摘要：我们经常听到“人工智能革命”和“数字化转型”的消息。这得益于机器学习 (ML) 领域的快速发展，例如自动驾驶汽车、ChatGPT、DeepSeek 甚至预测极端天气事件。但这些创新如何从基础研究转向现实世界的影响？Geert-Jan Houben 与代尔夫特
我们经常听到“人工智能革命”和“数字化转型”的消息。这得益于机器学习 (ML) 领域的快速发展，例如自动驾驶汽车、ChatGPT、DeepSeek 甚至预测极端天气事件。但这些创新如何从基础研究转向现实世界的影响？Geert-Jan Houben 与代尔夫特 ELLIS 部门的联合主任 Frans Oliehoek 和 Jens Kober 一起探讨了这个问题。
“AI 的传统是将问题表述为搜索或优化问题。然而，这意味着我们知道我们试图优化什么，并且我们拥有正确的数据来估计概率。但是，在很多情况下，我们不知道我们试图优化什么，或者我们没有这些数据，”代尔夫特理工大学电气工程、数学和计算机科学学院 (EEMCS) 副教授 Frans Oliehoek 解释道。
“这就是机器学习作为人工智能的一个分支发挥作用的时候，”Frans 继续说道。“机器学习使用算法从数据中学习，这确保我们的解决方案更适合现实世界的问题。例如，机器学习可用于预测极端天气等罕见事件。通过在大型或复杂的数据集中寻找模式，机器学习模型提供了传统方法可能不足的新见解。”
-此外，ML 现在是许多 AI 系统不可或缺的基本组成部分。例如，在自动驾驶中，基于规则的模型在复杂且不可预测的环境中（如拥挤的城市地区）会失效。但 ML 可以从观察中学习，适应这些不可预测的场景。- 代尔夫特理工大学机械工程学院 (ME) 副教授 Jens Kober 补充道。-ML 的一个重要好处是它可以自动执行面部识别等任务，这些任务以前都是手动完成的，因为我们对它们的了解不够深入，无法明确编写解决方案。-
简而言之，机器学习专注于在复杂数据中寻找模式，并能轻松适应新的或不可预测的环境——结合起来可以为各种应用提供新颖的见解。
吉尔特-扬·霍本
“我们的基础机器学习研究是研究和创新的关键推动因素。此类人工智能或机器学习研究的见解越来越多地融入到我们校园内的机器学习研究中，推动了实验室的新方法，并在从个人医疗保健到移动和能源基础设施等领域产生了深远影响。通过这种方式，我们为现实世界开发机器学习，”代尔夫特理工大学人工智能、数据和数字化部门副校长兼人工智能计划负责人 Geert-Jan Houben 强调道。
“推动我们‘机器学习’发展的是代尔夫特 ELLIS 部门，Jens 和我共同领导该部门。ELLIS 的成员都是国际公认的机器学习专家，他们正在研究非常广泛的机器学习技术和应用领域。在代尔夫特 ELLIS 部门，我们非常注重将理论与应用相结合。我认为这使我们与其他一些 ELLIS 部门相比与众不同，”Frans 解释道。“除此之外，将机器学习应用于特定问题并不总是那么简单。例如，在城市规划中，机器学习可用于关键基础设施的预测性维护，但少数可用的公共数据集无法捕捉到问题的丰富性。”
“再举一个例子，在医疗保健领域，机器学习可以帮助检测患者的异常情况，而这些异常情况可能由于各种原因而被忽视。这些用途带来了好处，但我们还需要确保底层系统可靠且易于理解。因此，使用机器学习解决问题的工程师在开发和应用基本方法方面进行合作至关重要，”Jens 补充道。
Frans 继续说道：“这些例子表明，作为更广泛的 AI 生态系统不可或缺的一部分，有助于我们的 ELLIS 部门将新颖的 ML 见解传播到工程应用中，同时将现有方法的局限性反馈到 ML 社区。”
我们对代尔夫特 ELLIS 中心的目标不仅是在机器学习方面取得学术上的成功，也是为了将理论研究和基础技术转化为解决紧迫社会挑战的实际解决方案。
Frans Oliekoek 和 Jens Kober
Geert-Jan：我想补充的是，这些例子的一个总体主题是，它们展示了如何正确地进行跨学科研究和创新，而不仅仅是快速进行。我们所说的“正确”是指它是好的科学，但也旨在做一些好事。对我们来说，这是现实世界中机器学习的核心。-
