“把对‘ 性能’的追求交给工业界，学术界不必过多地关注“性能”，因为模型性能提高那么几个点，对于学术界并没有多大的意义，仅仅是发表几篇论文的话，对不起这么巨大的投入。那么学术界做什么呢？回到本源，做学术界该做的工作：探路、思考未来”。

与之相反，郑冶枫在接受采访时告诉动脉网：“1%的效率提升对于企业而言意义不大，而学术界应该精益求精，追求更完美的结果。”

谁是更好的路径？现在下定论还太早，但从AI的发展来看，工业与学业的合作，或许才是当下最有可能的发展方向。

从人工智能诞生至今已经近70年历史，研究者仍未跳出三要素的影响范围，但随着技术逐渐成熟，要追求下一代的人工智能，周志华认为必须引入“知识”这一要素。

如何将“机器学习“与“逻辑推理”结合，是人工智能领域的“圣杯问题”，以往的努力有的是“重推理”，有的是“重学习”，偏重任何一侧都不能充分发挥AI的力量。周志华提出了“反绎学习”，希望在一个框架下让机器学习和逻辑推理二者能更均衡更充分地发挥效用。

“从现在来看，‘机器学习’与‘逻辑推理’结合方式主要有两类，第一类，我们可以看到它是把机器学习往逻辑推理中引，但是后面主体还是通过推理来解决问题，所以我们称它是推理重而学习轻。第二种做法基本上是反过来，它把逻辑推理的技术往机器学习里面引，但是后期主要的问题是靠机器学习来解决，所以我们称它是学习重而推理轻。总是一头重一头轻，这就意味着有一头的技术没有充分发挥威力。”而“反绎学习”则是两者的融合。

对于周志华的观点，郑冶枫也表示非常认同，但他也提出了其中实现的困难：“在人工智能的初期，我们便尝试将先验知识融入AI算法模型。但由于不同的知识在融入的过程中必须遵循不同的方式，而没有一种通法。此外，当时我们的模型跑起来并不如大量数据支持的黑箱模型有效，这其实有点打击人。不过，如今时代已经不同，知识的加入或许能够彻底改变当前的人工智能。”

AI大有可为

无论是算法、算力、数据，还是可能加入的知识，一切都将服务于医生，服务于具体的场景，只有场景是AI的试金石。

对此，在平安集团首席医疗科学家谢国彤看来，AI的发展必须要借助生态的力量，医疗科技的付费是企业、医保、患者三方的角逐。