近日，“数聚万物 智启未来——人工智能与大数据高峰论坛”在清华大学举行。来自人工智能产学研等多个方面的专家，为大学生带来了仿脑人工智能、计算机听觉/视觉、金融应用等方面的分享和讨论。

本次论坛由清华大学经管学院金融协会主办、清华大学数据科学研究院协办。

清华大学脑与智能实验室主任助理宋森主要从事脑科学和人工智能的交叉研究。在他看来，这一波人工智能的发展主要基于深度学习，目前在基于大数据、特定场景下以及确定性问题上有了非常大的突破，但在小数据情况下，与人脑会采用推理、类比等方法应对相比，深度学习还会经常犯致命错误。下一步，深度学习会往通用性、不确定性、带深度理解的方向发展。

深度学习的局限性是与会嘉宾都关注到的问题。科大讯飞高级副总裁江涛表示，基于统计建模理论基础的深度学习发展出来的弱人工智能，有智能没智慧，有智商没情商，会计算不会“算计”，有专才无通才。而目前工业界正在做的人工智能，还处于比较机械地在特定场合能解决特定问题的阶段。

江涛表示，就人类目前认知智能，业界公认最难的是常识的推理。因为常识不像特定领域，如教育、医疗、司法的各种知识，具有固定的比较明确的答案，机器比较容易训练，常识往往没有明确的边界，对深度学习算法来说十分困难。现在的认知智能，无法实现处理常识，但在特定领域学习这个领域专家的知识和经验是可以实现的。

北京文安智能技术股份有限公司创始人、董事长陶海认为，基于深度学习技术的AI技术靠的是样本量，而样本量不足是困扰业界人工智能公司的一个普遍问题，尤其是在服务特定行业客户时，这一点更加突出。如何在缺少训练基数的小样本情况下有效解决问题，这也是目前不少人工智能创业公司所欠缺的。

金融科技领域出身的北京根网科技有限公司副总裁赵磊认为，因为上述原因，人工智能、大数据未来在金融行业的主要应用方向还是人机结合，而这方面我国的投入还不够大。他举例说，有数据显示，中美两国资本市场2015年总成交额已持平，但证券行业总IT投入差距却高达20倍。此外，我国证券业软件投入占IT总投入比例只有20%左右，远低于国际平均60%的水平。

清华大学数据科学研究院执行副院长韩亦舜认为，大数据的采集、存储以及应用有很多新机会值得关注。他建议人工智能从业机构应该归纳自己拥有的数据资产，不盲目追求大数据的概念;进行内部数据的整合共享。