在经典的机器学习理论中，世界往往是静止的。算法在封闭、静态的“数据温室”里得到 精心培育，研究者通常假设未来的环境一成 不变。然而，现实世界却充满了风吹雨打。

如何让人工智能（AI）模型走出理想温室， 在开放、动态的真实环境中依然稳健、可靠？2020 年起，在国家自然科学基金创新研究群 体项目 （以下简称创新研究群体项目） 支持下，中国科学院院士、南京大学教授周志华带领团队，直面复杂多变的现实挑战，为 AI 量身打造了一套应对现实世界复杂变化的理论 方法体系。

值得一提的是，这是国家自然科学基金委员会（以下简称自然科学基金委）2018 年设立 人工智能一级学科代码以来，资助的第一个 创新研究群体项目，名为“面向开放动态环境 的机器学习”。

“得益于国 家自然科学基金的长期资助，我们在前瞻性基础研究上深耕，开辟了机器学习新的原创性发展方向。如今，这一领域的创新模式已发生根本性转变——从过去的‘企业出题’转变为现在的‘学术牵引’。”周志华在接受《中国科学报》采访时说。这意味着，基础研究正在成为产业创新 的源头活水。

AI 如何面对真实世界机器学习是 AI 的核心研究领域。

周志华介绍，模型在训练时，会从数据中已知的特定 因素里总结出规律，等未来真正工作时，也还会套用这些规律。同时，模型也默认它见过的类别就是全部——训练时只见过猫和狗，以后遇到的就只能是猫或狗。 经典的机器学习理论正是基于这种“刻舟求剑”的假设，认为模型处于“封闭环境”中。 只要收集大量数据训练出模型，就能用它来 做预测。 然而，现实世界总是充满了变化。以环境污染监控为例，随着气候变化或产业调整，污染物的扩散规律和分布特征可能随时发生改变，甚至会出现训练时从未见过的新污染源。 如果模型不能适应这些变化，依然死守着旧有的规律，监控结果就会失真。 周志华团队将这些复杂的现实挑战，凝练为“小样本”“变分布”“常更新”“有交互”四个 科学问题。

周志华作学术报告。 受访者供图

具体而言，在开放环境中，新情况往往缺乏历史数据，这就要求模型具备从小样本中 提炼本质规律的“超级举一反三”能力。同时， 事物发展的规律本身不断变化，意味着模型必 须持续学习与自我迭代。此外，模型也不能仅 靠离线数据被动学习，必须引入人与环境的交互，通过主动探索来获取关键信息。

2018 年，为响应国家新一代人工智能发展规划，自然科学基金委首次设立人工智能一级学科代码。为了突破机器学习的基础理论瓶颈，周志华团队于 2019 年申请了创新研究 群体项目。项目成功获批，成为这一学科代码下的第一个创新研究群体项目。

几年来，在创新研究群体项目支持下，周志华团队从机制、框架到底层模型进行了全链条的理论重构。

面对开放环境中数据分布漂移、新情况层出不穷且样本稀缺的多重挑战，他们发现了最优动态遗憾在线学习机制，突破了传统误差线性增长的瓶颈，让 AI 在信息受限时也能精准追踪环境变化。团队还率先建立了开 放环境学习理论框架，赋予 AI 识别未知类别与抗干扰的“免疫系统”，并解决了因果辨识领域困扰学界 20 年的难题。同时，他们提出的算法模型实现了强化学习计算效率的 指数级跃升，为开放环境下的 AI 技术发展奠定了坚实的理论基石。

周志华团队在国际学术期刊和会议上发表了一批高水平学术论文，并获授权一批国家发明专利，圆满完成了既定研究目标。

基础研究前瞻性的最好体现

周志华在机器学习领域的探索起步于 20 世纪 90 年代。他回忆道：“当时，机器学习可以说是‘大偏门’，是冷门中的冷门，甚至被人质疑‘机器学习不可能，AI 是骗人的’”。

在周志华看来，如果没有国家自然科学基金的持续支持，他可能不得不转去做当时一 些热门的领域，否则科研都难以维持。

2000 年前后，刚刚博士毕业的周志华面临科研经费紧张的情况，在青年科学基金项目 （C 类）支持下，周志华才有机会申请国际合作与交流项目，能够每年参加一次国际会议。“这在当时是非常难得的机会，对我初期的学术发展起到了很大的推动作用。”他表示。

2003 年，年仅 29 岁的周志华获得青年科 学基金项目（A 类）资助，继续深耕机器学习领域。他说：“板凳冷不冷不重要，只要认为是重要的事情，不管什么时候总要有人坚持下去。”

