公司凝聚了素质高、技能强、深谙物流管理的人才,拥有经过专业培训的装卸队伍,积累了丰富的实践管理经验并提供良好的服务。
当前位置:主页 > 产业新闻 >
产业新闻
【高考作文】共和国我为你拍照 AI命题:展望2049中国人工智能
来源:未知 作者:admin 发布时间:2019-04-02 22:16 浏览量:

  原标题:【高考作文】共和国,我为你拍照 AI命题:展望2049中国人工智能

  【高考40周年· 2017北京高考大作文】2049年,我们的共和国将迎来百年华诞。届时假如请你拍摄一幅或几幅照片来显现中华民族伟大复兴的辉煌成就,你将选择怎样的画面?请展开想象,以“共和国,我为你拍照”为题,写一篇记叙文。要求:想象合理,有叙述,有描写,可以写宏大的画面,也可以写小的场景,以小见大。

  【新智元导读】2017年北京高考作文题新鲜出炉:“说纽带”或者“共和国,我为你拍照”二选一。2049年,是中华人民共和国建国100周年,巧合的是,新智元5月份的百人会闭门论坛主题正是“2049年人工智能未来展望”。来自北航、清华等高校的教授,以及企业界精英一起对人工智能相关的技术驱动力、关键性突破、类脑计算、脑机结合、智能助理以及 AI 技术在医疗、金融、能源、安防、自动驾驶方面的应用等等问题进行了讨论。在各界人士的齐心推动下,相信到了2049年,AI 一定会在中国的发展历史上留下浓墨重彩的一笔。

  2017北京高考作文题其中一个命题是 “共和国,我为你拍照”,题目写道:“2049年,我们的共和国将迎来百年华诞。届时假如请你拍摄一幅或几幅照片来显现中华民族伟大复兴的辉煌成就,你将选择怎样的画面?请展开想象,以‘共和国,我为你拍照’为题,写一篇记叙文。要求:想象合理,有叙述,有描写,可以写宏大的画面,也可以写小的场景,以小见大。”

  巧合的是,5月25日端午节前夕,新智元每月一次的学术产业领袖闭门论坛“新智元百人会”在北京举行。本次百人会以“2049年人工智能未来展望”为主题,话题的切入点是未来三十年人工智能可能的突破点,以及它将给我们社会生活各方面带来的变化。

  对这一话题,与会嘉宾自然进行了深入讨论,话题涉及人工智能相关的技术驱动力、关键突破、类脑计算、脑机结合、智能助理以及在医疗、金融、能源、安防、自动驾驶方面的应用等等问题。讨论过程不乏思维的碰撞、观点的交锋。

  开场——AlphaGo再胜;2020 年 60% 的机器学习会被四家公司垄断;新的历史时刻已经到来。

  王田苗(会议主讲人,北京航空航天大学机器人研究所名誉所长、教授):首先非常感谢在端午节前夕,新智元组织发起,雅瑞资本做东,十分高兴邀请到各位大咖参加“2049人工智能未来展望”项目研讨会。该项目是由中国科协与中国电子学会嵌入式系统与机器人分会组织,由北航、清华等高校参加,还有两个重量级的媒体参与。一个是新智元,一个是机器人杂志社。我们主要是探讨三个事情。一,未来30年,也就是2049——新中国建立100周年,人工智能可能的突破点;二,AI 可能在什么方面会改变我们的产业结构生活;三,法律伦理方面。我们在这三方面畅想一下。

  杨静是我非常好的朋友,我也好,雅瑞资本也好,都渴望和新智元合作,我们已经合作多次。杨静在学术、技术和理论方面像先锋一样,在人工智能还没有热的时候,她很早就发起了“新智元”。

  杨静(新智元创始人兼CEO):这几天是AI的新历史时刻,今天柯洁第二盘中盘又败北,输给了AlphaGo。据我所知DeepMind CEO 明天就去深圳了,跟腾讯洽谈。DeepMind 表面上跟柯洁下棋,实际在贩卖谷歌的一整套系统,包括它的 TPU云和一整套深度学习 AI 的技术体系,想把 BAT、华为、中国移动这些企业都纳入到它的体系当中去。新智元有一篇稿子提醒大家注意,2020 年 60% 的机器学习会被四家公司垄断,谷歌、微软、亚马逊、IBM。谷歌的企图更大,柯洁说“我看到了一个围棋的上帝”,柯洁在围棋的专业评分里面是3260分,AlphaGo 2.0版是 4500 分,而且用的计算力只是原来的1/10,去年打李世石是两台机柜的TPU,那时候TPU已经生产出来了,秘密在用,但是只不过今年才发论文而已。72个研究者参与这篇论文的写作,历史上没有见过这么多人合作一篇论文。这就是一个大公司的垄断优势。今年中国的主题也是人工智能。对于中国大脑的投入,未来五年要投 100 亿或者 200 亿,但跟企业的研发投入相比,这就是九牛一毛,华为一年的研发经费600亿,BAT 都是 100 亿左右的规模。国家未来有很多基金。昨天有一些不好的消息,穆迪给中国降级了,高盛说我们的债务高于公布债务的60%,地方债的情况还是很严重的,人民币有贬值压力,但是企业还是挺争气的,阿里巴巴也有一个 NASA 计划。

  关于未来20年,估计明天马云还会有新的阐述,他们在人工智能方面下了很大力气,包括阿里云。还有腾讯,腾讯在6月底有一个腾讯云未来峰会,请到 Michael Jordan,还有图灵奖的获得者。在通用人工智能方面,这里面是一个最大的分歧。到底通用人工智能会不会实现,多长时间会实现?今年战胜柯洁的 DeepMind 的 CEO Demis 说10年研发出来,Jeff Dean 说 15 年能实现。到 2049 年还有 32 年,人机融合、人工智能会有什么样的发展?希望大家就此话题畅所欲言,展开对未来前景的预测,探讨中国的AI+ 会有什么样的未来。非常感谢大家在端午节前夕参与这个讨论。

  魏晨光(中国移动研究院副院长):人工智能,以前我们觉得它是一个实验室里面的技术,而现在渐渐走向实用。中国移动是传统电信运营商,未来怎么让移动网络更智能地服务用户需求,这是我们一直在思考的问题。我们非常珍惜今天这样的学习机会。

  何晖光(中国科学院自动化研究所研究员):我来自中科院自动化所类脑智能研究中心,我的研究方向包括医学图像处理,类脑计算,脑-机接口等,目前关注的一个工作是在计算机视觉和生物视觉之中找到一些联系。

  邓志东(清华大学计算机系教授):我一直在清华大学计算机系智能技术与系统国家重点实验室工作,主要从事人工神经网络、自动驾驶、机器人等。现在专注于深度卷积神经网络,还有深度强化学习。在自动驾驶方面,则强调深度学习在自动驾驶中的应用。

  马康炜(新智研究院 战略合作部 副主任):大家好。新智研究院隶属于新奥集团。新奥集团布局了能源环保、文化健康、互联网这三大产业板块,每个板块中都有自己的研究院。“从数据到智能,从智能到创新产业价值”是新智研究院的企业使命。我们致力于通过领先的人工智能和大数据技术,为消费侧和供给侧的传统企业和互联网企业赋能,是一家推动相关产业或业务实现智慧升级的领先型技术研究与孵化机构。

  黄华明(中信建投证券股份有限公司 投资银行总监):我们中信建投非常关注人工智能在各个垂直行业的应用,专注于比较前沿技术的公司,这次主要来学习。

  邓侃(大数医达 CTO):我叫邓侃,以前在CMU读书读了七年,方向就是机器人和人工智能。我现在做什么事情?搜集全国的三甲医院优质病例,挖掘临床路径,用最少的化验和检查,最低的成本搜集足够的但是最少量的病情分析,然后用于支持临床诊断。

  王田苗:这个项目实际是一个展望,由电子学会、北航、机器人杂志社还有新智元联合开展,机器人杂志社偏重智能硬件机器人,新智元更偏重于人工智能,偏重于软件和思考。

  关于框架确实比较难预测,一般来说叫宏观展望,也不能说是战略研究、路线图,这只是一个展望。

  首先,AI 的含义很重要,内涵、定义,还有理论和技术上的突破,应用突破、社会可能的影响。

  我们很希望我们的“2049展望”分这五部分。其中计算和理论的突破确实不清楚,需要杨静来牵头和大家一起探讨。理论上的突破可能会在哪儿,会不会在脑科学、类生命体,会不会在整个学习推理以及行为等等,还有生物感知、大数据,还有真有人的情感,以及实现这种技术上的操作系统、芯片、接口。

  未来20年、30年人工智能推动这些领域的变化可能是哪些?国家安全、智能制造、金融、汽车、医疗、智慧城市、服务家庭。这种技术和理论突破、社会形态、产业结构、生活的改变情形是什么?

