周志華作學術報告。受訪者供圖

在經典的機器學習理論中，世界往往是靜止的。算法在封閉、靜態的“數據溫室”里得到精心培育，研究者通常假設未來的環境一成不變。然而，現實世界卻充滿了風吹雨打。

如何讓人工智能（AI）模型走出理想溫室，在開放、動態的真實環境中依然穩健、可靠？2020年起，在國家自然科學基金創新研究群體項目（以下簡稱創新研究群體項目）支持下，中國科學院院士、南京大學教授周志華帶領團隊，直面復雜多變的現實挑戰，為AI量身打造了一套應對現實世界復雜變化的理論方法體系。

值得一提的是，這是國家自然科學基金委員會（以下簡稱自然科學基金委）2018年設立人工智能一級學科代碼以來，資助的第一個創新研究群體項目，名為“面向開放動態環境的機器學習”。

“得益于國家自然科學基金的長期資助，我們在前瞻性基礎研究上深耕，開辟了機器學習新的原創性發展方向。如今，這一領域的創新模式已發生根本性轉變——從過去的‘企業出題’轉變為現在的‘學術牽引’。”周志華在接受《中國科學報》采訪時說。這意味著，基礎研究正在成為產業創新的源頭活水。

AI如何面對真實世界 

機器學習是AI的核心研究領域。周志華介紹，模型在訓練時，會從數據中已知的特定因素里總結出規律，等未來真正工作時，也還會套用這些規律。同時，模型也默認它見過的類別就是全部——訓練時只見過貓和狗，以后遇到的就只能是貓或狗。 

經典的機器學習理論正是基于這種“刻舟求劍”的假設，認為模型處于“封閉環境”中。只要收集大量數據訓練出模型，就能用它來做預測。 

然而，現實世界總是充滿了變化。以環境污染監控為例，隨著氣候變化或產業調整，污染物的擴散規律和分布特征可能隨時發生改變，甚至會出現訓練時從未見過的新污染源。如果模型不能適應這些變化，依然死守著舊有的規律，監控結果就會失真。 

周志華團隊將這些復雜的現實挑戰，凝練為“小樣本”“變分布”“常更新”“有交互”四個科學問題。 

具體而言，在開放環境中，新情況往往缺乏歷史數據，這就要求模型具備從小樣本中提煉本質規律的“超級舉一反三”能力。同時，事物發展的規律本身不斷變化，意味著模型必須持續學習與自我迭代。此外，模型也不能僅靠離線數據被動學習，必須引入人與環境的交互，通過主動探索來獲取關鍵信息。 

2018年，為響應國家新一代人工智能發展規劃，自然科學基金委首次設立人工智能一級學科代碼。為了突破機器學習的基礎理論瓶頸，周志華團隊于2019年申請了創新研究群體項目。項目成功獲批，成為這一學科代碼下的第一個創新研究群體項目。 

幾年來，在創新研究群體項目支持下，周志華團隊從機制、框架到底層模型進行了全鏈條的理論重構。 

面對開放環境中數據分布漂移、新情況層出不窮且樣本稀缺的多重挑戰，他們發現了最優動態遺憾在線學習機制，突破了傳統誤差線性增長的瓶頸，讓AI在信息受限時也能精準追蹤環境變化。團隊還率先建立了開放環境學習理論框架，賦予AI識別未知類別與抗干擾的“免疫系統”，并解決了因果辨識領域困擾學界20年的難題。同時，他們提出的算法模型實現了強化學習計算效率的指數級躍升，為開放環境下的AI技術發展奠定了堅實的理論基石。 

周志華團隊在國際學術期刊和會議上發表了一批高水平學術論文，并獲授權一批國家發明專利，圓滿完成了既定研究目標。 

基礎研究前瞻性的最好體現 

周志華在機器學習領域的探索起步于20世紀90年代。他回憶道：“當時，機器學習可以說是‘大偏門’，是冷門中的冷門，甚至被人質疑‘機器學習不可能，AI是騙人的’”。 

在周志華看來，如果沒有國家自然科學基金的持續支持，他可能不得不轉去做當時一些熱門的領域，否則科研都難以維持。 

2000年前后，剛剛博士畢業的周志華面臨科研經費緊張的情況，在青年科學基金項目（C類）支持下，周志華才有機會申請國際合作與交流項目，能夠每年參加一次國際會議。“這在當時是非常難得的機會，對我初期的學術發展起到了很大的推動作用。”他表示。 

2003年，年僅29歲的周志華獲得青年科學基金項目（A類）資助，繼續深耕機器學習領域。他說：“板凳冷不冷不重要，只要認為是重要的事情，不管什么時候總要有人堅持下去。”