“然而，将机器学习转化为实际应用绝非易事。模型永远不会完美，但利用我们拥有的数据，我们可以通过测试技术在不同领域和情况下的转化情况来弥补差距。讨论什么是好的模型不仅可以帮助科学家解决问题，还可以更好地了解需要什么。”Jens 说。
-例如，我们合作的一家公司开发了一种神经网络来预测运河中的盐入侵。虽然该网络在他们的数据集上表现良好，但人们对其对气候变化或新基础设施等变化的稳健性仍存在疑问。模型越能适应现实世界的变化就越好，但要做到这一点却很困难，- Frans 解释道。-这就是迭代研究和设计变得至关重要的地方；模型从一开始就不是完美的；它们通过在现实条件下的改进和测试来改进。与其他领域的科学家合作为测试方法提供了必要的背景，因为现实世界并不像受控实验室那样运作。例如，虽然计算机视觉模型可能在干净的数据集中很好地识别停车标志，但现实世界中的停车标志通常被损坏、弄脏或模糊不清，这对加强模型的稳健性提出了挑战。我们的 ELLIS 研究人员在稳健性问题上拥有丰富的专业知识，以及处理这个问题的迭代方法。-
Geert-Jan 强调，另一个重要的考虑因素是了解 ML 的界限。“事实上，并不是每个问题都适合这些方法，”Jens 表示同意。“有时，可用的数据不符合 ML 有效工作的要求，或者问题的目标不明确，这可能导致无法预见的问题，例如歧视或未能考虑人类偏好。在这种情况下，建议不要使用 ML 与应用它一样重要，确保负责任和有效地使用该技术。”
“有时，机器学习的优化目标与社会效益不一致。例如，推荐系统通常优先考虑参与度，但这可能会导致过滤泡沫，限制不同的观点，”Jens 提到。
“我认为这凸显了我们需要批判性地思考我们优化什么以及为什么优化。此外，人类决策者仍然必不可少。机器学习无法完全取代人类判断，特别是在需要有意义的人类控制的复杂系统中，”Geert-Jan 强调道。
“这种考虑延伸到了监管方面，”Frans 补充道。“开发负责任的人工智能需要一个迭代过程，允许在现实世界中进行测试，同时解决道德问题并实施保障措施。科学家在确保人工智能的正确使用方面发挥着关键作用，特别是在医疗保健、自动驾驶和交通管理等敏感领域。通过监督技术及其负责任的应用，他们有助于平衡创新和监管之间的相互竞争需求。”
实现监管与创新之间的平衡对于负责任的人工智能发展至关重要。
弗兰斯·奥利霍克
“是的，虽然实验空间对于推动创新是必要的，但它必须伴随着强有力的机制来确保安全并维护道德标准，”Geert-Jan强调道。
“ML 在工程和设计领域变得无处不在，并且成为科学实验室中必不可少的工具。这意味着我们看到 ML 越来越成为推动社会影响和科学研究的引擎。这使得协作和整合变得至关重要，”Geert-Jan 解释道。
“单打独斗、力争取得重大突破的科学家形象已经过时了，”Jens 表示同意。“研究在很大程度上依赖于合作和（国际）网络。拥有强大的本地网络使我们能够提供“包括算法和领域专业知识在内的完整方案，而作为 ELLIS 网络的一部分，我们能够与来自欧洲各地的专家合作。”
协作对于在现实场景中测试和改进方法至关重要，以确保它们能够产生有意义的结果。
詹斯·科伯
“ML 增强了其他学科可用的工具，促进了协作。研究人员通过与专家联系，有效地将这些技术应用于实践。与领域专家的合作有助于我们了解需要什么并改进我们的方法。这就是我们推进科学及其实际影响的方式，”Frans 补充道。
ELLIS（欧洲学习与智能系统实验室）是一个泛欧洲人工智能卓越网络，专注于基础科学、技术创新和社会影响。该实验室成立于 2018 年，目前包括 17 个国家/地区的 43 个站点和 1,500 多名活跃研究人员。除了建立遍布欧洲的顶尖机器学习研究人员网络外，ELLIS 的使命是推动合乎道德和值得信赖的人工智能产生积极的社会影响。
代尔夫特 ELLIS 部门有来自四个学院的近 40 名成员。请查看网站或每周 AI 更新，了解有关该部门研究和即将举办的活动的更多信息。
来源：人工智能学家