BAAI CONFERENCE
北京智源大会
/// 倒计时11天，报名请点击「阅读原文」
2019北京智源大会荟萃百位顶级专家，60+前沿报告，10+圆桌论坛与尖峰对话——为了帮助大家更好地品尝这份即将到来的人工智能“盛宴”，我们整理了其中十多位重量级专家新近通过演讲、访谈、撰文等诸多形式分享的原创精彩观点，以飨诸多关注本次大会的朋友。现在，让我们追随着他们的视野，盘点当下人工智能的关键问题。
张钹
中国科学院院士、智源研究院学术委员会主席
AI奇迹短期难再现，深度学习潜力已近天花板
深度学习是寻找那些重复出现的模式，因此重复多了就被认为是规律（真理），因此谎言重复一千遍就被认为真理，所以为什么大数据有时会做出非常荒唐的结果，因为不管对不对，只要重复多了它就会按照这个规律走，就是谁说多了就是谁。
我常常讲我们现在还没有进入人工智能的核心问题，其实人工智能的核心是知识表示、不确定性推理这些，因为人类智慧的源泉在哪？在知识、经验、推理能力，这是人类理性的根本。现在形成的人工智能系统都非常脆弱容易受攻击或者欺骗，需要大量的数据，而且不可解释，存在非常严重的缺陷，这个缺陷是本质的，由其方法本身引起的。
人工智能必须走“人类智能”道路
我们最终是要发展人机协同，人类和机器和谐共处的世界。我们不是说将来什么事情都让机器去管去做，人类在一边享受。我们要走人机共生这条路，这样机器的智能就必须和人类一样，不然没法共处，机器做出来的事情，我们不能理解，我们的意图机器也不知道，二者怎么能合作？
符合这几个条件的领域，计算机才能代替人类工作
充足的数据或知识；
完全信息；
确定性信息；
静态（包括按确定性的规律演化）；
特定领域（单任务）。
摘自：2019年5月，张钹接受《经济观察报》访谈，http://www.eeo.com.cn/2019/0524/356928.shtml
高文
中国工程院院士，智源研究院学术委员会委员
中国发展人工智能的四个优势和劣势
四个优势：政策优势、数据优势、应用场景优势和青年人才优势。政策优势和数据优势无需赘述，应用场景优势指的是虽然我国比发达国家起步晚，设施不到位，但这恰恰给人工智能应用创造了非常好的场景；在青年人才方面，我国很多高校注重青年人才的培养，提供了大量储备，现在无论顶级国际人工智能大会还是人工智能相关杂志，投稿、发文章、参与活动的约有一半都是中国人。
四个劣势：第一，基础研究和算法方面比较薄弱，需要继续积累和沉淀；第二，核心元器件方面，GPU、FPGA等人工智能使用的硬件和器件主要由国外掌控，国内份额很小；第三，人工智能目前主要基于开源开放平台开发，而全球影响最大的5个平台均由国外企业提供；第四，高端人才短板，例如我国的人工智能高端人才只有美国的20%左右。
摘自：2019年8月，中国人工智能峰会暨多媒体信息识别技术竞赛成果发布会上，高文发表的演讲《AI行业发展趋势与前沿技术》
John E. Hopcroft
图灵奖获得者、智源研究院学术委员会委员
未来只有25%的人类需要劳动
人们需要认识到，信息革命时代，今后只需要一小部分人工作就能满足社会的需求。虽然，新的就业机会不断产生，但可能只需要25%的劳动力就能够生产出人们所需的所有商品和服务。一个人甚至可以每周只工作20小时，45岁就可以退休。更多的工作可能需要大学教育，这将使劳动力的规模再减少10%。
中美大学教育的区别在于对基础理论研究重视