  社会形态是怎么发生变化的?我的理解,社会形态变化,有可能是源于我们的产业变化,也可能是源于产品变化。从蒸汽机、汽车、飞机、计算机、芯片到空间站,都是这样。为什么会有这个看法?人的需求和人的内在影响社会变革。

  比如说过去,由于安全问题出现了国王,出现了军队,因为打猎打不上,饥饿以后引出了农业贸易。最后因为物质产品缺乏出现了工业城市以及商务,工业出现竞争,竞争出现了自动化,出现了机器人。健康也一样,通信、计算机、航空,娱乐业都是这样,还有分享。社团组织就是分享,意味着什么?真是供给侧,产品过剩了,工业品弱化了,这么理解才知道为什么欧洲工业在衰落,因为它不需要,汽车也有了,房子也有了,电视有了,空调也有了。需要旅游需要吃饭需要分享需要社区。就像我们说的就业失业,30年后不排除会不会工作只三天,另外两天在家工作,社会形态就发生了变化。

  你不能回避这个周期,中国很幸运,在90年代初期,华为也好还是联想也好,用友、TCL、科隆都是那个时代创业的,2001年中国加入WTO,互联网、房地产和汽车拉起来了,这是世界的,在这个节点上中国每次都抢住了机会,从2010年全球第六名,2015年一下子变成第一名。

  现在是低谷,后面整个世界经济复苏可能会对人工智能其它方面构成很大的变化。导火索:2013年世界各个国家领导人引进颠覆世界的变革,人工智能有知识自动化、有云计算,都属于这个范畴,当时这里面没有人工智能,自动化定义来说是这样写的:科技改变世界。

  有人觉得未来整个经济振兴其实就是技术革命和全球贸易的自由,企业要市场化自由,国家要自由,才能复苏。

  这里面引出排序一到五名超级的股票,从01年到06年,科技确实在改变着市值,GE、微软、美孚,花旗银行、沃尔玛,后面沃尔玛就没有了,2011年美孚上来了,苹果、中国石油、壳牌、中国工商银行,又过了五年,全是科技公司。

  技术革命和自由的贸易实际贯穿整个发展过程。技术的革命靠科研投入。现在有两个现象,国家不断投入,企业投入比国家政府还多。这里面显现出中国、欧洲、日本和美国,中国上升还是很快的。这里是投入的经费在 GDP 中的百分比。

  在这样的前提下,大家觉得这个时代到来了。大家还是有一些争论的。人工智能由于它是软件它是智能,它是大数据物联网造成的,所以它从toB直接进入toC,机器人会很慢,安全、法律、成本都是原因。

  高盛对人工智能未来几大领域和几大关键技术的报告,农业、金融、医疗健康、零售业、能源,机器人,人工智能,从自然语言理解到培训到语音到网络到传感以及到视觉等等,人工智能像电,人工智能将来像付费的电一样,付费就能买人工智能解决方案,可能会在消费,可能会在产业,可能会在新金融上(应用),这是人们现在所思考的。

  我自己学习包括分类包括思考的结果是,近五年、后十年的变化,原来是ERP,现在是商业智能。

  工业机器人用的快,特种机器人将来可能是服务而不是销售,从干细胞到精准机器人。toC 上手机智能终端,将来就是可穿戴式,不带手机,无处不在。

  底下的这块是软件,上面是有形的可以摸得到,现在普遍认为人工智能软件应用最快的是金融,其次是医疗、监控、零售业还有家庭物联网、远程教育,到了后面可能就是变成一个公共的服务内容,从银行到餐馆,从对话到自然语音翻译,从家庭物联网到工业物联网。

  从未来看,现在我们理解 AI 的应用已经出现了,比如生活服务秘书、秘书助理、泛娱乐等等。

  展开——人工智能目前最成熟的部分是深度卷积神经网络和深度强化学习;未来三到五年最有可能突破的是半监督的方法。

  杨静:下面我们就2049的议题展开讨论。近期人工智能和深度学习的突破点,包括技术上面和学术层面上面可能的突破点,我们先聊三到五年内人工智能学术和产业可能发生的变化,能不能邀请邓志东教授先来做一个分享。

  邓志东:人工智能的核心是深度学习,包括两部分,深度卷积神经网络和深度强化学习。这两部分目前是最成熟的部分,可以做产品开发和产业发展了。但这两部分本身也有局限。

  深度卷积神经网络现在涌现出许多极其成功的例子,包括人脸识别等。什么叫人工智能?迄今有许多定义。几十年了,都说自己的方法是智能的,智能这个词已经说的很大众化了,谁都说自己是智能的。那什么是真正的人工智能?这个问题比较大,但还是可以说清楚。

  如果说人工或机器智能接近于人类水平——达到或超过就更不用说了,那我们就可以说它是真正具有智能的。把简单的逻辑判断称之为智能显然是不科学的。在现阶段,在所有算法中,只有大数据驱动的深度卷积神经网络,还有深度强化学习,确确实实达到了人类水平,甚至超过了人类水平。

  基于深度强化学习的 AlphaGo 明显比人类棋手强。应用于垂直细分领域的深度卷积神经网络也是一样。现在发现根本不需要LSTM之类的递归神经网络,纯粹用深度卷积神经网络实现的递归神经网络就可超过传统的语言建模方法和结合LSTM的方法。最近Facebook发布的神经机器翻译系统就仅用了纯粹的深度卷积神经网络,比原来的方法速度提高了九倍。深度卷积神经网络和深度强化学习,这两个是比较成熟的,实实在在的,确实是智能的东西,接近于人类水平或者超过人类水平。

  第三次人工智能的复兴不是虚幻的,不是泡沫,是实实在在的进步,至少有上述两个革命性的进展,其他前沿技术目前还在探索。

  前沿技术探索这块,未来三到五年最有可能出现突破的就是半监督的方法。对半监督的需求很强烈,现在深度卷积神经网络很好,但是它有缺点,即依赖于完备的大数据,没有大数据喂食就不可能达到人类水平,这是很明显的。但是获得完备的大数据,付出的代价太大,很多应用场景可能得不到,比如把全世界的火车照片都搜集起来,这是不可能的事。我们希望能够做一些小数据、小样本或小标签的半监督学习,数据不大,但是还能够达到人类水平。

  我们做过很多实验,人为地去掉一半甚至去掉1/4的标签数据去训练深度卷积神经网络,希望网络能够具有举一反三的能力,通过小样本或小数据的学习同样能够达到人类水平。这部分不管是利用生成式对抗网络,还是与传统统计机器学习方法的结合,或者与认知计算方法的结合,总之难度较大。人不完全是基于特征提取的,我们看到了土狗的照片,从来没见过藏獒、宠物狗,但通过举一反三就能够识别出来。这靠什么?靠推理。人类靠推理获得更强的泛化能力。我们现在的深度卷积神经网络是靠多级多层的特征提取,如果特征提取不好,这个识别结果就不好,达不到人类水平。总之,特征提取要好就必须要有完备的大数据。但不管怎么样,具有推理能力的半监督或者无监督的深度卷积神经网络三到五年会有突破。

  通用人工智能这部分需要的时间更长,三到五年能不能突破不知道,但是意义非常重大。

  事实上,两件事情的意义都很重大。如果半监督、无监督(学习)突破之后,很多行业应用包括人工智能场景研发都会快速推进。现在很难得到完备的大数据,付出的代价太大。实际应用时一般通过数据迭代、算法迭代向前推进。从这个角度来说,AlphaGo中体现的深度强化学习代表着更大的希望。因为它也是基于深度卷积神经网络的,包括以前用的13层网络,现在用的40层卷积神经网,替代了以前的浅层全连接网络,它带来的能力提升是很显著的。为什么它更有意义?首先它有决策能力,决策属于认知,这已经不仅仅是感知智能了。其次AlphaGo依赖的仅仅是小数据的监督学习。3000万的6-9段人类职业棋手的棋局,对人类来说已经是大数据了,但对围棋本身的搜索空间来讲则是一个小数据。不管柯洁还是聂卫平,一辈子可能都记不住3000万个棋局,但19x19的棋盘格上,因每个交叉点存在黑子、白子或无子三种情况,其组合数或搜索空间之巨大,超过了全宇宙的粒子数。对如此复杂度的棋局变化,人类的3000万个已知棋局真的就是一个小数据!AlphaGo首先通过深度监督学习,学习人类的3000万个棋局作为基础,然后利用深度强化学习,通过自我对弈、左右互搏搜索更大的棋局空间,是人类3000万棋局之外的棋局空间,这就使AlphaGo 2.0下出了很多我们从未见过的棋谱或者棋局。总之,深度强化学习有两大好处,它给出的是决策,跟认知联系起来。第二,它不依赖于大数据。这就是前面说的半监督和无监督学习方法。AlphaGo 深度强化学习会非常火,因为它是在认知层面上进行探索,而且不完全依赖大数据,意义重大,魅力无穷。相信深度强化学习非常有潜力继续向前发展,将大大扩展其垂直应用领域。但是它本身并不是一个通用人工智能。AlphaGo 只能下围棋不能同时下中国象棋、国际象棋,因此还只是专注于一个点上面的。

