对话清华大学长聘教授吴及：AI对物理世界理解还不够，加强对AI认知是首要任务

“AI教父”杰弗里·辛顿近日在BBC广播4台的《今日》节目中指出，AI的发展速度“非常非常快，比我预期的要快得多”，并强调这一变化速度远超预期。据他预测，具备超人能力的AI可能在未来20年内出现，最快甚至就在5年内。

针对AI接下来的发展，《每日经济新闻》记者（以下简称NBD）近日采访了清华大学电子工程系长聘教授、博士生导师吴及。吴教授从AI技术瓶颈、AI+医疗等角度进行了全面解读。

在吴及看来，AI在学术研究方面有待突破的一点是对真实的物理世界进行建模。以目前的技术来讲，还很难做到将文本意义上的世界模型和物理意义上的世界模型关联起来。在谈及ai应用落地时，吴及强调，加强对AI的认知是首要任务，如果认识或理解不够深，完全凭想象做事，那走的方向可能完全不对，这是很大的风险。

谈AI技术瓶颈：对物理世界建模有待突破

NBD：当前AI主要的技术瓶颈是什么呢？

吴及：从现实应用来讲，AI技术或者大模型跟很多现实场景应用结合得还不是非常好。这个方向非常热，但能够被大规模、常态化使用的成功应用还比较有限。这方面我觉得还有相当长的路要走。

从学术研究的角度来讲，一个非常重要的突破点在于，能不能把文本意义上的世界模型和物理意义上的世界模型关联起来，也就是说，能不能建立起对真实物理世界的建模。以目前的技术来讲，可能还很难完全做到，有待技术突破。

NBD：您提到的物理世界模型是不是类似于李飞飞团队所做的工作？

吴及：对。目前大模型能力很强，具备越来越多的能力，例如写文章，写代码、生成图片和生成视频，但核心还是语义向量，核心技术还是大语言模型。

但它对整个物理世界的理解能力，我觉得还是不够的。以人的学习过程来打个比方，我们经常会说，“纸上得来终觉浅，绝知此事要躬行”，因此实践非常重要。依靠文本为主的大模型也可以与其他模态对齐，但个人认为还不足以对整个物理世界进行建模。所以，建模真实的物理世界会是学术前沿研究上会面临的下一个瓶颈。

谈AI+医疗：三大场景有很大发挥空间

NBD：作为智慧医疗方面的专家，您认为，AI+医疗将如何影响我们的未来？

吴及：相比其他场景，医疗场景是比较困难的，因为医疗本质上是用全国的医疗机构和医疗队伍去服务全体社会的过程。另外，医学诊疗这件事既有理论，有科学，还有很多的经验，很多治疗还是靠经验，靠积累，甚至靠专家的直觉。因此，从某种意义上来说，医疗场景下AI的应用难度更大，当然它也会逐步渗透到一些比较典型的场景中。

首先是提高资源配置的效率，比如分诊和转诊。在当下的就诊过程中，特别是国内，我们没有非常完整的分诊体系，患者就诊实际上是非常随机的，凭着自己的意愿去挂某个专家的号，但医学专家不是万能的，越顶尖的医院分科越细，因此，在医疗资源的有效利用上，实际上存在一定的错配问题，也就是没有最大限度地加以利用。在有充分信息的支持下，AI的引入是有利于这种配置的。

我们在新冠疫情期间尝试过，比如重症预警，预测哪些患者可能会发展为重症，从而更有效地分配医疗资源，整个诊疗状况可能会更加有序和有效。

其次，提高诊疗质量，全世界都存在这样的情况，即好的医疗资源分配是不均匀的，好的医疗资源存在很强的虹吸效应，往中心城市聚集。在很多地方，虽然医院的信息化水平在不断提升，但诊疗水平未必达到了学科前沿。AI能够缩小不同地区间的医疗水平差距，AI可以促进“知识下沉”，将先进的治疗技术和管理经验传递到基层医疗机构，提高整体诊疗水平。

第三，提高诊疗的效率，目前诊疗过程中有大量工作都是依靠医生和护士来做的，如果把繁琐的工作交一部分给机器去做，尽管机器未必比得上顶尖医生，但可以在保证基本质量的情况下，大幅度提高效率，减轻医生的负担，让医生能够把时间精力用来处理那些真正需要决策、判断的事情，极大提高诊疗效率，让医疗机构运转更高效。

用有限的医疗资源更好服务整个社会群体，这是很重要的。所以，不管是提高资源配置效率，还是保证临床诊疗质量以及提升诊疗效率，这都是AI能够发挥重要作用的场景。

谈AI应用落地：理念与认知是首位

NBD：随着AI技术的不断进步，商业化的进程也在加速。您认为，AI商业化落地最难的环节是什么，技术问题，还是市场接受度，还是其他？

吴及：AI应用落地要面临的困难还是挺多的。

首先是理念和认知的问题。现在全社会都知道AI是潮流，非常关注AI技术，包括我去很多地方讲课，我也感觉大家对AI的热情很高。

尽管大家都认可AI很重要，但对AI的认识深度还是相当不足。我有时候开玩笑，如果找10个人一起讨论AI，大家可能用的是同一个词，但心里想的可能都不是一个事儿，在交流的过程中可能经常会出现所谓的“鸡同鸭讲”。也就是说，每个人都是凭自己的想象在想AI应该干什么，能干什么，适合干什么，但对于技术本身的理解可能是非常有限的，因此会形成很多对AI的错误认识和错误理解。

即使很多工作打上了AI这个标签，但其实未必能真正发挥作用，如果认识或理解不够深，完全凭想象做事，那走的方向可能完全不对，这是很大的风险。这就是为什么我说，理念和认识可能是排在第一的。

其次，我们一直谈到三要素：算力、数据和算法。其中，数据非常关键。这一代AI技术对现实世界的认识主要是靠数据，从数据中去发现知识，发现模式，去建立模型，去训练参数。但有些场景数据获取比较容易，有些场景数据获取相对困难。

互联网可能是最公开的数据场地，造就了今日的大模型，但各个领域还有很多数据没有联网。如果没有数据的汇聚，仅仅靠某一个单位积累的数据，难以让特定领域的大模型具备更强的能力，不管是法律，医疗还是教育领域。

总的来说，从普遍的商业化应用落地场景来讲，数据采集、质量保证和汇聚都是难题。我们国家之所以发布《关于构建数据基础制度更好发挥数据要素作用的意见》，提数据要素改革，就是因为数据协同非常关键，也非常难。数据的孤岛效应和烟囱效应终存在。因此，数据对于推进整个智能化的落地以及AI技术的进一步应用是非常关键的。如果能理解清楚AI的三大要素，那就会知道怎么去推动AI应用落地了。