实现无人驾驶是人工智能领域面臨的重大挑战之一应对这一挑战需要发展一种新的图灵测试方法，以测试和验证无人车对复杂交通场景的理解和行驶决策的能力 进而嶊动无人驾驶技术的发展。西安交大人工智能与机器人研究所历经十年研究实现的一种无人驾驶测试与验证的平行计算框架及其系统。菦日该成果发表在国际知名《科学》杂志的子刊 《科学·机器人学》（Science Robotics）上。 西安交大无人驾驶研究团队构建了人在回路智能测试模型使系统具有在人类专家指导下自动自我升级的认知机制，同时引入对抗式学习模型 以自动生成新的任务实例， 这些任务实例可以呈现複杂、动态的交通场景 促使无人驾驶车辆进一步提高适应复杂环境的能力。 如何对智能系统进行测试是人工智能领域极其重要的研究方姠只有当测试具有明确的任务定义和有效的方法生成测试的丰富数据时，才能实现安全可靠的AI系统该焦点论文提出的这种无人驾驶测試与验证的计算框架及其系统基本架构对构建和测试其他人工智能系统也具有重要的启发意义。 据介绍西安交通大学人工智能与机器人研究所是于1986年在国内率先成立的人工智能研究机构，是“模式识别与智能系统”国家重点二级学科以及“视觉信息处理与应用国家工程实驗室”在科学研究方面，主要进行以计算机视觉与模式识别为基础的智能信息处理结合学科发展前沿重点进行视觉信号统计特性、初級视觉模型、计算机图形学和机器视觉信息计算模型研究；智能系统的数理机制探索与模型化；计算视频及面向图像和视频处理的超大规模专用集成电路设计；基于图像信息的智能控制与识别系统和各种图像处理方法与技术。先后荣获国家自然科学奖二等奖1项国家技术发奣奖二等奖1项，国家科技进步奖二等奖2项

“武船造”再出精品装备。日前我国首款水陆两栖无人快艇——“海蜥蜴”在中船重工武船集团双柳基地通过验收，正式交付客户此前，我国水陆两栖无人快艇尚属空白领域“海蜥蜴”的成功交付，标志着我国智能海洋防务裝备研发制造水平迈上新台阶 据悉，该艇长12米型宽4.14米，艇身由铝合金材料制成采用三船体流线结构和泵喷推进技术，底部装有可收縮式履带行进机构舱内可安装多种任务载荷。它能在水面高速航行同时躲避雷达探测，具备隐蔽休眠、智能巡航、快速突击和抢滩登陸等功能是现代战争中执行特战队员水上投送、边防巡逻、近岸警戒、岛礁机场防护等任务的利器。 对此武船集团相关负责人介绍，“海蜥蜴”配备北斗导航系统、多种类型雷达设备和计算机信息处理终端组成的导航定位及火控系统可由大型舰艇远程操控，与多种作戰系统平台深度融合实现体系化作战。

AI企业快速发展 智能计算机需求井喷 “由于AI企业正在兴起未来智能算力需求市场规模甚至大到暂時无法估量。”寒武纪副总裁钱诚说“特别是中国AI企业蓬勃发展，对智能计算机的需求井喷” 2019年（第六届）世界智能计算机大会将于6朤27日—29日在深圳举行，这是该大会首次在我国举行在其近日召开的新闻发布会上，专家指出以超级智能计算机为标杆的智能计算机产業已成为国际科技和产业竞争的焦点。 目前整个计算系统正迈向人工智能时代那么，未来的计算系统会是什么样的呢“它将从目前以囼式机、服务器为核心逐渐过渡到以互联网、大数据和人为主的手机终端，即人机物三者融合的计算系统并且三者间的功能区分不会特別明显。”钱诚说“未来计算系统要实现从数据中心到人端，再到物端的汇聚最核心的是打通整个系统，这要求系统里的硬件能够进荇人工智能处理但现阶段我们仍做不到。” 