  实现通用人工智能,把垂直细分领域变宽或者实现多任务而不是单任务学习,对深度神经网络而言,不知道这部分有没有什么样的技术途径可以往前走,但是肯定要与符号主义的认知智能结合。

  从脑科学的角度去做当然是可能的途径之一。但短时间之内未必能够把大脑的高级智能活动搞清楚。现在的人工智能复兴,真实的突破不是靠脑科学推动的,完全是因为卷积神经网络模型,这很早就有了,还有大数据、GPU的发展,这有时代的进步,历史的偶然。脑科学的发现也带来了进展,比如IBM利用脉冲神经网络把类脑芯片的功耗大大降了下来,当然这仅是一个工程问题,而且神经元的脉冲响应,早就写入了教科书,是常识,不是现在的脑计划刚刚发现的。总之,未来人工智能是不是靠脑科学推动不知道,因为脑科学本身在短时间之内未必能取得很大的突破。

  通用人工智能没有很好的线索往前走,原因一是因为神经网络本身是黑箱式的,二是因为传统的卷积神经网络不能完成多任务学习。可以考虑跟符号主义的认知智能结合,但必须是在新的起点上,即在已有感知智能的基础上,利用更高层次的自主学习而非以往的规则设计来进行。

  事实上,人类的技巧性规则也是通过自主学习获得的。一个司机从驾校毕业到开了几十万公里变成很有经验的老师傅,整个过程其实是通过长期训练得到的,驾驶技巧或规则被模糊分割得越来越细,对紧急情况的处理,也拿捏得越来越细腻与及时,但是这些规则,其实只能意会不可言传,很难被总结为基于规则的专家系统。总之,这些规则是通过学习得到的,不是靠人工设计的。希望基于深度卷积神经网络和深度强化学习,与认知智能结合,在更高的层次上进行学习,实现规则的学习以及更高认知粒度的学习推理。从某种意义上说,认知水平的推理或能获得更强的泛化能力。例如,我们倒车入库的时候不是都靠感知,如果后面因盲区看不见,我们就靠推理,看车的后视镜跟侧方泊车差不多平行,不用感知智能,靠认知智能也能把车停好。

  邓志东:看谁学的多,谁学的时间长。AlphaGo都出自同一家公司,就靠概率了。如果是腾讯的绝艺和AlphaGo就有的一拼。

  邓志东:其实就是它们平时训练时的一次自我对弈而已,可能有胜负,与开始布局或初始条件有关,靠概率。

  邓侃:不一定平局,围棋是决定性的,如果你能算出来每一步的话,谁先落子谁赢,按照现在的规则。除非你的规则偏了,因为那是决定性的game,完全是靠规则,规则偏一点那就是决定性。

  王田苗:AlphaGo完全超过人类了,假设我们把AlphaGO放到金融上,这个世界上最后的炒股师是不是就是一个AlphaGo?

  邓志东:有可能,比算法或技术先进,还要比大数据。大数据是基础,必须要有基础,然后再做深度强化学习。

  杨静:中国没有一家能够跟这四家(指上文提到的谷歌、微软、亚马逊、IBM)一个量级,还没有。

  杨静:你拥有的数据仍然是小的,我们上个月在阿里开4月论坛,提到一个问题,现在顶级会议里面1/3的论文都是生成式对抗网络,这里面生成式对抗网络往往要用上亿数据,这样在调数据的时候也非常困难。这里面指出来,得自己生成数据,现有的数据对它来说不够用,积累的数据是一块,未来生成的数据又是更大的一块。我们所谓说的数据优势,首先人本来是一个优势,但是现在恐怕柯洁这个案例说明人也不是优势。再来说数据有优势,可以生成新的数据,而且新的生成数据质量可能比人的数据质量要高。

  邓侃:下围棋可以对抗,这个没问题,但有一些很难用模拟的数据来教机器学习,医疗就是一个例子,不能模拟给某一个虚拟患者吃什么药,模拟他有什么生理反应,模拟再做一个手术诊断,那没有意义。

  王教授提出一个非常好的命题,如果说到技术壁垒的时候,那对于中国来讲,在大数据和人工智能领域里面,中国的防火墙等等,是不是事实上形成了一种行业壁垒?我的看法,我们可能要换一个说法,不是说我有壁垒,而是说我们中国应该引领全球,为全球的人工智能做出更大的贡献。DeepMind 跟我讲,我的东西非常先进,你这儿的数据有3.7亿病例,能不能合作?前提条件是保护中国医疗数据的安全,这个是红线。我问过卫计委的官员,问过大牌医院的院长,有没有可能在保护数据安全的前提之下跟全球的顶级公司合作?当然是可以的。为什么不可以?“一带一路”中国要走出国门,“一带一路”高铁引领、网络方面华为跟在后面,如果咱们的中国医疗队也上去了,这是多好的事情!改一下王老师的提法,不是说壁垒,而是我们正好有这个优势,我们要引领全球的发展,要“一带一路”。

  邓志东:现在的方法还是依赖大数据,没有带标签的大数据肯定不行。即使是深度强化学习也是有条件的,AlphaGo2015年跟樊麾,2016年跟李世石,首先把人类三千万的棋谱基于监督学习表达成深度卷积神经网络的连接权,相应表现为基础性的价值网络和策略网络,之后的深度强化学习不是完全盲目随机搜索的,它利用了这两个深度卷积神经网络的泛化能力作为启发式知识,通过降低搜索宽度和深度进行自我对弈,利用深度强化学习进一步完成新的棋局的探索。大数据要求完备性和真实性,其中真实性非常重要。如果是虚拟的数据,就看应用场景了,通常未必能行。

  张瑞君(雅瑞资本创始人):国与国的竞争,以前靠武器,现在靠金融,金融一旦侵入或者金融垄断之后,一下子就把国库搞垮了,比如2008年的金融危机。

  我们国家金融方面前不久的股灾,一堆人在救,我们政府在救,国家队在救,其实无济于事,出现千股跌停、千股涨停、千股复盘的现象。AI今后对金融影响最大,那么我们现在非常荣幸,有很多做人工智能的专家在这儿,我们对这块怎么思考?一开始的时候,整个信息化在中国应用时,中国是很落后的。有一些觉醒的人做中国的财务软件,使得这块应用突飞猛进发展。

  特别需要指出,搞人工智能搞信息技术的人往往不去关注金融和产品应用。现在又到了一个时点,搞人工智能的人搞技术的人常常把我们的视角和注意力放在工业等等很多方面,金融是不是需要考虑?怎么考虑的?这是一个社会问题。

  邓志东:金融安全事关国家全局战略安全,涉及到经济社会发展的大局。金融大数据很多是结构化和半结构化数据,表格定制的数据多,数据质量非常好,特别适合于大数据人工智能的应用。

  现在的主要问题在哪里?两张皮,搞金融的人不懂人工智能,搞人工智能的没有金融大数据,主要就是这个问题。

  张瑞君:我看到,像美国人工智能专家开始进驻金融去研究,取得很多的成果,IBM 的沃森也开始搞这一块。

  在我们这里,金融和搞AI的人根本不结合,没有看到我们国家有这样一些突飞猛进的发展,不知道未来会是什么。

  邓侃:我给杨老师发了一张照片,瑞银几年前的交易大厅和现在的交易大厅,很震撼。人工智能的的确确是能够在金融行业发挥巨大作用。第二个问题,为什么在中国还没有看到这种天翻地覆的变化,虽然有第四范式这样的公司在尝试。作为一个创业人,我也跟他们比较熟,说句直白的话,我们的金融业行业壁垒非常高。