事实上，创新研究群体项目着力解决的开放环境机器学习问题，周志华团队早在2012年前后就开始布局。

“当时我们研判，用大量数据在封闭环境中训练模型的技术路线，国内外已经研究了 30 年，在原理和方法上基本成熟，需要攻克的是大规模工程化问题。”周志华介绍，“那么， 从基础研究的角度，我们必须再往前一步，去探索那些尚未解决的难题。”

因此，他们将目光放在开放环境机器学习 这个方向上，也成为世界上开展相关研究最 早的团队之一。

2016 年，美国人工智能促进协会（AAAI） 主席 Tom G. Dietterich（汤姆·迪特里奇）在作 大会报告时，探讨了未来 AI 需要解决的核心问题，并提出了“通往鲁棒 AI”的愿景。报告中，他专门引用了周志华团队已经开展的工 作。这意味着，中国学者的研究为未来 AI 的 发展提供了极具前瞻性的理论依据。

“近 10 年来，我国 AI 研究发展非常快，已在一些领域有自己的特色和优势，在 AI 领域 顶级学术会议上也能看到许多中国学者的身影。”周志华说，这样的变化不仅因为科技工作者的努力，更重要的是国家的发展让科技工作者赶上了好时候。

周志华团队在创新研究群体项目支持下 取得的理论成果并没有停留在纸面上。他们坚持将论文写在祖国大地上，在某重大任务中领衔攻关，历经 7 年砥砺奋斗，使我国在某关 键领域关键技术上取得领先优势，被评价为“取得了远超预期的重大成果”。

与此同时，周志华团队与国内某头部企业 联合设立实验室，将前沿理论转化为企业核 心技术。2025 年，双方进一步合作打造先进研究中心。企业方面认为，周志华团队的原创成果已实现行业引领，合作模式也随之发生根本 转变，不再是企业出题、高校答题，而是由科 研团队研判关键方向、企业出资支持，用研究成果引领产业发展。

在周志华看来，这正是基础研究前瞻性与引领性的最好体现。

“左右互搏”的良性循环

当下，AI 浪潮席卷而来，机器学习也从昔日的冷门一跃成为炙手可热的焦点。但在热 闹背后，周志华团队却敏锐地察觉到一个隐患：相比于应用层面的百花齐放，机器学习的 基础研究面临着被“淹没”的风险。

究其原因，机器学习基础研究与应用技术研究存在差别。前者聚焦底层理论方法和关 键算法模型，旨在从根本上提升 AI 的智能性、 可靠性和可解释性。而后者则围绕某个特定 应用任务领域，对已有方法和模型调整改进， 以获得现实效用。

由于基础研究门槛高、出成果慢，许多团队更倾向于投入见效快的应用技术。 

“但我们必须看到，机器学习基础理论方法与关键算法模型一旦突破，将影响深远。” 周志华强调。例如，“支持向量机”源于统计学 习理论和核方法，全世界的神经网络都在用 “误差反向传播（BP）算法训练”，生成式 AI 技术则源于“生成对抗网络与扩散模型”。

“因此，大力加强机器学习基础研究，对实 现我国 AI 领域高水平科技自立自强至关重要。”周志华强调。

为此，周志华组建了一支理论与应用紧密结合的团队。在这里，理论专家的成果可以直 接在应用中验证，应用专家遇到的瓶颈也能在内部找到前沿理论支撑。两类人才互相尊重、 和谐协作，形成了一种类似“左右互搏”的良性循环，让理论在应用中不断打磨，应用在理论的支撑下持续突破。

这种独特的科研氛围吸引了国际知名专家加入。澳大利亚莫纳什大学计算机系前主 任、英国帝国理工学院机器学习方向带头人、 英国皇家工程院院士等海内外学者先后全职 加入团队。

在团队整体布局上，周志华始终坚持一个理念：没有任何一个算法模型是包打天下的。他认为，当前业界对大模型存在一定的迷信。如果无视实际需求，强行用大模型处理小模型即可 胜任的任务，不仅会造成算力资源的浪费，还可能因过度设计而适得其反。因此，在应用落地时，必须坚持因地制宜、因任务制宜的原则。 

面向未来，团队的目光投向了两个更加前沿的方向。一是探索“学件”路线，这种全新的 机器学习范式试图让众多模型在互不泄露训 练数据的前提下，实现高效的协作与组装；二是致力于攻克 AI 的“信任危机”，让模型变得更加可信、可靠。

在周志华看来，基础研究的使命就是去啃这些“硬骨头”。一旦在科学层面取得了初步突破，厘清了底层逻辑，他们便会将这些成果交给产业界，由工程团队去完成后续的方案设计与产品化落地。