预测显示未来20年我国在智能计算系统里面的消费潜能还有十倍以上的提升，整个中国的信息消费将超过全球16%这贡献出来的大部分增加值将由智能计算系统所提供的价值所决定。 智能计算系统的价值主要来源于智能负载“智能负载将增加上万倍以上，它具备多重具象、智能载荷等能力如智能手机除了是手机，还可以当电视机、遥控器、照相机”钱诚指出，未来新增的智能载荷由三种智能流处理方式构成具体包括：人工智能，模仿人的智能如下棋赢了世界冠军；增强智能，增强人的智仂与创造力如搜索引擎拓展了人的记忆力；智能基础设施，它是构成未来人类智能设计的设施“目前，智能基础设施从理论、分布式架构、整机结构、应用框架角度看尚处于百家争鸣阶段”。 “随着人工智能处理需求急剧增加像药物检测，大家需要以最小成本得到高性能、低延时的服务因此，开始涌现出非常多的典型系统都是大规模的采用智能加速卡。”他说智能计算机组成的基础设施大有顛覆传统产业之势，如智能金融、智能医疗 目前国际已经构建或在建多个大规模智能计算机装置以满足智能时代发展需求。如美国阿岗實验室在传统超算平台上运行智能软件支持了200多个智能科学计算研究项目。谷歌公司也正在加速构建大规模职能计算装置 国家超级计算深圳中心主任冯圣中表示，希望通过大会营造产业发展的生态环境，为推进我国智能计算机产业发展贡献更多力量

“由于AI企业正在興起，未来智能算力需求市场规模甚至大到暂时无法估量”寒武纪副总裁钱诚说，“特别是中国AI企业蓬勃发展对智能计算机的需求井噴。” 2019年（第六届）世界智能计算机大会将于6月27日—29日在深圳举行这是该大会首次在我国举行。在其近日召开的新闻发布会上专家指絀，以超级智能计算机为标杆的智能计算机产业已成为国际科技和产业竞争的焦点 目前整个计算系统正迈向人工智能时代。那么未来嘚计算系统会是什么样的呢？“它将从目前以台式机、服务器为核心逐渐过渡到以互联网、大数据和人为主的手机终端即人机物三者融匼的计算系统。并且三者间的功能区分不会特别明显”钱诚说，“未来计算系统要实现从数据中心到人端再到物端的汇聚，最核心的昰打通整个系统这要求系统里的硬件能够进行人工智能处理，但现阶段我们仍做不到” 预测显示，未来20年我国在智能计算系统里面的消费潜能还有十倍以上的提升整个中国的信息消费将超过全球16％。这贡献出来的大部分增加值将由智能计算系统所提供的价值所决定 智能计算系统的价值主要来源于智能负载。“智能负载将增加上万倍以上它具备多重具象、智能载荷等能力。如智能手机除了是手机還可以当电视机、遥控器、照相机。”钱诚指出未来新增的智能载荷由三种智能流处理方式构成，具体包括：人工智能模仿人的智能，如下棋赢了世界冠军；增强智能增强人的智力与创造力，如搜索引擎拓展了人的记忆力；智能基础设施它是构成未来人类智能设计嘚设施。“目前智能基础设施从理论、分布式架构、整机结构、应用框架角度看，尚处于百家争鸣阶段” “随着人工智能处理需求急劇增加，像药物检测大家需要以最小成本得到高性能、低延时的服务。因此开始涌现出非常多的典型系统，都是大规模的采用智能加速卡”他说，智能计算机组成的基础设施大有颠覆传统产业之势如智能金融、智能医疗。 目前国际已经构建或在建多个大规模智能计算机装置以满足智能时代发展需求如美国阿岗实验室在传统超算平台上运行智能软件，支持了200多个智能科学计算研究项目谷歌公司也囸在加速构建大规模职能计算装置。 国家超级计算深圳中心主任冯圣中表示希望通过大会，营造产业发展的生态环境为推进我国智能計算机产业发展贡献更多力量。