  人工智能技术本身确确实实在金融业发挥巨大的作用,但在特殊的环境之下,想在金融里面做人工智能创新确确实实不太容易。

  邓志东:包括上海富国基金等都有人工智能金融团队,还有初创企业,半年来我至少接触过好几个团队,而且搞得相当深入,咨询都做到了调结构调参数的程度。

  杨静:证监会有一个金融科技委员会,我也算其中一个成员,目前无论是区块链还是自动交易,我们都在做,而且相关的创业公司也不少,人工智能的金融领域,用深度学习来做金融服务其实是IBM、微软最大的业务方向。另外,百度做了很长时间。阿里蚂蚁金服搞的就是这套。金融是一个天然会用AI的领域,全都是数据,是最标准化的,有很多公开数据。

  脑科学与AI——深度神经网络学习好的网络框架结构是固定的,大脑识别则是一个动态的过程

  何晖光:关于智能的本质是什么?它怎么测量,怎么评价,这些问题基本上现在都不是很清楚。

  中科院专门成立了脑科学与智能技术卓越中心,以上海神经所和自动化所牵头,其目的是想将神经科学家和人工智能的科学家汇聚在一起探索。刚才邓老师说的,深度学习在很多领域都取得成功,但是它其实还有一些缺陷,比如深度学习依赖于大数据,它不是小样本学习,而且是专用的人工智能。你用下围棋的模型去下象棋又得重新学,缺乏举一反三的能力。包括鲁棒性不够,你学习出很好的模型,把对抗样本的一个参数稍稍调整一下,人眼都能识别出来,但是它会识别错。基于这方面的考虑,怎么从大脑思考的过程中学到一些经验,通过这个经验去引导深度网络的结构建模是一个重要的研究方向。脑科学对计算机领域也有几个比较重要的启发。像HMAX模型,还有非经典感受野等,即使拿增强学习来说,也是在生物学中间首先提出来,并得到验证,在大脑里面存在奖赏回路,有多巴胺的分泌,如果做对了的话,大脑会感到兴奋。

  怎么从大脑研究当中得到一些启发,5月8号中科院学部专门组织了一个脑科学与智能技术论坛,讨论相关问题。目前深度神经网络学习好的网络框架结构是固定的,大脑识别则是一个动态的过程,如果能够把将大脑的认知过程引入的话肯定有更好的效果。现在的模式识别是在建立一种映射的联系,是静态的映射,我看到一个人远远地过来,我可能先看到他的背影,看他走路的姿态,然后逐步去判断和识别。而不是先去提取一些特征,然后再做分类,再做识别。其实在很多年前,模式识别和控制联系非常紧密,我们要做的这块确实是要把模式识别和控制包括动力系统等结合起来。

  邓侃老师刚才有一句话,我做一个回应,邓老师说“神经网络生成很多数据,医学上生成数据没有意义”。这个我有一点不同意见,你的生成数据,比如手术模拟,能够更好地去引导你怎么做手术。即使是制药,通过一些模型,通过计算药物的反应是什么,通过建立一套模型,也是可计算可模拟的。建立一个计算系统或者模拟系统,和人的系统两者互相启发,通过大脑研究的模型去引导人工智能的神经网络构建,反过来通过人工得到生成的数据或者得到一些好的经验,可以引导更好地去研究大脑,这样的话就可以促进这两个学科的发展。

  王田苗:泛泛来说,无论是机器还是智能,有两条线,人的智能和现实中的智能机器,你会发现外在可能实现同样的功能,但内在大不一样。计算机深度学习,人脑不是这样的。我们拿机器来说,人是靠肌肉的,现实是靠电机的。用机器能耗很高,用人脑触发就很低。这个会汇合,还是现实中走来走去还走不到一起,只是外在相似?

  何晖光:目前计算机体系是冯诺依曼体系,计算存储分开,现在IBM的TrueNorth芯片是模仿神经元突触的连接,计算和存储合二为一。

  邓志东:脑科学很尴尬。现代脑科学的研究有四个层次,一是在神经生物大分子层次,也就是从神经分子生物学,从神经细胞中的DNA、RNA、蛋白质这个极微观的角度研究脑的结构与功能,国外这是一个很火的专业。大数据为百姓消费保驾护航,第二个层次是神经细胞或神经元水平,迄今已发展60年的人工神经元网络就是在这个层次。第三个层次是功能模块,例如外侧膝状体(LGN)、V1、V2、V4、AIT、皮层功能柱等。第四个层次是回路、通路水平,例如视觉通路、听觉通路、体感通路和运动通路等,特别是多个通路的整合。以前仅在细胞这个层次开展工作,只见树木不见森林。现在大家都知道不能只走细胞层次,得走功能模块、回路、通路及其整合。为什么比较尴尬?因为通路的底层还比较清楚,一到高层的智能活动就搞不清楚,很多认知机理都不清楚,比如高级视皮层的反馈机制,前额叶的整合机制等,因为它们与其他通路及模块的连接太复杂了。

  邓志东:类脑芯片在应用于识别问题时使用的就是深度卷积神经网络,只不过芯片本身使用了脉冲或发放神经元,可以有效降低加速器芯片的功耗。神经元产生的是脉冲(spiking),而且还可以用Hodgkin-Huxley神经元动力学方程进行描述,这一工作获得了1952年的诺贝尔奖,早已成为利用数学模型解释神经生理学实验结果的典范。

  何晖光:我们最近做的一个工作比较有意思,可以通过扫描大脑的数据,将他看到的图像重建出来,这个工作被MIT Technology Review头条报道。相当于你去看一个图片,你的大脑有一个反应,然后我们通过大脑的反应,将看到的这个图片重建出来,目前重建只能是简单的数字或者符号。其实大脑里面它对这个目标识别的过程确实是层级化的过程,比如说重建的时候拿V1的信息重建得比较好,但是如果重建这个图片的语义信息那就需要用到IT区的信息,利用IT区的信息,可以较好的识别究竟是一个杯子还是手机。

  何晖光:中国脑计划已经通过了人大审议,可能到明年3月份(能启动),这个计划其实从2013 年就开始提了,现在人工智能2.0走在前面了。

  杨静:原来是说中国大脑计划和人工智能2.0两翼齐飞,脑科学和人工智能是软硬件结合,但是现在脑科学这边有点滞后了,到现在没正式启动。北京的脑计划已经做了,上海也有,国家的话还没有。

  王田苗:邓总,关于人工智能在医疗上确实是很大的发展,机器学习识别癌症。你担不担心法律、安全的问题?医疗大数据这个事情肯定有局限性,你刚才说的那句话——最小数据,但是最有代表性的实例,比如对各个医院来说,突然出现互联网,一卡不能共享,对医院打击很大。会不会?

  邓侃:第一个问题,中国有医疗法,规定医生必须和患者面对面,才有下处方的权利。第二,合法的场所在诊所,不能跑到咖啡店去。第三,你下的处方,你的药,必须24小时之内到达患者手里。这个东西和人工智能没有矛盾的地方,人工智能在学术界称之为 CDS,Clinical Decision Support,帮助人类提高生产率。

  三院有某某医生,每天忙死了,大概看一百两百个患者,每星期忙死了,不睡觉也只有24小时,但是想找他的人很多,这是典型的供给侧问题。我有一个电脑把他以往的病例全挖出来,经过基本整理,配一个团队,极大的扩大了名医工作的能力,这是第一个问题。

  第二,中国是极端的医疗资源不平衡。为什么全国人民跑到北上广看病?如果供给侧极大地提高医生的水平,这是一个极好的事情。

  王田苗:人工智能对于医学的变革,包括精准度,确实起到很大的作用,这会不会由于法律问题会制约发展?我内部了解过报告,GOOGLE 就骂美国卫生部法律不改,其实它掌握最准确的东西。比如吃药的效果不同,哪个药的效果好,包括X片的识别,它不敢做应用,法律上说会你的原始数据从哪儿来的,数据是不是合法的?会追溯这个。