事實上，創新研究群體項目著力解決的開放環境機器學習問題，周志華團隊早在2012年前后就開始布局。

“當時我們研判，用大量數據在封閉環境中訓練模型的技術路線，國內外已經研究了30年，在原理和方法上基本成熟，需要攻克的是大規模工程化問題。”周志華介紹，“那么，從基礎研究的角度，我們必須再往前一步，去探索那些尚未解決的難題。” 

因此，他們將目光放在開放環境機器學習這個方向上，也成為世界上開展相關研究最早的團隊之一。 

2016年，美國人工智能促進協會（AAAI）主席Tom G. Dietterich（湯姆·迪特里奇）在作大會報告時，探討了未來AI需要解決的核心問題，并提出了“通往魯棒AI”的愿景。報告中，他專門引用了周志華團隊已經開展的工作。這意味著，中國學者的研究為未來AI的發展提供了極具前瞻性的理論依據。

“近10年來，我國AI研究發展非常快，已在一些領域有自己的特色和優勢，在AI領域頂級學術會議上也能看到許多中國學者的身影。”周志華說，這樣的變化不僅因為科技工作者的努力，更重要的是國家的發展讓科技工作者趕上了好時候。 

周志華團隊在創新研究群體項目支持下取得的理論成果并沒有停留在紙面上。他們堅持將論文寫在祖國大地上，在某重大任務中領銜攻關，歷經7年砥礪奮斗，使我國在某關鍵領域關鍵技術上取得領先優勢，被評價為“取得了遠超預期的重大成果”。 

與此同時，周志華團隊與國內某頭部企業聯合設立實驗室，將前沿理論轉化為企業核心技術。2025年，雙方進一步合作打造先進研究中心。企業方面認為，周志華團隊的原創成果已實現行業引領，合作模式也隨之發生根本轉變，不再是企業出題、高校答題，而是由科研團隊研判關鍵方向、企業出資支持，用研究成果引領產業發展。 

在周志華看來，這正是基礎研究前瞻性與引領性的最好體現。 

“左右互搏”的良性循環 

當下，AI浪潮席卷而來，機器學習也從昔日的冷門一躍成為炙手可熱的焦點。但在熱鬧背后，周志華團隊卻敏銳地察覺到一個隱患：相比于應用層面的百花齊放，機器學習的基礎研究面臨著被“淹沒”的風險。 

究其原因，機器學習基礎研究與應用技術研究存在差別。前者聚焦底層理論方法和關鍵算法模型，旨在從根本上提升AI的智能性、可靠性和可解釋性。而后者則圍繞某個特定應用任務領域，對已有方法和模型調整改進，以獲得現實效用。 

由于基礎研究門檻高、出成果慢，許多團隊更傾向于投入見效快的應用技術。 

“但我們必須看到，機器學習基礎理論方法與關鍵算法模型一旦突破，將影響深遠。”周志華強調。例如，“支持向量機”源于統計學習理論和核方法，全世界的神經網絡都在用“誤差反向傳播（BP）算法訓練”，生成式AI技術則源于“生成對抗網絡與擴散模型”。 

“因此，大力加強機器學習基礎研究，對實現我國AI領域高水平科技自立自強至關重要。”周志華強調。 

為此，周志華組建了一支理論與應用緊密結合的團隊。在這里，理論專家的成果可以直接在應用中驗證，應用專家遇到的瓶頸也能在內部找到前沿理論支撐。兩類人才互相尊重、和諧協作，形成了一種類似“左右互搏”的良性循環，讓理論在應用中不斷打磨，應用在理論的支撐下持續突破。 

這種獨特的科研氛圍吸引了國際知名專家加入。澳大利亞莫納什大學計算機系前主任、英國帝國理工學院機器學習方向帶頭人、英國皇家工程院院士等海內外學者先后全職加入團隊。 

在團隊整體布局上，周志華始終堅持一個理念：沒有任何一個算法模型是包打天下的。他認為，當前業界對大模型存在一定的迷信。如果無視實際需求，強行用大模型處理小模型即可勝任的任務，不僅會造成算力資源的浪費，還可能因過度設計而適得其反。因此，在應用落地時，必須堅持因地制宜、因任務制宜的原則。 

面向未來，團隊的目光投向了兩個更加前沿的方向。一是探索“學件”路線，這種全新的機器學習范式試圖讓眾多模型在互不泄露訓練數據的前提下，實現高效的協作與組裝；二是致力于攻克AI的“信任危機”，讓模型變得更加可信、可靠。 

在周志華看來，基礎研究的使命就是去啃這些“硬骨頭”。一旦在科學層面取得了初步突破，厘清了底層邏輯，他們便會將這些成果交給產業界，由工程團隊去完成后續的方案設計與產品化落地。 

來源：《中國科學報》