第 3 章 大数据算法与可信计算理论
一直以来，算法都是推动人工智能发展的重要力量，而各类计算范式与计算模型则奠定了人工智能技术进步的基础。在算法层面，超大规模的数据处理算法一直是人工智能发展的必要条件；最近两年，大模型的训练也成为算法研究的热点之一。在计算范式方面，随着人工智能技术的普及，新的计算需求不断涌现，其中可信性（如鲁棒性、公平性等）是近期新计算范式研究的核心关注点。
算法的理论发展一直推动着人工智能的前进。从早期的线性规划 算法到近年来的凸规划与非凸规划算法，从机器学习早期的自适应提 升算法到神经网络训练算法，一系列经典算法为人工智能的发展做出 了巨大贡献。仅就大数据算法的发展而言，美国自然基金委就推出了 多个大规模的长期计划来资助大数据处理、分析以及应用算法的研究，并专门设立了人工智能优化算法的研究中心。然而，随着人工智能问 题的不断涌现，针对不同计算资源受限场景的算法设计与分析的需求 也在不断扩张。推动各类算法理论的发展同样是保证人工智能稳定进 步的重要基础。
人工智能技术的应用普及也急需新的计算范式来满足可信的需求。作为人工智能的理论保障，算法的鲁棒性是其广泛应用的基础。同时，许多场景在鲁棒性的基础上，更进一步要求对人工智能的计算具有公平性。近年来，越来越多的场景对保护用户数据的隐私提出了更高的要求。早在 2012 年，美国自然基金委就资助哈佛大学五百万
美金用于新型安全可信的计算范式研究；而在 2022 年，美国自然基金委也启动了安全与可信计算项目的新一轮资助计划。在理论层面保障人工智能的可信成为下一阶段理论研究的重要课题。