觀點一：不要被數(shù)據(jù)所困

　　微軟亞洲研究院副院長陳鐵巖博士講到，深度學習現(xiàn)在應(yīng)用得相對成功，是因為深度學習有*強的函數(shù)擬合能力，需要有大量的訓練數(shù)據(jù)。但另一方面，一些現(xiàn)象、一些大量數(shù)據(jù)產(chǎn)生的背后常常是簡單的規(guī)律驅(qū)動的，比如物理的牛頓定律、宏觀經(jīng)濟的數(shù)量方程等等，都是一兩個簡單公式就完成了計算。這就啟示我們，如果找到大量數(shù)據(jù)產(chǎn)生背后的規(guī)律，那么只需要少量樣本數(shù)據(jù)，也能計算出正確率較高的結(jié)論。

　　陳鐵巖也講到，他自己及其團隊在日常的研究中經(jīng)常使用的算法，需要消耗上億量級的訓練數(shù)據(jù)，但是自己對于人工智能和大量的訓練數(shù)據(jù)之間是否存在必然聯(lián)系還存在一些疑問。因此，他建議大家，不一定要盲目地使用大數(shù)據(jù)，而要思考，如果不用大數(shù)據(jù)，而用思辨的方法、萃取的方法，是否能利用少量有效的數(shù)據(jù)就能達到同樣的目的。

　　“不要被數(shù)據(jù)所困，要尋找新的突破點。”他說。

　　觀點二：大數(shù)據(jù)仍是AI的基礎(chǔ)

　　華東師范大學教授錢衛(wèi)寧從學界的角度觀察認為，深度學習是*好的技術(shù)，發(fā)展也很快，但是深度學習并不等同于人工智能。人腦科學的發(fā)展也很快，但現(xiàn)在腦科學和人工智能研究之間的聯(lián)系還是*弱的。谷歌的“阿爾法狗”掀起全球?qū)θ斯ぶ悄艿臒岢?，然而“阿爾法狗”的?yīng)用有很多特定的前提和條件：規(guī)則是確定的(圍棋)，算法是確定的(圍棋)，數(shù)據(jù)是確定的(圍棋經(jīng)驗)，而事實上，現(xiàn)實生活中的人工智能應(yīng)用，這些又都是有很大的不確定性的。

　　“各行各業(yè)都可以去定義我們自己的人工智能應(yīng)用，但是并不是每一個應(yīng)用都可以像圍棋那樣來清晰定義問題，清晰獲得數(shù)據(jù)，清晰定義輸贏，這是我們所面臨真正的挑戰(zhàn)。這個里面的問題大多數(shù)是數(shù)據(jù)的問題，不僅僅是人工智能的問題。我們在很多的應(yīng)用里面已經(jīng)有了數(shù)據(jù)，可以以*小的成本獲得這些數(shù)據(jù)，我們?yōu)槭裁床蝗ビ盟?本身大數(shù)據(jù)是一個資源，而不是說討論大數(shù)據(jù)用還是不用的問題，而是我們已經(jīng)有這些數(shù)據(jù)，或者我們獲得了這些數(shù)據(jù)之后怎么樣更好的利用它。現(xiàn)實的中，大數(shù)據(jù)仍然是人工智能應(yīng)用的基礎(chǔ)?！?錢衛(wèi)寧說。

　　“在未來比較長的時間里，大數(shù)據(jù)還是人工智能應(yīng)用的基礎(chǔ)。”滴滴出行副總裁章文嵩從產(chǎn)業(yè)界角度解釋數(shù)據(jù)在實際應(yīng)用中的地位：不可取代。他表示，無論是模型還是算法，對技術(shù)人員來說都比較容易掌握，唯有數(shù)據(jù)是不可替代的，數(shù)據(jù)才是真正有價值的部分。從滴滴出行的應(yīng)用場景來分析，目前深度學習在擬合函數(shù)時，當參數(shù)規(guī)模達到百億甚是千億時，產(chǎn)生巨大的計算能力，就可以解決各式各樣的問題。只要有足夠大的計算能力、足夠大的規(guī)模網(wǎng)絡(luò)。

　　中科院計算所研究員陳熙霖博士表示，人工智能之所以在今天有了大發(fā)展，是因為大數(shù)據(jù)、算法和硬件平臺三駕馬車在同時作用，缺一不可。過去幾十年，人工智能發(fā)展不快，或是因為數(shù)據(jù)量不夠，或是因為計算能力不夠強。人工智能的算法起著*重要的作用，計算能力則是起到乘數(shù)的作用，數(shù)據(jù)也*重要。大規(guī)模的訓練數(shù)據(jù)幫助人工智能從實驗室里走出來，走向應(yīng)用?！半x開了分析的大數(shù)據(jù)，算法就是垃圾.