• 研究背景

近年来，人工智能在各个领域广泛渗透，从图像识别到自然语言处理，从科学计算到工业决策，机器学习 (Machine Learning, ML) 已成为推动其快速发展的核心技术。然而，随着模型规模不断扩大、应用场景日益复杂，当算法开始被部署到真实环境中，一系列新的挑战也逐渐浮现：模型为何得出这样的结论？这些结论是否可靠？人类能否理解、修正并长期信任它们？

在此背景下，由Andreas Holzinger教授牵头，联合多位国际学者近期在 Machine Learning and Knowledge Extraction (MAKE) 期刊上发表了一篇题为“Research Frontiers in Machine Learning & Knowledge Extraction”的前沿性论文。文章从宏观视角出发，系统梳理了机器学习与知识提取领域的发展现状，并围绕“构建可信、可解释且可持续的智能系统”，提出了一个面向未来人工智能研究的整体框架。

• 从机器学习到知识提取

作者在引言部分指出，机器学习的核心任务在于揭示数据中的统计模式，而知识提取则进一步将这些模式转化为结构化、可解释且具有实际意义的知识表示。正是在这一过程中，机器学习与知识提取 (Machine Learning and Knowledge Extraction, MAKE) 构建起了从数据到知识的桥梁，推动可解释、可信赖且可持续的人工智能进入新的发展阶段。

• 十大研究前沿，描绘人工智能的未来版图

文章的核心内容在于系统性地提出了十个研究前沿方向，从方法论到应用层面，构建了一个连贯而全面的研究路线，勾勒出未来人工智能的发展图景。具体而言，这些方向涵盖广泛，既包括将物理规律和领域知识融入模型的科学发现与物理智能，也涵盖融合符号推理与统计学习的混合与模块化人工智能；既讨论了支持理解复杂场景的多模态智能系统，也分析了当前快速发展的基础模型、大语言模型与AI代理。此外，文章还重点关注了边缘与嵌入式智能、绿色与可持续AI、可解释与可信人工智能以及开放世界环境中的安全问题。

值得注意的是，这些研究方向并非孤立存在，而是共同指向一个目标：构建能够在真实世界中长期运行、并与人类协同工作的智能系统。这也是作者最后所探讨的新兴人工智能应用与影响，聚焦于人工智能的采用如何改变社会动态、重新分配机会并创造新的依赖关系，从而以远超技术创新的方式影响人类前进的轨迹。

十个前沿领域

• 面向可信与可持续的人工智能未来

在结尾部分，作者指出，机器学习与知识提取 (MAKE) 范式将人工智能重新定义为了一种用于知识生成的科学工具，该范式在方法论层面可推动发现过程，能够提取数据模式、揭示因果结构，并在不同的科学和社会领域中生成透明、可验证的见解。

同时，作者强调，人工智能的未来发展离不开跨学科合作、全球协同研究以及清晰的伦理规范。唯有在这种共同努力下，人工智能才能不仅在技术上实现突破，更在社会责任、环境可持续性和全球包容性方面发挥积极作用，真正成为科学发现、人类创造力和社会进步中值得信赖的伙伴。

总体而言，这篇文章从研究背景、核心概念到前沿方向，为机器学习与知识提取领域提供了一个清晰而前瞻性的研究构想。文章所呈现的研究框架，既有助于学者理解机器学习与知识提取之间的关系，也为政策制定者和实践者提供了把握人工智能发展趋势的重要视角。

阅读英文原文：https://www.mdpi.com/2504-4990/8/1/6

• MAKE 期刊介绍

主编：Prof. Dr. Andreas Holzinger, BOKU University, Austria; University of Technology, Austria; University of Alberta, Canada

期刊创刊于2019年，涵盖机器学习方法及其应用，从数据预处理到结果可视化的整个机器学习和知识获取与发现的流程，重点关注隐私、数据保护、安全性、数据挖掘、自然语言、神经网络和熵等。

2024 Impact Factor: 6.0

2024 CiteScore: 9.9

Time to First Decision: 27 Days

Acceptance to Publication: 4.4 Days

期刊主页：https://www.mdpi.com/journal/make