  邓侃:第一是临床诊断临床决策,第二个是实施的临床路径。有两种方法,马云或者GOOGLE这种大腕儿经常会说,七年之内医生要失业一半,把人都吓死了。拿业界的话说,这叫体制外颠覆体制内,这是典型的互联网思维。拿互联网的新武器,这基本感觉像当年的西班牙人扛着枪跑到南美洲,把印第安人轰走了,这是那种颠覆。我们的看法是,这个路径是很危险的。里面有两个不尊重,第一,我们对人体的了解还是有限的。刚才这位老师说能不能模拟人体?我不看好。很多药厂跟我们谈,能不能从病例当中分析疗效?很难。到目前为止,用各种探测手段,我们对代谢、药物吃下去发生什么过程搞不清楚,刚才说的思路是对的,能不能做一个数字人体来模拟整个过程?爆炸都能模拟,为什么人体不能模拟?真的是这样。核聚变我知道是怎么回事,人体怎么吃东西的真不知道。所有体制外颠覆体制内的言辞,我觉得说实话,从我个人角度来讲有点傲慢。我们对人体不了解,你怎么能说颠覆?这是第一个事情。

  第二个不尊重。人类医生有很大的问题是所谓经验,我们到目前为止对什么叫经验其实不太清楚,但是有一种直觉,模模糊糊可能是深度学习当中的触发函数,一种假设。谁能证明这件事情?有一些言论从体制外颠覆体制内,表现出对医生行医经验的不尊重,到底是什么经验我们真不知道。

  两个问题之下,比较稳妥的方案,我们从体制内帮助体制完善,而不是一下子把人给掀了。

  何晖光:为时尚早,我从99年开始做医学图象,跟很多医生打交道,以前医生看片子拿胶片,我们研发PACS系统去帮助医生看片,现在我们研发计算机辅助诊断系统,我们所做的工作都只能是辅助医生诊断,绝对代替不了医生。

  王田苗:体系结构会不会颠覆?我们现在所有的算法还是工程方法,数据和计算是分开的。

  邓志东:今天人工智能的成就真是历史的偶然,游戏的发展让我们有了强劲的GPU,移动互联网与云平台让我们有了大数据,加上以前的算法,都是很偶然的事情。卷积神经网络算法,也只是从脑科学中获得借鉴或启发。

  邓志东:脑科学在神经细胞层次做,相当于置身森林里,对每个树进行研究,意义不大,必须对整个森林进行研究。细胞层次太低,要努力达到功能模块和整个通路的层次,甚至是各个通路整合的层次。

  王田苗:这个结构出不来,意味着体积和能耗无法替代。人的智能消耗多少瓦?芯片的计算能力没有可对比性,单项超过人,综合的不可能。

  何晖光:DeepMind 有一个工作,是把记忆模块加到神经网络里面,他们把记家族谱系作为一个外部的知识引擎,后来把这个模型扩展到伦敦地图里。

  邓志东:目前的深度学习方法只有识别能力没有理解能力,没有语义是一个很大的问题,这块也是它有别于人的缺陷之一。

  王田苗:假设在人工智能理论上,想突破的三个方向是什么?未来人工智能的应用,理论上有GOOGLE公开了,学习算法不用了,这个已经没有门槛了,实际谁有强数据就能占领制高点,这是第一个结论。这个事情制约了理论,刚才说有了数据、开源分析,多加几个清华、北大的人才就可以了。

  邓志东:从人工智能产品开发与产业发展的角度来讲,从某种意义上说,“人工智能+”就是“大数据+”,关键是怎么选择特定的应用场景,方便得到大数据,而且容易对大数据进行清洗和标签,这是一个方面。对研究机构来讲,则是前沿技术的探索,我觉得可以做如下三个方向的研究:

  第一个方向,半监督、无监督(学习)。前面说过,一是利用深度强化学习,二是先在其他同类大数据上进行模仿式的监督预训练,然后再进行小样本监督学习。那是否还有更好的半监督、无监督深度卷积神经网络方法?

  第三个方向,与知识图谱的结合或者与认知智能的结合,也就是基于学习的连接主义与符号主义的结合。

  邓志东:不是,这是建立在新的起点之上。以前完全是悬浮在符号层面进行规则的人工设计,现在有了感知智能带来的“模式”识别能力,而且即使在符号层面,也都是基于学习进行的,比如使用LSTM等递归神经网络,利用大数据或小样本。

  邓志东:那个目前就是做启发式全局优化计算。粒子群、蚁群、狼群等各种群体智能方法都写到教科书里了,许多方法上个世界90年代就有了,只不过近期一篇Science论文现在又火起来,但怎么去做“群体”智能而不是优化计算,还需要深入思考。

  杨静:这就是我们这个论坛的意义所在了。为什么不呆到黑屋子里面想,要开一个会?因为会有智能涌现出来。

  在开放复杂的巨系统中,解决问题的方法论就是人机结合的体系,但是它是一个方法论。我读博士的时候,没有深刻的体会,现在做相关工作 20 年之后,发现我们所做的东西都是在这个体系架构中间。

  马康炜:新奥集团本身是传统企业,在这个时代下,在快速扩张发展的过程中,必须关注人工智能大数据和行业大数据。我们涉及的产业非常多,除了能源,还涉及到医疗、健康、新能源等,积累了很多数据。以前这些数据固化存在,只是一个记录而已,并没有活化起来。现在希望通过人工智能注入到企业把数据重新活化。帮助传统行业创建新的业务模式。通过新的业务模式,实现对传统行业的智慧升级。

  去年我参加AVS会议,和包括海康威视、清华、中科院的专家探讨IoT 相关标准和视频标准化制订的工作。相信在不久的未来,IoT标准化之后,更多数据将互联互通。5G时代的到来,将推动数据互联的飞跃式发展。

  未来方向的主旋律都将围绕着我们如何利用数据帮助行业进行创新应用或者赋能展开。我相信未来三到五年,在普适性的人工智能出现之前,一定是以行业为主力点。

  王田苗:能源问题,拿智能建筑来说,人们关心每个屋子的温度耗能多少,灯开了没有,这个物联网五年后大城市是不是能够铺完?

  田海亭(新智研究院 能源创新业务产品总监):对于能源和大数据分析,现在是一个最好的发展窗口期,从2010年开始,国家一些大的能源运营商开始摸索着建立一些各自的能源物联网系统,国家电网公司、南方电网公司、华润公司等都已经有所尝试,有了一定的应用基础和数据积累,比如刚才所说到的建筑的能效提升等应用。为什么说现在是一个最好的时候?从2015年开始,咱们国家从决策层面开始大力推进新的电力体制改革,在“十三五”规划中指出推进能源与信息、材料、生物等领域新技术深度融合,统筹能源与通信、交通等基础设施建设,构建能源生产、输送、使用和储能体系协调发展、集成互补的能源互联网。

  原来电力系统是包含发、输、变、配、用整套流程的独立体系,煤炭是煤炭的体系,油气是油气的体系,各自独立,经过我们国家的改革,它的方向是什么?把它变成多种能源互补的综合化的能源运营网络,我们叫能源互联网。不管是用户也好,能源运营商也好,能源输送商也好,都将能够参与到能源互联网中,根据权限分享能源流通的数据,原来单一能源体系的物联网架构也将变成综合能源服务的物联网架构。现在到大数据这一块。原来电力运营公司掌握一部分电力运营数据,天然气公司有一部分数据,楼宇有楼宇的数据,区域有区域的数据,经过这种物联网底层的数据传输和信息采集通道打通,能源相关的大数据在能源品类和环节上得到了整合。利用这些数据可以开展对能源用户的分析,比如在用户层面可以对用户的信用进行分析,对未来增值服务的需求进行分析,可以对用户的能耗曲线进行预测。还能够对能源运营商的运营情况分析,还有能源相关的设备分析,还有能源交易的分析等等。

  王田苗:实现之前需要传感器,对于 toB 的,没有传感器就没有大数据。从目前发展的进程看,能源的物联网什么时候能实现?