一些人认为，应用研究取决于基础研究水平，这不完全对。应用研究和基础研究之间的区别并不取决于研究的基础性，而是取决于人们为什么要这样做。应用研究，是基于国家需求进行的；基础研究，则受到人类的求知欲驱动。当人们专注于应用研究，就会关注于特定问题，循序渐进地取得成果。而基础研究则完全是出于求知欲，取得的结果是完全不同的。做基础研究的人会探索各种各样的方向，有的方向可以孕育全新的产业，造就成千上万的就业机会，美国就是在重视基础研究之后，就取得了丰硕的成果。在美国，政府的实验室负责应用研究，基础研究则由大学负责。但中国似乎非常专注于技术的应用，而不是基础理论研究。
摘自：2019年9月John E. Hopcroft在清华大学的报告《The Information Revolution》
Michael I. Jordan
加州大学伯克利分校教授，美国三院院士，智源研究院学术委员
计算思维不是编程、使用数据库，而是一种思想
计算思维不是说知道如何编程和使用数据库，而是一种思想。关于思考一个问题的抽象概念、模块性、性能……一切你在计算机课堂上学到的东西，而不仅仅是编程。计算机背景的人应该很熟悉这些，不熟悉的可能是推断思维。那是已经有超过两百年历史的统计学里的东西……我并不是太喜欢机器学习这个词，我认为并没有什么新东西，还是统计思维。但是因为计算机科学家不太懂统计推断的东西，所以他们取了一个新名字叫做机器学习。
AlphaGo 只是大众的一场梦，要用AI重塑整个世界
无论是在美国，还是中国，AI 都是被高估的。一方面 AlphaGo 让很多公众开始了解 AI 这个概念，也因此有很多炒作围绕 AlphaGo 而展开。AlphaGo 是在一个有限的领域中，通过精良的反复模拟而达成的一种成功的模式，但机器很难模拟整个世界，也因此一场 AlphaGo 的胜利很难说是 AI 的全面超越。
摘自：网络资料《Michael I.Jordan八大经典语录》
Donald B. Rubin
美国国家科学院院士、哈佛大学统计系教授 ，Wilks奖章、Parzen奖和Snedecor奖获得者
因果关系的深刻理解始于随机实验
随机实验的核心概念首先应用于控制性的医学试验，并之后应用于社会科学，不遵守样本分配的复杂性以及“霍桑”效应和安慰剂效应随之发生。自上世纪70年代起到今天，从简单的实验设置到与人类相关的复杂试验，因果推理这一概念的应用既包括了实验的经典数学思想，也包括了依赖于强大的计算实现设计与分析的现代理念。
摘自：2018年3月，Donald B. Rubin 在清华大学的报告《不平凡的历史—因果推理的基本概念》
张宏江
源码资本投资合伙人
智源研究院理事长
AI和数据有望成为未来的支配定律
人类学习能力的发展是一条直线，而技术发展是一条指数曲线。在过去的10年之间，技术的发展已经超过了人类的学习能力。由人类过去500年的历史来看，在18世纪之前，工业革命以前，完全是农业种植和收割，它的生产资料是土地；到了工业革命之后，是工业、制造、交通和IT，生产资料是能源和技术；在今天，互联网+人工智能时代，AI和数据也许会成为未来的支配定律。
“产品—用户—数据”AI闭环验证模型
如何鉴别一家公司为AI公司？一个好的AI公司的产品可以吸引到用户，用户能产生数据，利用数据使得产品变得更加智能，用户体验更好，这就是一个非常好的闭环。任何技术、商业模式或企业都要经历“三浪叠加”的考验，只有三重浪潮之后，都平稳落地的技术、模式和公司，才能在一个领域站住脚跟。
摘自：2019年9月20日，“科创·创享会第五期：人工智能的技术发展与创业投资”沙龙活动，张宏江博士演讲《人工智能：机会与投资》
Christopher Manning
斯坦福人工智能实验室(SAIL)负责人，自然语言处理领军人物
结构是神经网络设计“必要的善”