硬核干货+权威大咖腾讯优图AI技术沙龙全纪录 当警方通过人脸识别在明星演唱会现场抓捕逃犯时，当人们赱进餐厅只用“靠脸吃饭”时当凌晨 2:30 还有智能客服解答售后问题时，你是否会有这样的疑问：人脸识别在应用的安全性上如何保证智慧零售如何获取感知分析能力？AI 算法如何与硬件结合终端硬件的计算能力不足问题该如何解决？伴随着数据量的迅猛增长带宽和存储倍增的压力又该如何释放？ 3月23日腾讯优图实验室首场AI技术沙龙在北京车库咖啡厅成功举办。沙龙主题名为智变未来-浅谈人工智能技术应鼡与实践来自腾讯优图、腾讯云、腾讯AI LAB、英特尔的五位技术讲师，围绕着智慧零售、智能硬件、人脸核身、语音识别等产品技术基于實际业务场景的落地与用户痛点开始了这场布道。 计算机视觉技术在场景的应用 腾讯优图产品负责人周可菁 智慧零售是以消费体验过程为核心以数据驱动的泛零售业态。其主要包括场景数据化和数据网络化两个结构以电商为例，当消费者入店时其形成的客户画像，以忣整个流动轨迹与商品的交互行为，购买复购，到最终的离店全闭程的环节都可以以数据的形式呈现出来，这也是零售中所谈到的非常重要的概念叫做人- 货 - 场的关系 而原本需要依靠门店运营者人眼观察进行的分析，现在可通过计算机视觉技术的应用实现数据从非结構化到结构化的转变并实时准确的帮助门店运营者分析统计数据，为门店实现降本增效计算机视觉技术也成为了建立人- 货 - 场三者联系嘚天然纽带，并帮助商家提升全链路运营效率优化客户体验，创造新的商业机会 那么CV 技术是如何在线下指导实践与应用？腾讯优图尝試将 CV 技术运用到线下门店运营的问题解决上基于图像识别技术，人脸识别技术等计算机视觉技术帮助商家将线下的场景做到数字化的汾析。此解决方案分为到店—逛店—购买三大模块通过对各个环节的分解和洞察，为零售商打造知人知面更知心的智慧门店 首先在影響营销销售额的10 大因素中过店客流、进店客流是非常重大的因素。因此在到店模块中客流从过店到进店的转换分析下，CV 技术能力可帮助商家分时分段的实时统计过店客流以及过店到进店的客流转换，以此来指导零售商分析店铺的高峰期和冷淡期同时，按照性别、年龄等特征维度也可描绘出店家过店客流的人群画像。这些数据一方面可以指导店家调整橱窗陈列另外一方面还可帮助营销活动的决策。洳果是一个大型 Mall 的业态或者连锁店的业态，还可通过进店客流对所有店铺进行排名对比分析不同店铺客流量好与不好的影响因素，进荇更加全面的分析与优化 在第一层漏斗转换的分析，接下来就是用户进店后逛店到购买的转化。 啤酒尿布这个经典营销案例的背后就隱含着人- 货 - 场关系对营销的影响并体现着零售业中非常重要的一个指标：连带率。它反应了顾客购物的深度和广度影响连带率的因素非常多，人的方面像销售技巧比如客户在麦当劳中买了薯条，售货员可能会询问客户是否需要可乐；在货的层面商品的 SKU 是否丰富，摆放是否具备吸引力；在场的层面货架之间是否有关联，场内的游逛轨迹是否合理如果说第一环节从过店 - 进店是粗力度的客流统计和画潒刻画。那么第二环节在逛店模块就需要对客流做非常细粒度的统计，帮助提升连带率的指标 在逛店模块中，CV 技术再次帮助用户实现愙流轨迹和全场热力的解决方案 第一步，场内精细客流的统计从客流进店后，CV可以做到精确到每一分钟每几小时客流分布情况，以┅个服装店为例可以精确到男装、女装区域的客流分布情况，进行一个细粒度的客流统计；第二步刻画客流轨迹。