究也在朝着规模更大、模态更多的方向发展。2020年，OpenAI推出了GPT-3，随后Google、智源研究院、中科院、华为、阿里巴巴等研究机构和企业相继推出超大规模预训练模型，包括Switch Transformer、DALL·E、MT·NLG、盘古、悟道2.0、紫东太初和M6等，不断刷新各榜单纪录；当前，预训练模型参数数量、训练数据规模按照300倍/年的趋势增长，继续通过增大模型和增加训练数据仍是短期内演进方向；另外，跨模态预训练模型也在日益增多，从早期只学习文本数据到联合学习文本和图像，再到如今可以处理文本、图像、语音三种模态数据，未来使用更多种图像编码、更多种语言以及更多类型数据的预训练模型将会涌现，这也是实现人工智能通用化的有益探索。
另外，生成式人工智能技术不断成熟，未来听、说、读、写等能力将被有机结合起来，2022年已是生成式AI之年。目前，生成式人工智能被广泛应用于智能写作、代码生成、有声阅读、新闻播报、语音导航、影像修复等领域；尤其在2022年，无论是上半年AI绘画（DALL·E和Mid-journey等模型），还是下半年火爆“出圈”的ChatGPT，都意味着通过计算机自动生成视频、图像、文本或语音等技术正在推动互联网信息生成的重大变革，机器模拟人类听、说、读、写的能力并将其进行有机结合，成为未来人工智能的发展趋势之一。
根据互联网数据中心（IDC）的预测，全球互联网数据的规模在2025年将达到163ZB（存储容量单位，1ZB等于1百万亿GB），其中80%~90%是非结构化数据，这标志着人工智能的快速发展也推动着数据规模的不断提升。数据服务进入深度定制化阶段，如百度、阿里巴巴和京东等公司推出根据不同场景和需求进行数据定制的服务；企业需求的数据集从通用简单场景向个性化复杂场景过渡。同时，各方积极探索建立高质量知识集来支撑未来知识驱动的人工智能应用发展。知识集包含语音、图像、文本等传统数据的定义、规则和逻辑关系，是知识的数据化呈现。
人工智能作为能力核心：从工程实践到技术应用
随着人工智能技术不断发展，近年来工程落地应用呈现加速态势，目前企业应用人工智能呈现出从初步探索到规模应用的过渡，总体上来看，提升工程实践能力将成为人工智能应用的关键，而技术应用的落地将促进先进人工智能技术的进一步提升与全面发展。
人工智能工程化已成为学术界和产业界关注的焦点，主要关注的是工具体系、开发流程、模型管理全生命流程的高效耦合：工具体系层面，体系化与开放化将成为研发平台技术工具链的发展特点，将围绕机器学习和深度学习等技术，构建起完备的工具体系，大幅降低数据处理、模型开发和部署、运维管理等难度，其中关键的软件框架多采用Tensor-Flow、PyTorch、Paddle、Mind-Spore、OneFlow等开源框架；在工程化层面，标准化、自动化和持续性至关重要。通过将整个流程标准化并实现自动化，可以提高开发效率和质量，并确保可持续生产、交付和部署的能力。此外，基于最佳实践的工具和框架可以进一步提高工作效率，降低错误率。在模型管理层面，随着企业智能化应用的逐步加深，对于模型的管理也变得越来越重要。管理机制需要跟踪每个模型的版本历程、性能表现、相关数据以及衍生模型等信息，并确保这些信息的标准化和可靠性。
人工智能作为科技创新产物，正加速向医疗、交通、智慧城市等应用领域渗透，在改变人类生产方式、促进社会进步、加快产业发展等方面发挥着越来越重要的作用。目前人工智能的应用场景被进一步地拓展细分，正通过“AI+”赋能百业。每一次技术革命都将引发人类生产力方式的重大变革，或许人工智能将在未来替代或部分替代人类传统职业，最终引发人类生产方式的革命性变化。
安全可信人工智能技术朝着一体化发展
随着人工智能的可解释性问题得到了越来越多地关注，其安全性与可靠性已经成为一个热门话题。重点解决如何提高人工智能的稳定性、可解释性、隐私保护以及公平性等问题，从而为人工智能的可信应用提供理论与技术支持。
人工智能系统稳定性技术重点逐步从数字域扩展到物理域。人工智能系统面临中毒攻击、对抗攻击、后门攻击等特有攻击，这加大了安全性方面的挑战。这些攻击技术既可以互相独立，也可以同时存在。围绕着人工智能系统的稳定性测试技术也成为关键，华为、百度等纷纷推出基于模糊理论的相关测试技术，致力于探索提高人工智能系统的稳定性。
人工智能可解释性方面的研究仍处于初级阶段，多种路径持续探索。增强人工智能系统的可解释性成为热点工作。使用透明模型（如决策树或线性回归等），这些模型可以被解释并且不会掩盖其内部运作机制。通过可视化技术，将模型输出以图形方式呈现出来，以便用户更好地理解和解释模型的结果。局部解释性方法专注于对单个预测结果进行解释，例如LIME（局部可解释性模型评估）算法，它可以生成关于特定预测的局部解释。提供上下文信息。在解释模型的结果时，提供上下文信息，比如数据来源、算法使用的特征等，这样用户就能更加全面地了解模型的逻辑。
隐私计算技术助力人工智能数据安全可信地进行协作。众所周知，人工智能的发展离不开海量数据，但海量数据在其传输和深度建模中存在着隐私信息泄露的风险。人工智能结合隐私计算技术，可从数据源端确保原始数据真实可信。利用隐私计算技术，数据“可用不可见”，形成物理分散的多源数据的逻辑集中视图，保证AI模型有充足的、可信的数据可供利用。