我们应该对结构持积极的态度，将其纳入神经网络的设计决定中。特别是，结构能够让我们设计一些系统，这些系统与那些没有结构的系统相比，能从更少的数据中获得更多的知识，而且抽象层次更高。
深度学习的大数据范式，已经颠覆了“计算机语言学”，并“偏离了轨道”
如果你能够访问大量的数据，有强大的计算力，你可以通过构建简单但效率低下的系统来获得成功，这些系统在表面层次上执行所谓的“最近邻学习”。这阻碍了研究人员构建良好的学习系统——在较高抽象层次学习表示，并且不需要大量数据。
摘自：2018年2月，Christopher Manning 和 Yann LeCun 在斯坦福AI Salon上的讨论，题为“我们应该在深度学习系统的体系结构中建立什么固有先验？”
戴琼海
清华大学自动化系教授，中国工程院院士
下一代人工智能将进入“理解时代”
脑神经的产生、发育、进化、衰落等生命过程为自我进化型人工智能提供了参考，当下人工智能取得进展只是对脑工作原理初步借鉴，未来机器智能研究需要和脑与神经科学、认知科学、心理学深度交叉融合。而脑科学研究有助于在人工神经网络技术中设计实现新的学习机理与拓扑结构，这将有力地推动人工智能的进一步发展。
摘自：2019年1月，戴琼海在浙江省计算机学会年会上的报告《人工智能推动数字经济发展》
施路平
清华大学教授，类脑计算研究中心主任
“天机芯”是目前异构融合技术最完美的结晶
异构融合有基于电脑的一套计算范式，也有基于人脑的一套计算范式，从大的思路上来讲，我们希望把这两个范式能够融合起来，因为它的特点是能够互补。现在的计算机是将多维的信息转换成一维的信息流，主频越来越快，换句话说这是利用了时间复杂度；而在人脑中，一个神经元连接着1千到1万个神经元，这是利用了空间复杂度，且大脑是利用脉冲进行编码，换句话说这就引入时间复杂度，因此代表了时空复杂度。类脑计算就是同时具备了空间复杂度和时空复杂度，这就是异构融合。我们认为，“天机芯”是目前为止最完美的结果。
摘自：2019年8月，施路平接受科技媒体“DeepTech深科技”访谈
朱松纯
加州大学洛杉矶分校教授，智源研究院学术委员，计算机视觉领域最高奖“马尔奖”获得者
“小数据，大任务”范式是人工智能统一的目标
朱教授认为，基于统计概率模型的大数据分析方法，包括机器学习和深度学习等，可以针对某个特定的任务，例如人脸识别，设计一个简单的价值函数，用大量数据进行训练这一特定的模型，这一模式的应用可称为“大数据、小任务范式”，并不能产生真正意义上的智能。朱教授认为，“小数据 大任务”范式是人工智能统一的目标。
翟成祥
伊利诺伊大学香槟分校计算机系教授，“美国总统奖”获得者
大数据创造智能的两种方式：训练数据和感知描述
其一，大量的数据可以作为训练数据，让监督式机器学习方法特别是深度学习，发挥巨大潜力，从大量数据中学得智能，从而使智能机器能够大量代替人力来完成各种任务（此类智能系统可称为自主型智能系统）。其二，大量的数据可以作为对我们生活的世界的感知和观察的结果的描述，用数据挖掘或非监督式机器学习方法对数据加以处理，获得关于被观察系统的各种有用知识，从而拓展人类的感知能力，增强人的智能（此类系统自身往往智能程度不高，可以称为助理型智能系统）。
摘自：翟成祥教授为其图书著作《文本数据管理与分析：信息检索与文本挖掘的实用导论》写的序言
顶级嘉宾阵容，前沿全覆盖，多样的交流形式
立刻扫码注册：北京智源大会
10月31日–11月1日 | 国家会议中心
长按识别二维码注册参会
18
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