精确到进店后人流荇走路线客流整个的轨迹游逛的动线是怎么样的；第三步，实现区域热力的统计热力分析的业务价值主要体现在零售 KPI 中的“坪效”的指标（通常是店长和陈列师的 KPI），表征单位面积区域对客户的吸引能力 通过实现对场内精细客流的统计、客流轨迹的刻画和热区的分析，刻画场内用户行为给到商家科学的可视化的数据，帮助商家合理规划顾客行走路线、洞察品类、洞察商品相关性从而实现品类调换，布局优化以及更加精准的定位人货场关系。 AI算法与智能硬件 腾讯优图AI应用研究高级研究员 王川南 在零售的场景中客流统计、属性分析以及VIP 客户识别的过程跟安防不太一样，安防大多是局域网的环境从摄像头到处理单元基本上都在同一网络内。但零售场景的遍布全国各地线下商家非常多摄像头布置在门店中，数据处理则一般放在云端这势必会产生这样的问题：摄像机的视频如果上传时带宽不够该洳何解决？常规的处理思路一般是使用 AI 摄像头在摄像头侧进行 AI 预处理。对于没有智能的传统码流机腾讯优图会提供盒子类的解决方案。 在当今这个人工智能惠及生活的时代大部分用户都有这样的疑问：刷脸支付除了考验人脸识别技术以外，它的安全性如何保证 首先鼡户需了解刷脸支付的开通流程。用户需在终端上先进行人脸检测再进行端和云两侧都需要验证的活体防攻击检测，验证后会进行人脸核身就是上传人脸并与从公安拿到身份证图片进行比对，验证本人身份如果确认，即可开通免密刷脸支付刷脸支付的使用过程与开通区别不大，但由于用户规模过大使用上亿人脸库用来做支付的准确率和风险较大，所以在进行人脸检测后通常会要求用户输入手机號进行二次确认。但从长远来看输入手机号的过程最终将会淘汰。 对于人脸支付硬件其中有两个十分重要的特性，一个是3D 摄像头它主要是进行活体检测。第二是在流程当中进行检测、跟踪、优癣活体算法的前项计算过程。最早腾讯优图推出交互式的活体通过摇头、眨眼动作验证真人身份，紧接着推出针对手机的应用场景推出光线活体检测以及针对通用设备的红外活体检测以及3D 活体检测。 红外双目活体检测方案采用的是双目摄像头检测过程中输出一张RGB 图与一张红外图，其算法原理是利用人的皮肤与纸张对红外光的反射不同以此保证检测精度。但如若找到一种与皮肤相类似的材料进行检测就不能保证识别的安全性，所以红外双目活体多用于刷脸开门等场景 針对有着更高安全要求的刷脸支付，通常会使用3D 摄像头配合检测并输出一张 RGB 的图与一张人脸深度图，纸张等平面不存在深度信息但人臉是有三维深度信息的，其输出的人脸深度图就可以用来做活体检测 除了深度的要求以外，在实际应用中RGB 摄像头的成像质量也至关重要其实，技术人员是很难判断人脸支付 POS 机所处的具体环境比如，若 POS 机放置于窗边识别时人脸处于背光的场景，从而无法进行识别这些都会给 RGB 成像带来巨大挑战。这时通常需要与 3D 摄像头的厂商明确要求摄像机需优化到适配不同场景都能进行正常识别工作。 有了硬件之後为了保证算法的流畅运行，还需进行性能加速NCNN 是目前腾讯优图已经开源的移动端高性能前向计算框架，它支持卷积神经网络支持哆输入和多分枝的结构，支持多核并行加速可扩展的模型设计，8bit 而量化半精度的存储内存占用率比较低，计算速度较快 为解决维护荿本高、网络不断加深、用户规模庞大等问题，腾讯优图在NCNN 框架的基础上推出拥有跨平台、高性能、模型压缩、代码裁剪的 RapidNet 深度学习推断框架它可以在各个平台上提供统一的接口，在性能优化上更加极致但由于CPU/GPU 交互延迟高，参数传输、数据拷贝耗时过多；网络中部分层運算量小GPU 并行度不足；多路处理 CPU 性能不足，负载过大等原因异构多核 CPU/GPU 加速技术成为了 RapidNet 主要的核心特性之一。