法国阿莱斯国立高等矿业学院：欧洲人工智能研究的灯塔
人工智能领域正以惊人的速度发展，但随着技术应用范围的不断扩大，关于其稳健性、财务与环境成本以及使用方式的新问题也随之...
人工智能领域正以惊人的速度发展，但随着技术应用范围的不断扩大，关于其稳健性、财务与环境成本以及使用方式的新问题也随之浮现。通过欧洲项目恩菲尔德，法国阿莱斯国立高等矿业学院等机构的研究人员正在开发人工智能解决方案，使其能够自动适应变化、减少环境影响，同时也能被人类理解、接受并融入实践。他们还研究如何限制和控制这些人工智能解决方案对个人、社会和环境产生的负面影响。
简而言之：欧洲项目恩菲尔德正在开发一种更具适应性、更节约且值得信赖的人工智能。法国阿莱斯国立高等矿业学院的研究人员正在探索其鲁棒性、环境足迹和可解释性。这些工作有助于描绘出欧洲人工智能的愿景。更多内容可在法国阿莱斯国立高等矿业学院的科技平台上阅读，相关话题包括如何应对人工智能能源危机。
自2024年欧洲人工智能法案生效以来，围绕人工智能的讨论不再局限于模型的性能。这一监管框架要求同时考虑人工智能技术的可靠性、透明度、安全性以及社会影响。这一发展伴随着社会意识的觉醒，呼应了科学界所采取的行动。当科技巨头们在开发越来越强大的模型时，研究的重点现在转向模型的适应性、可解释性和极简性，而不仅仅是“能做什么”。
这些思考构成了卓越中心网络恩菲尔德的起点。该项目由“地平线欧洲”资助，全称为“欧洲灯塔，彰显值得信赖且绿色的AI”。该联盟汇集了来自18个国家的30个合作伙伴，围绕一个共同目标：开发适应性、节约资源、以人为本且值得信赖的AI技术和系统。法国阿莱斯国立高等矿业学院通过其数据与人工智能社区发挥着积极作用，该社区横跨其所有学院，汇集了来自不同学科的研究人员，他们致力于AI基础科学的核心研究，或将这些技术应用于不同领域。
“我们希望构建一个尽可能多学校参与的项目，以汇聚专业技能，加强内部合作，并展示法国阿莱斯国立高等矿业学院在人工智能领域的卓越表现，”圣埃蒂安矿业学院教授兼恩菲尔德项目研究工作包负责人奥利维耶·布瓦西耶说道。这种多样化且丰富的专业知识体现在项目的各个支柱中，它们既探索了人工智能的科学基础，也探讨了其环境影响、应用以及社会意义。
与环境共同演化的系统
如果人工智能系统在训练条件下表现出色，那么在不断变化的环境中，它们的性能可能会下降。恩菲尔德项目的目标之一是开发能够在长期内和不同使用场景中运行的人工智能技术，法国阿莱斯国立高等矿业学院讲师兼研究员、自适应人工智能研究支柱的联合负责人安东·切赫梅杰耶夫解释道。
这种适应性是嵌入式人工智能系统的核心，与托管在数据中心的超大型模型不同，它们直接在工业设备、传感器或物联网设备中运行。“在这些场景中，计算能力是有限的。因此，必须优化学习过程，以便在受限条件下仍能保持良好的性能，”安东·切赫梅杰耶夫强调。
自适应人工智能的另一个研究方向是：即面对数据、学习或模型产生的决策相关的各种不确定性时，如何保持鲁棒性。这一挑战在序列预测系统中尤为关键，因为每个决策都会影响后续决策，例如预测电网的能源消耗，或预测维护需求。研究人员补充道：“在某一时刻犯下的错误可能会传播并放大。此时不确定性的影响就会变得更加严重。”
这种适应能力似乎是让人工智能长期融入实际应用环境的必要条件。但我们愿意为这些性能付出怎样的代价？
引用技术的部署有时会带来超出仅限于用户范围的更广泛影响。
尼古拉·苏利耶，法国阿莱斯国立高等矿业学院商学院研究员
多少钱？人工智能的“绿色”价格
近年来人工智能的惊人发展伴随着资源投入的不断增加。数据、计算和能源的需求越来越大。对于圣埃蒂安矿业学院的副教授维克托·沙佩纳来说，这种指数级增长的趋势已经走到了尽头。“今天，我们在社会和环境层面上已经触及了可行与可接受的极限。”
