1樓：Rritage
是的，這話沒問題。
實際情況是工業界有更多的資源去實現新的idea而不止是追求效能，而學術界很多人確實在思考ai的未來但是只能交給時間。
吳恩達和yoshua bengio 聊的時候也聊到了這個問題，而且指出很多研究人員為了實現自己的idea去加入大廠，導致很長時間以來新的成果甚至都來自企業。bengio有點痛心疾首，也表達了類似要重振學術界領導ai進步的願望。當然這裡的願望與周志華教授的相似，就是要探求ai更深層次的理論，向cognition層面邁進，不止停留在感知。
最後，我認為，學術界不僅僅要像得道高人一樣去思考所謂ai未來，也要加強與工業界的聯絡與合作，而且要在例如ai倫理領域展開更加深入的思辨，給予工業界與決策層更多有價值的建議。
2樓：Jack
我覺得周老師說的很對啊，學術界的主要任務是在基礎理論和框架下有突破，比如就像神經網路一樣，而在這個基礎之上的應用和效能是具體工業界針對具體的場景來開發的
這一次人工智慧理論落後的情況下學術界不去追，到下次還是繼續落後，那國內的科技產業就一直是給美國打工，學術界要看清自己的定位，周老師說的很對
3樓：
從某個側面說的很對，但是對大部分高校搞科研的教師、學生來說可能不現實。
對工業界大公司的實際情況來說也不是很恰當。
工業、學術相輔相成，互相促進、相得益彰，現實也是，通常工業提出問題、提供資料以及大規模的執行環境，學術則在此基礎上展開進一步的探索研究。
二者的關係較為微妙，類似太極互為陰陽，你中有我，我中有你。。。。。。
4樓：Lucas
個人覺得如果完全拋開企業資本的影響，這是個很合理的正規化。
反覆往模型裡堆資料浪費了很多資源，有資料就是爹的時代應該早一點過去。
5樓：naughtyboy
我來說一點相關的：不否認工程應用的重要性，但是反感社會怪異的現象，認為理論怎麼樣怎麼樣，沒有應用落地還不是怎麼樣怎麼樣，對於工程和科學理論的關係容易矯枉過正，不認為純理論進步或者認為當下環境已經不存在滋生理論的土壤。對理論研究失去希望，這一點是錯誤的。
最後還是強調一下思考未來永遠應該放在首位。
6樓：到處逛
AI沒有完備的理論基石，在數學的領域裡還未站得住腳，也就是說仍沒有一套數學理論來解釋AI，那麼思考AI未來就像瞎子一樣
目前很多這個領域的頂級大佬堅信暴力喂資料，大力出奇蹟
在我看來，周志華的發言揭露了「AI已經走入末路了」
7樓：王泓硯
說法沒錯，但難以實現。
任何專案建立在理論和工程兩個基柱之上，如果除去專案規模的問題，甚至說只是建立在理論乙個基柱之上，自然，探索理論的重要性勝於提高效能。
今天的科研的探索道路已經非常狹窄了，不再會提出伽利略之問，也不再會有愛因斯坦的抽象能力，更實際的方式是尋找問題和觀察資料，這些恰恰只有在工業界裡才存在，而這絕不能通過思辨就能「構造」出來，因為在今天，我們遇到的問題都是有關時序的問題，這本身就是不確定變參的隨機過程，是徹徹底底的實驗型研究。
現在的學術界沒有第一手資料，等於是蒙蔽了雙眼，就像盲人摸象，自娛自樂呢。
如何看待大熱的人工智慧機械人 Sophia？
這是乙個flag 人工智慧發展到現在，在外形上可以說是有很大的突破，人們對於這樣的技術都是有著一定的要求的，而且現在的技術可以說將人工智慧機械人做的與人的外形一模一樣，這是一種全新的技術體驗，但是索菲亞在智慧型溝通上還是有著一定的問題，人們對於溝通的自由度還是需要重新開發和審視的。 I mYES 有...
計算機視覺 人工智慧與機器學習三個概念，為什麼在谷歌趨勢中計算機視覺的熱度那麼少？是因為熱度不夠嗎？
小覓智慧型 人工智慧 人工智慧分為基礎層和技術層，基礎層主要包括晶元，平台，開源框架，感測器，伺服器，大資料等。技術層主要包括機器學習，智慧型語音，自然語言處理，計算機視覺和知識圖譜。機器學習 機器學習的核心是資料 演算法。機器學習是一種高階形態的模式識別，能夠讓機器通過分析大量資料來做出判斷。這有...
在機械人或者人工智慧領域如何選擇研究方向？定位建圖 路徑規劃 感知 協作，哪乙個前景更好，更值得去做？
新域構想 個人看法，感知技術做為研究方向比較務實一些。就好比財務管理，要學習會計記賬一樣，基礎核心不可或缺的東西學會了，才有可能進一步拓展。規劃管理協調都不是乙個學生一開始就能做的，懂些知識就可以。企業進來了也不會先讓你做管理，而是參與專案先學習，弄明白熟悉了流程，專案管理協調自然容易領會。 西洲 ...