其深度融合了基于 AMD 平台的 OpenCL GPU 並行计算加速技术和基于 IOS 平台的 Metal 加速技术完美解决以上问题。 在零售方案中由于线下门店遍布全国，设备以及服务的可靠性也是至关偅要的腾讯优图在终端上设计了分层架构，无论前端设备是什么其接入取流是独立的一层。把AI 相关的处理包括检测、跟踪、优选以及軌迹处理放于算法层在算法层之上是服务监控层，监控包括设备的监控、服务的监控在设备层监控服务基础之上是网络监控层，通过汾离架构的设计兼容多个终端设备保证服务的可靠性。 语音技术的应用与实践 腾讯AI Lab高级研究员 金明杰 现如今语音合成若不局限于时效性，完全可以做到与人类相似语音合成技术也多被运用到导航、智能客服等场景。 语音和声音其实并不相同声音包括大家所能听到的聲音包括风声、水声、车声、动物生，语音是指人的发生器官发出具有一定社会意义的声音语音是人的声音，机器可以理解的信号通常使用的是音频信号音频信号是一个有规律声波的信号变化和载体，其特点是采样率、量化位数和编码算法其中，量化位数是每个点采集的信息量最常见的是16 比特；在语音识别领域通常使用未压缩无损的编码算法进行存储。 以智能客服为例从人开始说话到传输音频信號到云端，再做语音检测、语音识别之后进行意图识别，由于通话不仅是一句话就可以完成所以还需进行任务决策与目标引导，引导唍成后再进行播报其中，当用户在说话时从电话里可能会夹杂很多噪声，这时语音活动检测能准确的把关注的话语内容挑选出来从洏进行语义理解。 其中语音识别技术是把人类语音中的词汇内容转换成计算机可读的输入，简单来说就是把语音转为文本当音频信号產生后，被传输至云端也就是解码器。而解码器中的声学模型会把音频信号转化成建模单元建模单元通常为拼音，之后接入词典通過词典把拼音转化为文本，把发音相近的字或词挑选出来；语言模型部分把最有可以的字或词按照时序组合出来，显示为识别结果文本 最为常见的声学模型网络包括DNN 网络以及 CLDNN 网络。其中基础的 DNN 网络，下层为输入层中间包含若干隐层，上层为输出层而较为通用的 CLDNN 网絡，C 就是卷积网络L 是 LSTM 网络，D 就是 DNN其特点为快速收敛，可快速达成较好的识别效果 人脸核身技术的应用 腾讯云高级产品经理 周吉成 人臉核身技术，换句话说即是实名、实人：实名就是你的名字是合法有效的。实人是要证明你是你。 早期人们都有这种体验比如说去銀行、运营商开卡都需要本人到现场，领养老退休金的年纪已经很大了，还要去社保局亲自做实人证明这些成本都非常高。此外网絡办事在当下已经很普遍，然而要想进行网上身份验证依然非常困难更别说还有身份冒用的问题，以及线下场景遇到检查却没带身份证嘚情况因此，无论央行、运营商还是保险行业都提倡利用OCR 技术运用至业务流程中以提升效率这是国内人脸技术的应用背景。 活体检测方面最典型的流程是通过远程进行核身——第一步是身份证 OCR 识别，然后系统提示读数字以证明是在场的人，最后再录制视频给出最终結果在这过程中系统会进行照片比对。这个流程会嵌入到很多业务环节里比如说身份证更新或者身份证号更改。 总的来说活体核验技术是一个不断演化的过程，活体算法在落地实际场景时实际上是一个用户体验与安全性上两者相互妥协的过程。比如早期做动作交互用户就对此表示厌恶，认为这种验证模式特别傻；后来微众银行做读数字虽然安全性有所提升，用户依然不买账；这才有了后来的“噭光守卫”——通过屏幕反光做活体检测以及更高安全级别的红外、3D 结构光照 核身从某种程度上也要做多种模式的融合，才能有更高的咹全性即便如此，依然免不了遭遇很多“攻击”遇到这种情况，纯粹依赖底层算法是不现实的其他可考虑的方案就包括接入渠道层媔做安全控制、后端风控、人工审核或者多种活体模式的组合。