在“绿色人工智能”支柱的支撑下，这位研究人员正试图更好地估算与不同人工智能技术相关的经济和生态成本。然而，必须拥有合适的工具。“为了证明一种技术优于另一种，必须了解其计算成本。但目前还没有公认的衡量标准。”
因此，恩菲尔德的部分工作包括构建指标，用于比较不同方法在性能和所需资源方面的表现。其中包括计算浮点运算次数，该指标量化了模型训练或执行过程中所执行的数学运算量。
分析表明，最新的深度学习方法不一定是最佳选择。“对于某些任务，更简单、单层的方法，就像自20世纪70年代以来所做的那样，即使我们取得了进步，同样高效，而且成本更低！”维克托·沙佩纳指出。当需要分析知识图谱时，情况就是如此，知识图谱代表了实体（人物、物体等）之间的关系网络。
“突触修剪”，用于更轻量级的神经网络
衡量成本是一个步骤，降低成本是另一个步骤。在巴黎电信学院，包括范·谭·阮教授在内的专家们正在研究“精益人工智能”：“采用消耗更少能源和物质资源的、可在网络任何位置部署的技术，特别是边缘人工智能，”维克托·沙佩纳解释道。
他们的方法之一是删除神经网络中的冗余元素，借鉴了大脑修剪无用突触连接的方式。在设计神经网络时，科学家通常会配置比必需更多的神经元。一旦训练完成，就可以识别出最无用的连接并将其移除，同时限制网络性能的下降。这种精简减少了所需的内存，加快了计算速度，并降低了能耗。
然而，人工智能系统的环境影响不仅取决于算法。还必须考虑硬件的制造、能源供应以及其生命周期结束后的处理。因此，负责“绿色人工智能”这一支柱的团队已将其研究范围扩大到整个技术系统，并基于生命周期分析方法。“在项目结束前，我们将提交一份文献综述，届时将邀请所有参与该支柱的联盟合作伙伴共同参与，”维克托·沙佩纳补充道。
避免或控制潜在的有害社会影响
然而，消除围绕适应性和环境足迹的技术障碍，并不能保证人工智能的实际应用是功能性且负责任的。在前景广阔的技术与实际效益之间，仍有一步决定性的飞跃：它的采用。
这一主题是“以人为本的人工智能”这一支柱的核心，旨在考虑人类在AI解决方案的使用及其后果中的作用。正如法国阿莱斯国立高等矿业学院商学院经济学讲师尼古拉·苏利耶所描述的，“关键在于在操作者、用户和解决方案之间建立意识。如何使用这些工具才能让承诺的益处真正实现？”就像所有创新一样，所承诺的生产力或效率提升在很大程度上取决于随后的实际应用。
此外，这些使用方式的影响也必须在个人和社会层面进行思考和规范。技术的推广有时会带来超出仅限于用户范围的更广泛后果。必须警惕或遏制可能产生的有害社会影响，研究人员强调。例如，人工智能引发了许多伦理问题，如性别、年龄或种族相关的偏见出现。
尼古拉·苏利耶在此框架下与法国阿莱斯国立高等矿业学院团队合作，围绕一个专注于可解释性的实验平台开展工作。该平台旨在帮助用户理解AI模型产生的输出结果。“这首先是为了在操作员与AI解决方案之间建立信任。同时也是为了能够检测并纠正预测错误。”
因此，真正有用的人工智能不仅要看其预测的准确性，还要看操作人员理解并负责任地使用它的能力。
一条可持续的欧洲之路
通过这些工作，恩菲尔德项目提出了一个欧洲人工智能愿景，这与以实力竞赛和性能为中心的美国和中国的主流方法背道而驰。这一愿景体现在各个支柱开展的研究中，同时也体现在制定共同路线图上，该路线图是与联盟所有成员共同构建的。尼古拉·苏利耶积极参与了这项协调工作：“我们更多地处于链条的末端，处于一个技术含量较低但对于在合作伙伴、专家之间建立对话以及构建对未来理想人工智能的稳固愿景至关重要的阶段。”
恩菲尔德也为法国阿莱斯国立高等矿业学院发挥了结构性作用，通过围绕共同问题长期凝聚其数据与人工智能社区。从启动之初，在帕莱索组织的工作坊也促成了科学家与工业界人士的交流，催生了至今仍持续活跃的多种合作项目。该项目最终会议，旨在分享知识、经验与展望，将于2026年7月初在布鲁塞尔举行；而一个暑期学校将在几周后于圣埃蒂安举行，以继续这些交流。
