AI发展速度超预期：技术瓶颈与医疗应用深度解读

近日，”AI教父”杰弗里·辛顿预言，具备超人能力的AI可能在未来20年内出现，最快甚至5年内。这一预测引发广泛关注，也促使我们更深入地探讨AI技术瓶颈及应用前景。清华大学电子工程系教授吴及教授对此进行了全面解读。

吴教授指出，AI目前在学术研究方面面临的主要瓶颈在于对真实物理世界的建模。现有技术难以将文本意义上的世界模型与物理意义上的世界模型有效关联。虽然大模型在文本生成、代码编写、图像视频生成等方面能力突出，但其对物理世界的理解仍显不足。他认为，建立对真实物理世界的模型将是未来学术研究的重要突破方向，这如同人们常说的”纸上得来终觉浅，绝知此事要躬行”，实践经验不可或缺。

在AI+医疗领域，吴教授认为AI有三大应用场景：

1. 提高资源配置效率: AI可以通过优化分诊和转诊流程，解决医疗资源错配问题，提高资源利用率。新冠疫情期间的重症预警系统便是成功的案例。
2. 提高诊疗质量: AI可以促进医疗技术和经验的”知识下沉”，缩小不同地区医疗水平差距，提升基层医疗机构的诊疗能力。
3. 提高诊疗效率: AI可以承担部分医护人员的繁琐工作，减轻医生负担，使他们能够专注于更重要的诊疗决策，从而提高整体诊疗效率。

吴教授强调，AI商业化落地的最大挑战并非技术问题或市场接受度，而是理念和认知问题。当前社会对AI的热情高涨，但对AI的深入理解和认识不足，容易导致”鸡同鸭讲”的沟通困境。许多项目打着AI的标签，却未能真正发挥AI技术的作用，这体现出对AI技术本质缺乏深入理解的风险。

此外，数据也是AI应用落地的关键因素。数据采集、质量保证和汇聚是难题。数据的孤岛效应和烟囱效应阻碍了AI在各个领域的深入应用。因此，解决数据孤岛问题，实现数据共享与协同，对于AI技术的进一步应用至关重要，这也正是国家大力推进数据要素改革的原因所在。

总而言之，AI发展日新月异，但技术瓶颈和应用挑战依然存在。对真实物理世界的建模、数据资源的整合以及对AI技术的正确认知，是推动AI技术持续发展和商业化落地的关键因素。只有在充分理解AI技术的基础上，才能避免方向偏差，实现AI技术的真正价值，造福社会。