21世纪经济报道记者 彭新

“人工智能很可能继续发生根本性变化，因此我们的战略必须能够适应变化。应对变化最有效的战略，就是培养能够判断并应对全新方向的人才。”在2026世界人工智能大会（WAIC）人工智能高质量语料生态论坛上，图灵奖得主约翰·E·霍普克罗夫特（John E. Hopcroft）表示，各国需要统筹人工智能与大数据的发展，但面对快速迭代的技术路线，很难依靠一套固定方案预测未来。相比押注某项具体技术，培养能够识别并应对新方向的人才，是更具韧性的长期战略。

霍普克罗夫特是美国康奈尔大学计算机科学教授、中国科学院外籍院士，同时也是美国国家科学院和美国国家工程院院士。1986年，他因在算法及数据结构设计与分析领域的基础性贡献，与罗伯特·塔扬（Robert Tarjan）共同获得图灵奖。

在题为“为人工智能与大数据制定战略”的演讲中，霍普克罗夫特表示，人工智能与大数据正在进入医学研究、市场策略、农业和制造业等多个领域，并推动越来越多的生产流程走向自动化。随着生产效率提高，未来可能只需要一小部分人口，就能生产社会所需的大量商品和服务。

他将这一变化与工业革命相提并论。工业革命淘汰了大量以小农场为基础的生产方式，同时创造出制造业和新的工作岗位。正在到来的信息革命也可能减少一批传统企业岗位，并重塑人类的工作方式。因此，社会需要提前制定战略，以适应新的产业和就业环境。

霍普克罗夫特以自己20世纪60年代初攻读博士学位时的经历说明，数据规模和计算能力如何影响人工智能研究。当时，他希望训练由阈值逻辑单元组成的网络，但既缺少可供训练的大规模数字图像，也没有足够的计算能力。即使想自行制作1万张数字图像，也难以将纸面内容有效转换为计算机能够处理的数据。（约翰·霍普克罗夫特，资料图）

这段经历让他认识到，大规模数据集和充足算力对人工智能发展至关重要，而科研需求与技术进步也会相互推动。随着数据和算力条件成熟，模式识别开始被用于自动化大量现实任务。例如，机器人采摘葡萄时，需要识别葡萄梗的位置，并判断机械臂应抓取哪一串葡萄。许多看似复杂的自动化场景，核心环节都需要引入模式识别能力。

2012年成为人工智能发展的一个重要转折点。当年，杰弗里·辛顿（Geoffrey Hinton）团队凭借AlexNet赢得ImageNet图像识别竞赛，将识别错误率大幅降低。霍普克罗夫特认为，这一突破让研究人员看到，相关技术可以被广泛应用于生物学、医学、农业和制造业，人工智能由此从相对有限的学术研究方向，逐步走向大规模产业应用。

此后，图像识别算法的表现很快达到乃至超过普通人类水平，并被用于车牌、人脸等识别任务。随后，研究人员开始处理互联网上的大规模内容，相关技术进一步演进，并催生了ChatGPT等生成式人工智能应用和大语言模型。

霍普克罗夫特认为，继大语言模型之后，人工智能还可能发生更多根本性变化。“应对变化最有效的战略，就是培养能够判断并应对全新方向的人才。”他说。

他提到，中国正在推进“101计划”，通过课程建设和教师能力提升等方式改善本科教育质量，推动大学评价指标从偏重科研转向更加重视优质教育，并表示，教育的目标不只是向学生传授现有知识，更重要的是帮助他们找到真正感兴趣的方向，并据此规划职业生涯。

霍普克罗夫特称，他曾与多位诺贝尔奖得主交流，询问他们取得突破的原因，得到的回答往往相似：他们只是持续探索真正令自己兴奋的问题，而所在机构为这种探索提供了时间和空间。

他认为，如果只要求教师研究具体应用，或许能够解决眼前的问题，却很难开辟新的研究方向，也难以取得能够产生广泛经济和社会影响的突破。大学如果希望教师取得原创性成果，就需要适当减轻其工作负担，让他们有时间探索真正感兴趣的方向。

企业的创新同样如此。一家公司如果要求所有员工围绕既定战略解决问题，最终或许能够完成预设目标；但如果允许一部分人自由探索，他们也可能发现全新的方法，以更少资源解决原有问题，甚至开辟新的业务方向。

除人才培养外，霍普克罗夫特还将评价指标视为影响教育和创新的重要因素。“衡量什么，就会得到什么。”他说，科研经费、论文数量、期刊级别和获奖数量容易统计，但未必能够反映一所大学的教学质量和人才培养水平。

在他看来，好的评价指标应满足两个条件：一是如何提高指标得分必须清晰明确；二是为提高得分采取的行动，应当能够真正改善教育质量。如果学校主要依据学生评分评价课程，管理者可能通过要求教师提高学生成绩来改善评分，但这并不必然意味着教学质量得到提升。

霍普克罗夫特表示，大学的基本使命是培养下一代人才，帮助学生找到符合自身兴趣和个性的职业方向。大学在招聘一名教师时，实际上是在选择一位可能工作40年甚至更久的人，因此不能只看其已经发表多少论文，还应考察其是否关心学生、能否在整个职业生涯中保持活跃，以及是否拥有持续探索新问题的好奇心。

“人工智能和大数据都将改变世界。”霍普克罗夫特总结称，各国需要制定长期战略，但这一战略必须能够适应技术路线的持续变化。与其试图准确预测人工智能的下一个突破，不如建立更有利于好奇心、自由探索和人才成长的教育与科研环境。