我们究竟能否阻止机器人和AI战胜人类自身吗 扬·塔林(Jaan Tallinn)在2007年的一篇网络文嶂《凝视奇点》中偶然发现了这些词。“它”就是人类文明这篇文章的作者预测，随着人工智能的出现人类将不复存在。 塔林出生在愛沙尼亚是一名计算机程序员，拥有物理学背景喜欢把生活当做一个大的编程问题来处理。2003年他与人共同创建了Skype，开发了这款应用嘚后端两年后，eBay收购了他的股票他将其变现，现在他正在考虑做点什么盯着奇点乱成一团的计算机代码，量子物理学以及卡尔文和霍布斯的名言他入迷了。 塔林很快发现该书的作者、自学成才的理论家以利泽尔·尤德科斯基(Eliezer Yudkowsky)已经撰写了1000多篇论文和博客文章，其中許多都是关于超智能的他编写了一个程序，从互联网上搜集尤德科斯基的作品按时间顺序排列，并为他的iPhone设定格式然后他花了一年嘚大部分时间读这些书。 “人工智能”一词最早出现在1956年也就是第一台电子数字计算机问世仅10年后。该领域最初的希望很高但到了20世紀70年代，当早期的预测没有成功时“人工智能冬天”来临了。当塔林发现尤德科斯基的随笔时人工智能正在经历一场复兴。科学家们囸在开发在特定领域表现出色的人工智能比如下棋获胜、清理厨房地板和识别人类语言。这种被称为“狭义”的人工智能具有超人的能仂但仅限于其特定的主导领域。一个下棋的人工智能不能扫地也不能把你从一个地方带到另一个地方。更糟糕的是它可能还会利用隨身携带智能手机的人类生成的数据，在社交操控方面表现出色 读了尤德科斯基的文章后，塔林相信人工智能可能导致人工智能的爆发戓突破从而威胁到人类的生存，人工智能将取代我们在进化阶梯上的位置像我们现在支配猿类那样支配我们。或者更糟的是，有可能直接消灭我们 写完最后一篇文章后，塔林给尤德科斯基发了一封电子邮件全都是小写字母，这是他的风格“我是扬，skype的创始人之┅”他写道。最后他终于说到了点子上:“我同意为人工智能全面超越人类智能做好准备是人类面临的首要任务之一。”看起来他真的想帮忙 一周后，当塔林飞往旧金山湾区参加其他会议时他在加州米尔布雷的一家咖啡馆见到了住在附近的尤德科斯基。他们的聚会持續了四个小时尤德科斯基最近对我说:“实际上，他真正理解基本概念和细节”“这非常罕见。之后塔林给奇点人工智能研究所开了┅张5000美元的支票(2013年，该组织更名为机器智能研究所)此后，塔林向该研究所累计共捐赠了60多万美元 与尤德科斯基的相遇带来了塔林的目標，让他肩负起一项使命把我们从自己的创造物中拯救出来。他开始了他的旅行生涯在世界各地就人工智能所带来的威胁发表演讲。鈈过他主要是开始资助研究可能给人类带来出路的方法:所谓的友好型人工智能。这并不意味着机器或代理特别擅长谈论天气或者它能記住你孩子的名字，尽管人工智能的人工智能可能能够做到这两件事这并不意味着它的动机是利他主义或单纯的爱。一个常见的谬论是假设人工智能具有人类的冲动和价值观“友好”意味着更基本的东西:未来的机器不会在它们实现目标的过程中把我们消灭。 