这种集体动力是该项目最切实的成果之一。随着建立的联系催生新的倡议，合作伙伴们在未来几年内将收获其成果。这提醒我们，与那种基于追求越来越快、越来越明显、越来越引人注目的结果的人工智能愿景相反，最持久的进步往往是在漫长的时间中逐步构建起来的。
简而言之：欧洲项目恩菲尔德正在开发一种更具适应性、更节约且值得信赖的人工智能。法国阿莱斯国立高等矿业学院的研究人员正在探索其鲁棒性、环境足迹和可解释性。这些工作有助于描绘出欧洲人工智能的愿景。更多内容可在法国阿莱斯国立高等矿业学院的科技平台上阅读，相关话题包括如何应对人工智能能源危机。
自2024年欧洲人工智能法案生效以来，围绕人工智能的讨论不再局限于模型的性能。这一监管框架要求同时考虑人工智能技术的可靠性、透明度、安全性以及社会影响。这一发展伴随着社会意识的觉醒，呼应了科学界所采取的行动。当科技巨头们在开发越来越强大的模型时，研究的重点现在转向模型的适应性、可解释性和极简性，而不仅仅是“能做什么”。
这些思考构成了卓越中心网络恩菲尔德的起点。该项目由“地平线欧洲”资助，全称为“欧洲灯塔，彰显值得信赖且绿色的AI”。该联盟汇集了来自18个国家的30个合作伙伴，围绕一个共同目标：开发适应性、节约资源、以人为本且值得信赖的AI技术和系统。法国阿莱斯国立高等矿业学院通过其数据与人工智能社区发挥着积极作用，该社区横跨其所有学院，汇集了来自不同学科的研究人员，他们致力于AI基础科学的核心研究，或将这些技术应用于不同领域。
“我们希望构建一个尽可能多学校参与的项目，以汇聚专业技能，加强内部合作，并展示法国阿莱斯国立高等矿业学院在人工智能领域的卓越表现，”圣埃蒂安矿业学院教授兼恩菲尔德项目研究工作包负责人奥利维耶·布瓦西耶说道。这种多样化且丰富的专业知识体现在项目的各个支柱中，它们既探索了人工智能的科学基础，也探讨了其环境影响、应用以及社会意义。
与环境共同演化的系统
如果人工智能系统在训练条件下表现出色，那么在不断变化的环境中，它们的性能可能会下降。恩菲尔德项目的目标之一是开发能够在长期内和不同使用场景中运行的人工智能技术，法国阿莱斯国立高等矿业学院讲师兼研究员、自适应人工智能研究支柱的联合负责人安东·切赫梅杰耶夫解释道。
这种适应性是嵌入式人工智能系统的核心，与托管在数据中心的超大型模型不同，它们直接在工业设备、传感器或物联网设备中运行。“在这些场景中，计算能力是有限的。因此，必须优化学习过程，以便在受限条件下仍能保持良好的性能，”安东·切赫梅杰耶夫强调。
自适应人工智能的另一个研究方向是：即面对数据、学习或模型产生的决策相关的各种不确定性时，如何保持鲁棒性。这一挑战在序列预测系统中尤为关键，因为每个决策都会影响后续决策，例如预测电网的能源消耗，或预测维护需求。研究人员补充道：“在某一时刻犯下的错误可能会传播并放大。此时不确定性的影响就会变得更加严重。”
这种适应能力似乎是让人工智能长期融入实际应用环境的必要条件。但我们愿意为这些性能付出怎样的代价？
引用技术的部署有时会带来超出仅限于用户范围的更广泛影响。
尼古拉·苏利耶，法国阿莱斯国立高等矿业学院商学院研究员
多少钱？人工智能的“绿色”价格
近年来人工智能的惊人发展伴随着资源投入的不断增加。数据、计算和能源的需求越来越大。对于圣埃蒂安矿业学院的副教授维克托·沙佩纳来说，这种指数级增长的趋势已经走到了尽头。“今天，我们在社会和环境层面上已经触及了可行与可接受的极限。”
在“绿色人工智能”支柱的支撑下，这位研究人员正试图更好地估算与不同人工智能技术相关的经济和生态成本。然而，必须拥有合适的工具。“为了证明一种技术优于另一种，必须了解其计算成本。但目前还没有公认的衡量标准。”
因此，恩菲尔德的部分工作包括构建指标，用于比较不同方法在性能和所需资源方面的表现。其中包括计算浮点运算次数，该指标量化了模型训练或执行过程中所执行的数学运算量。