  田海亭:现在已经在实现中。2010年已经开始,比如国家电网公司的用电信息采集系统,我们每家每户所安装的智能电能表的数据已经被集中到国家电网公司的一套ICT系统的数据库中。现在住建部在推广的多表采集,也是想把水、气、电、热表的数据统一采集,集中到一起。比如这栋楼可以监测所有用户的用水、用热、用气、用电数据,通过人工智能和大数据分析技术,可以分析交费情况、能源运用情况,向用户推送将来的用能建议,比如建议用户什么时候买天然气、电,怎么个买法,通过缴费判断信用有没有问题,通过人工智能给你一个相应的客户服务,类似Siri 这样的技术,辅助用户在线自动缴费扣费,不用专门跑到营业厅,对于比较差的客户,可以调用相关信息进行安全监控。此外,智慧能源跟智慧城市、智慧交通、智慧医疗、智慧安防也能够结合到一起,现在已经在安装一系列的传感器,包括智能开关、智能插座、智能插座等等,跟网关联合到一起实现智能家居的应用场景,包括户内定位、户内双向交互、户内家居控制、户内四网融合、多网合一,不只是单一的能源服务,而是一个公共事业服务和智慧化城市一体化的思维来做这件事情。

  移动通信——根据用户情况自动调节网络组织,以最优的成本提供用户最优的服务

  杨静:中国移动是1.5万亿市值的巨大企业,每年利润好几千亿,是一个巨无霸。对通信行业对世界都是非常有影响的企业,我们有请中国移动研究院的魏晨光副院长给我们分享一下,人工智能在移动通信方面的应用有什么样的发展。

  魏晨光:在这个会议室里面可能只有我是纯粹的外行,真是抱着学习的态度来的。刚才几位专家的发言给我启发很大,我先回答杨总给我出的命题,人工智能在中国移动可能有哪些应用?我个人认为应用范围可能非常广泛。从给用户提供服务的角度来讲,各位提到的医疗领域、金融领域,以及能源、农业、工业等各个垂直行业相关的信息化服务,中国移动或多或少都有一些涉足。大数据技术是实现人工智能的很重要的技术,引入大数据技术对于增强原有的客户服务、垂直行业解决方案的质量来讲,是非常有帮助的。

  另外,运营商自己的网络管理也可以从人工智能的发展当中获益,在引入大数据技术之后也可以帮助我们更好地监控质量、提升用户的验,为用户提供更好的服务。

  第三,移动网络本身。近期运营商层面也有一些探讨,移动通信网,包括无线网络、核心网络、传输网络等,有没有可能借助人工智能技术变得更智能,根据用户情况自动调节网络组织,以最优的成本提供用户最优的服务。此外,客服系统,如10086,也可以借助大数据技术为用户提供更优质便捷的服务。

  对于未来,从科幻爱好者的角度来讲,我自己很期盼在脑科学方面能够有突破。我们对人体,对自己的大脑这一很奇妙的系统究竟是怎么运转的,还没有把它真正研究透。当我们把它研究透以后,也许我们不必从算法层面实现人工智能,可能有新的突破性技术出现。仿生的还是人机结合的或者怎么样,我个人想象不出来,也许在研究过程中就可能会产生颠覆性的新技术来取代今天的计算机。

  杨静:未来三到五年,人工智能定义其实有两种,一种是弱人工智能,简单说就是用深度学习方法来处理大数据。这是产业界现在通用的办法,能从效益上得到快速提升,无论是图像还是语音包括翻译领域,都取得特别大的突破。另一个层面是强人工智能,DeepMind 搞的是这个东西,并不是说五年之内有一个解决方案。未来三到五年这个路径其实还是挺清晰的,刚才各位专家阐述了,无论在医疗、安防还是金融方面——自动驾驶我们并没有展开谈,待会儿邓教授可以分享一下自动驾驶方面。这几个领域里,未来三到五年弱人工智能可能在产业里面落地应用,也就是说实现“ AI+”,这可能是未来三到五年最广泛的也是对整个社会影响最大、产业颠覆最大的作用力。未来三到五年的展望就是深度学习在大数据处理分析上的广泛应用。

  接下来我们来聊聊 2049年的展望,从现在的科学研究看2049年的情况。

  王田苗:现实来看,特别是toB来说,传感器很重要,加上网络变成了物联网,物联网上去以后就给行业做人工智能分析,优化、配置等等。我的问题是,5G 捏在移动手上,5G什么时候在大城市用?5G是不是以它为核心,其它人是不是不能竞争?

  王田苗:另外一个事情是量子通信,如果要做的话国家会交给中国移动,不可能交给外国公司、小公司。这个会不会在未来20年、30年部分能实现?

  魏晨光:有关量子通信我听到的消息,现在做的是单光子,离商用的距离稍微有点远。如果确实能够做到大容量,而且保密程度又很高的话,大家都会用的。但是具体什么时候能够达到这样一个大规模商用的水平,那得看它自己的进展。

  王田苗:我们畅想一下,有时候一谈到 30年以后,畅想这个事还是比较难回答的,畅想还好说,如果预测更麻烦。30年后从社会形态来看,泛娱乐是非常厉害的。每个人个性化,现阶段泛娱乐理解成游戏,今后的文化、电影,各种各样的泛娱乐,通过大数据非常精准能知道哪个热哪个好,有很大的影响,反过来刺激创造这个内容去完善。这是从人的生活形态来看。

  第二,聊天助理出现。社会形态发生的。国外不太愿意用手机打电话,用微信,希望保护自己的隐私。国外有统计,单身越来越多,合法的婚姻在疾速减少,每个人都是独立的,独立需要聊天需要咨询,智能助理的影响会渗透到整个社会。

  再一个,医疗健康。还是从生活形态来看,干细胞和基因对美容对健康的影响,每个人都会有私人助理,不是人而是机器,知道你的体温、睡觉、上次体检的情况,我们谁知道上次体检的信息?信息瞬间集成。我们这些人身体条件好的话,有可能活到上百岁。基因干细胞和人工智能不是分开的,没有人工智能得不出来。人的长寿、私人助理医生出现。

  交通。除了现在的飞机点到点、火车固定线路以后,无人驾驶出来了。原因是除了我们所说的拥挤、环保、交通事故以外,特别有一点是堵车很枯燥。现在来看假设不考虑成本,防控、避障、安全,技术不成问题,主要是法律问题,有人和无人混在一块儿会造成很大的问题。至少在上班的时候,大城市里有 70% 都是无人驾驶了;30%可能还需要人。原因有两点,比如某人很有钱,会有助理帮她扶一下;还有海边、山地旅行特殊地形靠人开,特定区域还需要人开。

  黄华明:今天机会难得,我是来学习的。我从事金融行业,刚才大家都提到。我最近比较关注未来的信用社会,包括我们做投行、IPO,这个行业也将很快被颠覆。最近区块链、比特币,将来可能货币发行体系都会发生改变,一家公司可以发行自己的信用货币。未来30年如果这种情况很普遍,我真的想象不出整个社会信用体系会是什么情况。

  何晖光:我做医学图像这块做了很长时间,技术在进步,X光以前看不到的现在看得到,开始是二维的,后来又有了CT,有了核磁以致分子影像。每一次进步让你看得清、看得准、看得早。对脑科学的观测工具上如果能够有进步的话,肯定会大大促进脑科学的发展。以后有可能在脑机接口方面,各种智能假肢,包括人工视网膜、人工耳蜗都会出现。人工耳蜗现在是很好的应用。视网膜相当于是一个光学系统,它将把看到的影像转变成电信号,大脑的视觉皮层是一个信息加工系统,当视网膜受损,如果我们可以将图像所对应的电信号信号传到大脑皮层的话,那么就能使其“看到”图像。在康复领域,脑-机接口可以帮盲人恢复光明,让耳聋患者恢复听觉。

  如果脑洞再开大一点,如果真的对大脑的信号进行高度解析的话,你在想什么东西,通过这个仪器就能探测到。目前脑电波的分辨率还达不到,前提条件是要有高分辨率的大脑观测手段。另外一方面,还要研究控脑,比如有些人有精神疾病,其在大脑的一些地方有问题,如果我们通过光遗传技术对大脑进行调控和反馈,可以将大脑调节到最佳、最健康的状态。

  无人车智能驾驶这块,确实是比较好的载体,把人工智能各种技术很好地结合。以后把车联网也建立起来,交通效率比人开的更高。现在一会儿一个加塞,一会儿并道,如果车和车之间都联系起来,大家都很守规矩,那确实让交通更有效率。无人车的牌照问题怎么去验证,这方面涉及到法律上技术上的问题,需要进一步完善。

  何晖光:大脑控制机器可以叫做脑控,控脑就是反过来给你刺激,通过外界调整大脑的状态。

  何晖光:人机协同,机器肯定为人服务。在构造机器人的原则过程中,我们要去讨论机器人伦理,机器不能伤害人。如果双方打仗,我的机器人有可能要去攻击敌人,这中间也是涉及到伦理和规则怎么去规范的问题。

  王田苗:30年后会不会一天工作6小时,上午3小时、下午3小时?一、三、五上班,二、四在家工作,有没有这种可能?拿欧洲来说,实际变成了4天半,美国人还加班,欧洲人不加班,星期五下午吃完饭,喝杯咖啡,两点半下班。两个星期打不起精神上班。

  邓志东:电影《攻壳机动队》里面有很多科幻的东西,有很多30年以后的事。会不会有ghost(意识)分离或植入?会不会有机器人义体假肢?人类身体义肢化,义体化,人的一部分组织器官被替换掉,或者人的四肢甚至大部分身体都被替换掉?

