以下是关于全国政协委员朱松纯提出“人工智能人才培养关键在‘跨领域’”这一观点的一些解读：
一、跨领域的内涵
1. 知识的多元融合
在人工智能领域，技术的发展涉及到多个传统学科知识的综合运用。例如，它需要计算机科学知识构建算法框架，数学知识进行模型构建与优化。深度学习中的神经网络架构就依赖于线性代数、概率论等数学基础，而编程实现则依靠计算机语言和数据结构等计算机科学知识。
同时，人工智能要在实际场景中发挥作用，如医疗影像诊断、自动驾驶等，还需要相关领域的专业知识。在医疗影像诊断方面，就必须了解医学影像学、人体解剖学等医学知识，将人工智能算法与医学知识相结合，才能准确识别病变特征并作出诊断。
2. 思维方式的互补
不同领域有着各自独特的思维方式。工程领域注重系统构建、效率优化和实际应用的可操作性；科学研究领域强调对原理的探索、假设的提出和验证。在人工智能人才培养中，跨领域意味着融合不同思维方式。
例如，在开发人工智能辅助药物研发系统时，既要有药物化学家探索药物作用机制、提出研发方向的理论思维，也要有计算机工程师构建高效算法、优化系统性能以快速筛选药物分子的工程思维。这种思维方式的互补有助于解决复杂的人工智能实际应用问题。
二、跨领域人才培养的必要性
1. 应对复杂现实问题的需求
现实世界中的问题往往是复杂且多维度的，单一领域的知识和技能难以解决。以智慧城市建设为例，这需要将人工智能技术与城市规划、交通管理、能源供应、环境保护等多个领域相结合。
人工智能算法要根据城市的交通流量数据（交通管理领域知识）、能源消耗分布（能源领域知识）等多源数据进行分析和决策，从而实现城市资源的优化配置、提高居民生活质量等目标。如果人工智能人才仅局限于本领域知识，就无法全面理解和解决这些复杂的综合性问题。
2. 推动人工智能技术创新的动力
创新往往发生在学科交叉的边缘地带。跨领域的人才能够从不同的学科视角审视人工智能问题，从而发现新的研究方向和创新点。
例如，将人工智能与生物学中的神经科学相结合，借鉴大脑神经元的工作原理，可能会启发新的人工智能算法模型的开发，如类脑计算模型。这种跨领域的创新有可能突破现有深度学习算法在某些方面的局限性，如能耗高、可解释性差等问题。
三、跨领域人才培养的挑战与策略
1. 课程体系的构建挑战与对策
挑战：传统的教育课程体系往往是按照学科划分，各学科之间相对独立。要实现跨领域人才培养，需要打破这种学科壁垒，重新构建课程体系。例如，在大学中，计算机学院、数学院和医学院等各自有独立的课程设置，如何将人工智能相关课程与医学课程有机融合是一个难题。
对策：可以建立跨学科的课程模块，例如设置“人工智能+医学”的联合课程模块，涵盖医学影像人工智能分析、医疗大数据挖掘等课程内容。同时，鼓励不同学科教师联合授课，让学生在一门课程中接触到不同领域的思维方式和知识体系。
2. 实践平台的搭建挑战与对策
挑战：跨领域的实践项目需要整合不同领域的资源，包括数据、设备和专业人员等。在企业和研究机构中，不同部门之间的数据格式、技术标准等可能存在差异，难以实现有效的共享和协作。例如，在人工智能与制造业的融合项目中，制造企业的生产设备数据格式多样，与人工智能算法开发所需的数据格式可能不兼容。
对策：建立跨领域的实践平台，统一数据标准和接口规范。政府、企业和高校可以合作建立人工智能跨领域应用实验室，整合各方资源。例如，高校提供算法研究人员和基础算法模型，企业提供实际应用场景中的数据和设备，共同开展跨领域的项目实践，为跨领域人才提供实践机会。
|
|
|手机版|标签|新闻移动网xml|新闻移动网txt|全球新闻资讯汇聚于 - 新闻移动网
( 粤ICP备2024355322号-1|
粤公网安备44090202001230号 )