分析表明，最新的深度学习方法不一定是最佳选择。“对于某些任务，更简单、单层的方法，就像自20世纪70年代以来所做的那样，即使我们取得了进步，同样高效，而且成本更低！”维克托·沙佩纳指出。当需要分析知识图谱时，情况就是如此，知识图谱代表了实体（人物、物体等）之间的关系网络。
“突触修剪”，用于更轻量级的神经网络
衡量成本是一个步骤，降低成本是另一个步骤。在巴黎电信学院，包括范·谭·阮教授在内的专家们正在研究“精益人工智能”：“采用消耗更少能源和物质资源的、可在网络任何位置部署的技术，特别是边缘人工智能，”维克托·沙佩纳解释道。
他们的方法之一是删除神经网络中的冗余元素，借鉴了大脑修剪无用突触连接的方式。在设计神经网络时，科学家通常会配置比必需更多的神经元。一旦训练完成，就可以识别出最无用的连接并将其移除，同时限制网络性能的下降。这种精简减少了所需的内存，加快了计算速度，并降低了能耗。
然而，人工智能系统的环境影响不仅取决于算法。还必须考虑硬件的制造、能源供应以及其生命周期结束后的处理。因此，负责“绿色人工智能”这一支柱的团队已将其研究范围扩大到整个技术系统，并基于生命周期分析方法。“在项目结束前，我们将提交一份文献综述，届时将邀请所有参与该支柱的联盟合作伙伴共同参与，”维克托·沙佩纳补充道。
避免或控制潜在的有害社会影响
然而，消除围绕适应性和环境足迹的技术障碍，并不能保证人工智能的实际应用是功能性且负责任的。在前景广阔的技术与实际效益之间，仍有一步决定性的飞跃：它的采用。
这一主题是“以人为本的人工智能”这一支柱的核心，旨在考虑人类在AI解决方案的使用及其后果中的作用。正如法国阿莱斯国立高等矿业学院商学院经济学讲师尼古拉·苏利耶所描述的，“关键在于在操作者、用户和解决方案之间建立意识。如何使用这些工具才能让承诺的益处真正实现？”就像所有创新一样，所承诺的生产力或效率提升在很大程度上取决于随后的实际应用。
此外，这些使用方式的影响也必须在个人和社会层面进行思考和规范。技术的推广有时会带来超出仅限于用户范围的更广泛后果。必须警惕或遏制可能产生的有害社会影响，研究人员强调。例如，人工智能引发了许多伦理问题，如性别、年龄或种族相关的偏见出现。
尼古拉·苏利耶在此框架下与法国阿莱斯国立高等矿业学院团队合作，围绕一个专注于可解释性的实验平台开展工作。该平台旨在帮助用户理解AI模型产生的输出结果。“这首先是为了在操作员与AI解决方案之间建立信任。同时也是为了能够检测并纠正预测错误。”
因此，真正有用的人工智能不仅要看其预测的准确性，还要看操作人员理解并负责任地使用它的能力。
一条可持续的欧洲之路
通过这些工作，恩菲尔德项目提出了一个欧洲人工智能愿景，这与以实力竞赛和性能为中心的美国和中国的主流方法背道而驰。这一愿景体现在各个支柱开展的研究中，同时也体现在制定共同路线图上，该路线图是与联盟所有成员共同构建的。尼古拉·苏利耶积极参与了这项协调工作：“我们更多地处于链条的末端，处于一个技术含量较低但对于在合作伙伴、专家之间建立对话以及构建对未来理想人工智能的稳固愿景至关重要的阶段。”
恩菲尔德也为法国阿莱斯国立高等矿业学院发挥了结构性作用，通过围绕共同问题长期凝聚其数据与人工智能社区。从启动之初，在帕莱索组织的工作坊也促成了科学家与工业界人士的交流，催生了至今仍持续活跃的多种合作项目。该项目最终会议，旨在分享知识、经验与展望，将于2026年7月初在布鲁塞尔举行；而一个暑期学校将在几周后于圣埃蒂安举行，以继续这些交流。
这种集体动力是该项目最切实的成果之一。随着建立的联系催生新的倡议，合作伙伴们在未来几年内将收获其成果。这提醒我们，与那种基于追求越来越快、越来越明显、越来越引人注目的结果的人工智能愿景相反，最持久的进步往往是在漫长的时间中逐步构建起来的。
阿莱斯国立高等矿业学院-相关新闻
相关学校