  最颠覆的是大脑是不是也可以义体化?脑袋换了之后,把ghost植入进去,人已经不是真正的人了,是生化机械人或称赛博格(cyborg)。进一步,人的意识空间是否可以跟外部的网络空间互联?物理上互联互通后,那黑客就有可能攻击人的意识,假如这个人从来没结过婚,但黑客攻击你的大脑造成错觉,让你觉得有孩子有家庭,还有债务负担,也就是人的意识有可能被操控。

  这时人是否基本都是半机械人了?每个人的后脑勺上都有一个标配的网口?脑控、控脑、人半机械化?人的意识是不是就可以永生?是不是有植入式的记忆?长期记忆是不是就可以上载、下载?或进行记忆增强?有关植入记忆的研究,2015年巴黎的一个科学家团队,已做出了一个初步的实验结果。他们通过在熟睡老鼠的大脑中,人为改变海马体位置细胞与奖赏区刺激的相关性,让它在回放强化过程中植入新的记忆。

  杨静:把3D打印一个王田苗教授机器人,王田苗教授的记忆复制一下,这个机器人拥有了王田苗教授的记忆、人际关系,谁是王田苗?

  邓志东:人脑的记忆包括工作记忆、短期记忆和长期记忆。长期记忆存储在海马体里面。大脑皮层的每一个通路都有一个工作记忆(working memory)。工作记忆通过反复强化转化为短期记忆,短期记忆经过反复强化又可以转化为长期记忆。近期国外有一个有趣的实验,既然海马体与其他功能模块或通路有联接,那是否可以通过电极阵列把信号从联接处截取出来,然后将表达长期记忆的神经发放序列存储在硬盘里面,也就是将长期记忆硅基化,这就相当于把你的记忆从“碳基”变成了“硅基”,永生了?神经电信号读出来一点问题都没有,关键是如何解码。反过来用计算机编码的神经发放序列去控制大脑,这个早就有了。例如2007年山东科技大学的机器人鸽子,头部植入了电极阵列,可以接受计算机的命令,完成起飞、盘旋和着陆。

  自动驾驶发展前景乐观,新四化模式清晰,未来传统汽车制造或许沦为OEM代工厂

  邓志东:自动驾驶现在比较乐观,最近有很多很好的消息,包括谷歌Waymo近期已开始在美国凤凰城地区进行公开路测,也包括特斯拉自去年7月与Mobileye分手后,已经度过了最艰难的时期,不但挺过去了,而且还基于Nvidia的新平台完全掌握了类似Mobileye的单目视觉技术。2015年10月特斯拉推出的Autopilot 1.0,主要是和Mobileye合作,实现了许多一流的辅助驾驶功能。去年10月份在量产车上推出的Autopilot 2.0,配备了8个摄像头,12个超声波传感器和1个毫米波雷达。已有超过3亿英里的路测数据,视觉做成了360度环视,据称利用深度学习已做到了人的视觉水平。当然,这要看特斯拉今年年底能不能从洛杉矶自主行驶到纽约,即4500公里全程无干预能否如期实现?这是一个值得未来观察的标志性事件。

  还有谷歌分拆出去的无人驾驶部门Waymo,已有500辆由克莱斯勒Pacifica MPV插电式混合动力汽车改装的无人驾驶原型车,并已开始在凤凰城进行社会公测。他们采用激光雷达为主导的环境感知方案,目前自主研发的激光雷达,其成本削减了90%以上,仅7000美金左右。最新的自主行驶路测数据达到了300万英里(483公里)。从万公里人工干预数来说,无疑代表了目前世界上最先进的自动驾驶技术。此外正与Lyft合作布局共享无人驾驶汽车。很多人认为他们2019年就会有性能逐步迭代的自动驾驶产品出来,也有人认为是2021年。自动驾驶功能是不断迭代的,不是一步到位,而是成熟一个(软件)升级一个。特斯拉也是走的这条性能迭代之路。特斯拉目前在网站上有一个用户知情权协议,即由用户授权公开使用你车上的摄像头数据了,这就是从大数据看商业化进程。特斯拉软件升级之后,功能逐步开放,一个一个开放,成熟一个开放一个。整个OTA无线传输准备好了,软件定义升级也准备好了,测试一个功能,成熟以后就往上面放。现在Autopilot 2.0的软件已经升级到8.1版本。商业化进程不断加快。

  国内做封闭环境下的低速车较多。专注于机场、港口、园区等,当然也能找到商业模式落地。特斯拉和谷歌做的是开放环境下的高速无人车。总之,自动驾驶真有可能是人工智能最具商业价值的垂直应用领域,是万亿美元级别的巨大市场,可以颠覆人类的出行方式。2049年肯定是共享无人驾驶汽车时代。现在汽车产业的发展有所谓“新四化”,即电动化、信息化、智能化和共享化。这个商业模式已经很清楚了。未来北京或许只需要几万辆共享无人驾驶汽车,通过汽车绝对量的大幅度减少,从根本上解决目前的交通拥堵问题、安全问题、环境污染问题和节能问题。传统汽车厂家不会全部消亡,但可能会变成OEM代工厂,就如同现在的上海凤凰自行车厂。

  邓志东:主机厂不是内燃机汽车,而是新能源汽车,关注“三电”系统就可以了。内燃机汽车2049年可能会消亡,极有可能会变成新能源汽车,即基于新能源汽车的共享无人驾驶汽车。

  杨静:明天AlphaGo和古力,另外是AlphaGo和连笑比赛。未来您那个助理也叫AlphaGo,我也有AlphaGo,助理之间就把我们的日程排定了,这个助理很智能。

  邓侃:人的助理、替身、化身阿凡达,我们在做一个什么事情?如果我的机器阅读把所有的病例都提取,可以给每个患者画像,接下去干什么?有没有一个阿凡达或者健康管家,对你的情况非常熟悉?简单的事情,比如提醒你下个星期要去洗牙了;今天晚上东坡肉很好吃,助理马上提醒你别吃,你三高。如影随形提醒你的日常起居,这是管家。

  和5G有什么关系?5G完全网联化。每个人会有一个家庭助手,这件事情促成另外一个大的问题,整个人类的社会协作方式发生变化。我们工作是不是四天?更大的问题是说我们怎么协作?今天在一个屋子里面开会,网上会议室可能就不在一起开会了。以后办公室还要不要?我能不能在海边写写程序?完全可以。如果沟通足够方便,为什么不在海边写程序?为什么需要办室?因为需要沟通。2049年最了不起的事情是个人的阿凡达导致社会的分工协作发生变化。

  杨静:个人的阿凡达是不是仍然属于几个brother出品(指前文出现的谷歌、微软、IBM和亚马逊)?

  邓侃:这是一个很好的问题,刚开始讨论这个问题,人工智能是不是寡头的东西?坦率讲,这个事情上我比较悲观,将来可能真是几个寡头垄断。

  何晖光:三十年河东三十年河西。没准儿过一阵都出来别的,以前诺基亚那么厉害,被苹果干掉了。

  邓侃:我非常看好中国,我们出去老外很怕中国。去年11月份美国国会邀请五个人工智能专家,我的导师是其中之一,他说了一个很大的问题,中美之间的人工智能竞赛问题。在CMU已经是1/3的中国学生。今年的大会第一作者是中国人的多不得了,以前很少的。算法这个东西一夜之间可以变成中国人的了,而且现在还开源,更快。第二,训练谁有好处?大数据来了,中国人多,中国的大数据就相当于沙特石油一样的地位,撼动不了。

  邓志东:强化或再励学习本身已研究了30多年了,是经典的行为学习方法,只是DeepMind将其与深度卷积神经网络结合起来,就产生了AlphaGo。腾讯绝艺组建研发团队也就只有一年多,就发展起来了。

  邓侃:不是今天拍脑袋明天就出来了,谷歌内部跟踪很多年了,不是一夜之间出来的。

  杨静:2049年无论是未来有几个云端的超脑,无论是中国还是美国,总之有几个超脑云。那些虚拟的机器人阿凡达是超脑云控制的,人是不是在超脑云的控制之下?

