在大数据的浪潮下，人工智能技术的蓬勃发展已成为了行业瞩目的焦点。依托着各行各业积累的海量数据，人工智能技术在各个领域大放异彩，正如一棵在肥沃土壤中茁壮成长的树苗。
在近日举行的香山科学会议第667次学术讨论会上，专家们提出了一个引人深思的观点：大数据的“红利”效应正在逐渐减弱。单一的技术突破已难以支撑行业的持续发展，我们需要的是在数据科学和计算智能方面的核心技术创新。
主流的人工智能算法大多基于一些简化的数据假设，而真实的大数据却具有复杂特性，如不完全性、不确定性、动态性和关联性。数据的真实复杂性和算法的简单假设间存在着巨大的鸿沟，这使得经典智能算法在应对复杂任务时显得捉襟见肘。
中国科学院院士梅宏强调，大数据是人工智能取得成功的物质基础，但目前的数据智能存在低效、不通用和不透明三大问题。它就像工业革命前的“蒸汽机原型”，既低效又昂贵，并且难以建立通用模型。我们仅仅知道数据智能能够做什么，而对其背后的原理却知之甚少。
针对这些问题，人机融合或许是一种有效的解决方案。在中国科学院自动化研究所研究员陶建华看来，人机融合的推理方式可以弥补数据自动推理中的技术弱点。这种融合强调人与机器之间的相互协作，包括“机器懂人”和“人懂机器”两个方面。
要真正实现“机器懂人”，关键在于构建能够反映人类推理过程的思维形式化计算方法。这需要将人类的推理思维形式化描述、概率推理、构建知识图谱与现实场景的信息进行融合，从而将人类的推理过程有效地输入到机器中。
“人懂机器”也是人机融合中的关键。机器推理过程的可解释性对于构建人机融合的推理过程至关重要。通过提供可解释的机器推理方法，我们可以帮助人类更准确地理解机器的工作过程，从而与机器协同做出更迅速、更准确的推理与判断。
微软亚洲研究院副院长刘铁岩分享了一个在处理数据不完全性和不确定性方面的有益尝试。他们利用深度强化学习和“完美教练”技术解决了麻将这一复杂博弈问题。这一算法在竞技麻将平台上取得了显著的成绩，稳定段位超越了人类顶级选手。
刘铁岩还指出，大数据的特性在不断演化，愈发复杂。新型智能算法需要针对数据特点有的放矢地解决问题，以填补数据与算法之间的鸿沟，让人工智能在更多领域绽放其价值。
人工智能与大数据的交融为我们带来了无限可能和挑战。只有深入了解数据的真实复杂性，并开发出与之相匹配的新型智能算法，我们才能真正跨越数据与算法之间的鸿沟，让人工智能技术为人类创造更多的价值。
