中美差异
但将论文数量视为中国人工智能发展水平有失公允，虽然在靠近商业价值应用层面中美并驾齐驱，但在基础性、原创性研究、创新土壤、人才储备层面，中国相较美国还存在不小的差距。
“国内更多是技术的落地、产业化和应用，国外仍然有很多人在公司和研究院做前沿研究，包括寻求方法论上的突破，我们擅长把事情做得更细致，相对而言突破性和奠基性的工作还不够多。”地平线机器人技术联合创始人、算法副总裁黄畅告诉第一财经。
黄畅毕业于清华大学计算机科学与技术系，曾在美国南加州大学和NEC美国研究院担任研究员，2012年加入百度美国研发中心，2013年和余凯参与组建百度深度学习研究院，任高级科学家、主任研发架构师。在黄畅看来，做研究无外乎寻找新的问题和研究新的方法，而在这两方面国内和国外相比还存在不小的差距。
杨强认为，深度学习是不断发展的，研究领域的领导者应该是开拓新的领域，而不是在原有的基础上深挖。“把一个10层的深度模型拓展到100层甚至1000层，我觉得这个确实是一个进步，中国人目前是这个层次，但这些在我看来并不是一个原创。”杨强举例说道。
“现在很多高校是看教授和学生的论文达标情况，顶级会议论文的发表对学生申请院校、教授评级、申请科研经费等都有帮助，真正做出突破性理论研究，不迎合考核体系的非常少。”戴文渊直言。在他看来，虽然有相当数量的人参与到人工智能研究，但优秀的研究成果并不与参与人数的激增成正比。
余凯认为，有一些中国学生很擅长“刷分”、“刷榜”。“别人做到99.5%，我做了99.7%，并不一定有实质性突破，世界也没有因为这个刷分而变得不一样。原创性的创新需要不一样的思考，现在讲深度学习比较多，所有的人都进行深度学习，而不是思考What is wrong ？How to be different？”余凯强调。
在人工智能领域浸染十年有余的戴文渊也有同样的感受，“很多人用力的方向有问题，准确率达到99.1%、99.15%或者99.2%，其实没有什么差别，并不应该把精力用在这些地方，而应该关注不到60分的领域，去把它做及格。”
回归至深度学习的历史发展脉络来看，正是一个边缘化课题走向主流技术的路径。早在上世纪80年代初期，深度学习学派的开山人物Hinton一直坚持神经网络的探索，但受限于当时的电脑速度、数据量等问题，深度学习理论是一项边缘化的研究，当时AI的主流研究方向与之截然相反，推崇小样本学习，主推SVM学习。
正是以Hinton为代表的一群人对深度学习的坚持，才一步步将边缘课题变成人工智能核心技术。“十年前进入这个领域，中国学生都在学优化理论，现在一窝蜂地学习深度学习，很少有人在怀疑深度学习是不是最优解，就像之前很少有人去思考优化是不是最优解。”戴文渊说道。
人员成本居高不下
在余凯看来，中美之间的差距表现在两方面，一方面是人才储备的匮乏，很多高校在很长时间内并没有人工智能专业，而在美国基本上大的院校都有人工智能教授。以美国卡梅隆大学为例，设有专门的机器人研究所，其中光教授就有100多位，纵向而言，中国布局的时间也比较晚。
早在2012年余凯回国在百度成立了人工智能团队，担任百度人工智能研究院执行院长，在他的记忆里，当时在高校招人非常困难，很多是在招进百度之后再自己培养。
其次从产业链而言，谷歌或者Facebook的人工智能团队不仅可以从斯坦福等院校招人，还可以从微软、IBM、HP等大公司挖走人工智能领域的人才，“当时别的企业还想着从百度挖人，无论从科研教育还是整个产业界，起步都是晚的，规模还是小的。”
至今余凯仍会频繁去美国参加一些学术会议，让自己保持更多的思考，“国外技术创业比较多，大家探讨的是数学公式及算法，而在中国大部分在讲趋势、概念，如果PPT上放上公式就变得很无聊，心态比较浮躁。”