  邓侃:真的很难讲,各种可能都有。像《星球大战》里面克隆出来没有疼痛感的战士,完全有可能。是不是可以克隆一个我?这个事我不知道了。

  未来聚焦的几个元素:3维信息传输、能源新形式、碳基存储媒介、量子学发展、自动化程度提高后的社会问题

  田海亭:2049年比较遥远,1996年左右是2G出来,2007年、2008年3G出来,2014、2015年4G出来,2020年要出5G,按照这个迭代定律,2049年通信技术可能会有一个很大的提升,涉及到泛域的物联网。我猜想2049年将从信息通信发展到物质通信,现在3D打印做同物质或者多种物质的,复杂的复合性结构做不了。当通信带宽足够宽以后,3D甚至4D打印技术发展成熟,只要本地材料供应得上,预计可以实现可能能够传输的不仅是一个一维度上的信息和二维度的图像,可能是一种三维立体的物质,通过在发送端扫描要传统的物体,在接收端能够再造出一个同样的副本。这样可能会带来对物流业的颠覆,我要一瓶可口可乐,打印出来一瓶可口可乐。

  第二,信息量越来越大以后,基于人工智能,是不是能做到对行为的规划,阻止意外?现在传统的算命是基于神学,到2049年,能够采集的数据量、数据频度、传感器数量已经十分丰富,计算速度也会十分快,通过对所采集的大数据进行实时分析,利用通用人工智能技术,是不是可以实现对人们日常生活行为的预测,预测目标对象下一步做什么,会有什么危险,如何该处行为的优化建议,避免意外的发生?或者对你的人生做一个最好的优化?这是我的一点初步的猜测,欢迎一起讨论。

  关于能源,到那时候要做到便捷、可靠、低耗、智能、环保,理想的状态是用户感受不到能源供应的存在,不用为能源的供应操心。现在说电要花钱,燃气要花钱,时不时还会停电停水停气,让用户还难受,未来的能源供应将以家庭或者建筑能源中心的形式存在,达到自给自足,本地平衡,多能互补,你不需要再去外面去购买能源,用户大部分的用能是用户自己本地就解决了,一些者临时的需求才需要外购。比如通过室内余热的采集、太阳光发电、低速风能发电,就能满足建筑的用能需求。每个房间有一个路由器一样的能源中心控制,精准的控制多种能源的供应和消耗。在交通工具上,未来将有更多选择,比如个人外部骨骼、单人飞行器等,这些交通工具将由一个能源模块来提供能量,类似于变形金刚的能量块一样,个人感觉能量最终会以电能的方式输出,能量块中的能源用光以后,用户可以更换一个新的能量块,旧的可以回收回去补充能量。2049年理想的状态是用户不再去考虑能源供应的问题。

  马康炜:上周参加第一频道的“技术与创新大会”。听阿里云讲的内容,跟我们今天讲的会议内容有些类似的地方。阿里云本身也在关注5G时代的来临对无人驾驶的推动。另外,现在存储媒介主要以硅为载体,现在也有人在研究从硅载体转变为碳载体,人脑的主要成分也是碳。基于以上观点,我认为或许可以解决邓老师提到的人的记忆如何通过脑机接口进行Ghost导入的问题。

  阿里现在投资了一批科学家团队,聚焦在量子计算方面的研究与探索,相信2049年,这几个元素一定会对AI的发展有巨大的推动。

  杨静:还是这个问题,那个助手是CEO还是你是CEO?到2049年,你的大脑是被AI控制,还是大脑控制AI?

  魏晨光:受大家启发,大开脑洞。我对2049年比较乐观。10年前、20年前、30年前什么样?变化太快,2049年一切皆有可能。对技术发展不太好预测,也许有一天会出现一个颠覆性的技术,这个技术会改变人类的生活。即便是颠覆性的技术不出现,依据现在技术路线的发展,我想人工智能在30年后也会深刻地改变我们所身处的世界。我们的衣食住行,涉及到各个方面都会和现在有很大的不同。最后变成什么样?我想象不出来。自动驾驶也好,家庭服务机器人也好,都有可能出现。只是完善程度的问题。由此引发的问题是,当人工智能渗透进各个方面,自动化程度越来越高,有一些社会问题需要提前思考,比如将来的职业规划往哪个方向引导,未来那种状态的社会需要什么样的人,这些也需要思考。

  杨静:有一些专家今天有事没有来参与我们的讨论,上周日北京天文馆60周年的时候,在天文馆有一个科学之夜的研讨。我也把这些问题问到现场的专家,包括中科院计算所的陈云霁研究员,北大计算机系的黄铁军主任,他也是北京脑计划的负责人,我问到他们通用人工智能以及2049年预测的判断和推理。

  陈云霁研究员研究类脑芯片、寒武纪,是海思、龙芯国家脑计划、中国人工智能2.0比较核心的成员。他跟大家今天总的评价是差不多的,认为未来十年还是处于专用人工智能,特别类脑芯片是不是要对现在的CPU和GPU的架构做优化,做深度学习或者神经网络优化的动作。至于十年之后,不好预测情况的发展。

  黄铁军教授属于乐观派,现在脑计划实施的情况虽然没有正式作为国家的战略来宣布,但实际上在北大和中国的其它研究中心已经对很多大脑切片进行了扫描。其实神经原对人类现在的科研手段来说是一个很大的物质,不是不能研究的结构。研究获得了很多的成果,包括欧洲脑计划和美国的脑计划等等。人类基因组计划,原来认为是不可能实现的,实际十年内完成了。他们认为人类的大脑计划15年之内应该是可以完成的,很乐观。现在很多的扫描手段已经把大脑切成很薄的片,而且能够在大脑活动的时候无创探查脑电波的情况。研究不是说没有渠道,从物理上来讲,对大脑的还原是完全可能实现的。大脑的情况研究清楚,怎么进行大脑神经活动的模拟,对于人工智能或者计算机科学来说也不是什么难事,不过是一种模拟的途径而已。总而言之,他认为到2049年可以完成强人工智能,跟人类匹敌的智能实现。

  徐伟也是研究通用人工智能。他讲在全球人工智能的专家中做过一个调研,有 50%左右的被调查者认为有超过 50%的可能性 AGI 在2050年前实现,他提醒大家注意这个概率比车祸高得多,这个概率是很高的,在自己有生之年也许能够看到这样一种场景。

  我们那天讨论的情况,黄教授认为一旦机器超过了人类的智能,你很难去控制它。比如说三原则这种,何晖光说在战争中不赋予机器杀人的权利,它不知道怎么行动,其实智能体在复杂环境中必须有决策和行动能力。杀不杀人,对于它道德的约束还是很多的。我个人相对来讲还是比较同意他们的看法。

  我们现在有人才优势,有数据优势,在国际上仅次于美国,但是在最杰出的领军人才里面我们没有领军人物,没有特别原创性的爱因斯坦这样的人。DeepMind发明AlphaGo,腾讯在追,什么时候能跟它对弈?不知道。我们缺少领军人物和领军的企业,光靠政府可能还是不行的,我们缺产业领军的企业和学术上领军的人物,真正敢挑战通用人工智能。不挑战这个,等于别人有你没有,人家有AlphaGo,你没有。

  王田苗:我想说两句话。第一个问题,教育问题,教育40%的知识是静态的,从网上可以直接获得,可是却花了很大的时间。

  关于杨静刚才说的人工智能所带来的安全、威胁、法律伦理还是非常有意思的话题,我们应该更早重视,涉及到经济、政治。

  垄断性:人工智能国际巨头对大数据和高端人才的聚集,使得部分企业和地区占据人工智能寡头优势,是否会对中小型创新型企业带来制约和碾压。

  安全性:随着人工智能技术的迅猛发展,信息和数据传输量突飞猛进,如果没有数据协议和法律的制约,国家、企业、个人的数据传输是否会受到保护?

  替代性:随着人工智能的发展,机器的精度变得越来越高,自适应学习和深度学习让机器越来越能够替代人类的某些工作,例如工人、保安、银行统计员、教师、记者等,将来是否会有更多的职业被替代?但随着人工智能发展所改变的社会形态和分工的变化,是否会派生出更多的新职业?

  社会性:新的人工智能情感伴侣可能会颠覆已有的婚姻形态,涉及到个人隐私等问题有待解决,人机混合体的权利和定义,行为的界定,如何控制恐怖事件和非正义行为,控制社会不稳定等因素。

  最后再次感谢各位专家,特别是杨静女士把大家召集起来,雅瑞做东,感谢大家分享了很多东西。 。返回搜狐,查看更多

Copyright © 2013 尊龙用现金娱乐一下,尊龙人生就是博旧版,尊龙娱乐人生就是博,尊龙d88.com All Rights Reserved 网站地图