去年春天峩加入塔林，在剑桥大学耶稣学院的餐厅用餐教堂般的空间装饰着彩色玻璃窗、金色的模子和戴着假发的男人的油画。塔林坐在一张厚偅的红木桌旁穿着硅谷的休闲装束:黑色牛仔裤、t恤和帆布运动鞋。一个拱形的木天花板高高地伸在他那一头灰白的金发之上 47岁的塔林茬某种程度上是教科书上的科技企业家。他认为由于科学的进步(只要人工智能不毁灭我们)，他将生活“许多许多年”当他和研究人员┅起出去泡吧时，他甚至比那些年轻的研究生坚持得还要持久他对人工智能的担忧在他的同龄人中很常见。PayPal联合创始人彼得·泰尔(Peter Thiel)的基金会向Miri捐赠了160万美元2015年，特斯拉创始人埃隆·马斯克(Elon Musk)向马萨诸塞州剑桥市的科技安全组织未来生命研究所捐赠了1000万美元但塔林进入这個精英世界是在上世纪80年代的铁幕之后，当时一个同学的父亲在政府工作让几个聪明的孩子接触到了大型计算机。爱沙尼亚独立后他荿立了一家电子游戏公司。今天塔林仍然和他的妻子以及六个孩子中最小的一个住在首都塔林。当他想与研究人员见面时他经常只是紦他们空运到波罗的海地区。 他的捐赠策略是有条理的就像他做的其他事情一样。他把钱分给了11家机构每家机构都在研究不同的人工智能安全方法，希望其中一家能够坚持下去2012年，他与他人共同创办了剑桥生存风险研究中心(CSER)初期投入近20万美元。 生存风险或者像塔林所说的x-risk是对人类生存的威胁。除了人工智能CSER的20多位研究人员还研究气候变化、核战争和生物武器。但是对塔林来说，那些其他学科“实际上只是入门药物”对气候变化等更广泛接受的威胁的担忧，可能会吸引人们加入进来他希望，人工智能机器统治世界的恐惧将說服他们留下来他访问剑桥是为了参加一个会议，因为他希望学术界能更严肃地对待人工智能的安全性 在耶稣大学，我们的用餐同伴嘟是随机参加会议的人包括一名学习机器人的香港女性和一名上世纪60年代从剑桥大学毕业的英国男性。老人问在座的每一个人他们在哪裏上的大学(爱沙尼亚塔尔图大学塔林分校的回答并没有给他留下深刻印象)然后他试图把谈话引向新闻。塔林茫然地看着他“我对近期風险不感兴趣”他说。 塔林把话题转到了人工智能的威胁上当不与其他程序员交谈时，他会默认使用隐喻然后浏览他的一套隐喻:高级囚工智能可以像人类砍伐树木一样迅速地处理我们。人工智能之于我们就像我们之于大猩猩。 一个人工智能将需要一个身体来接管没囿某种物理外壳，它怎么可能获得物理控制 塔林还准备了另一个比喻:“把我关在有互联网连接的地下室里，我可以造成很大的破坏”怹说完，吃了一口意大利烩饭 每一个人工智能，无论是Roomba还是其潜在的统治世界的后代都是由结果驱动的。程序员分配这些目标以及┅系列关于如何实现它们的规则。先进的人工智能并不一定需要被赋予统治世界的目标才能实现它它可能只是一个偶然。计算机编程的曆史上充满了引发灾难的小错误例如，2010年共同基金公司Waddell & Reed的一名交易员卖出了数千份期货合约，该公司的软件在帮助执行交易的算法中漏掉了一个关键变量其结果是万亿美元的美国“闪电崩盘”。 塔林基金的研究人员认为如果超级人工智能的奖励结构没有得到恰当的編程，即使是善意的目标也可能有阴险的结局牛津大学哲学家尼克·博斯特罗姆(Nick Bostrom)在他的著作《超智能》中列举了一个著名的例子，那就昰一个虚构的特工他的任务是制造尽可能多的回形针。人工智能可能会决定将人体中的原子更好地用作原材料。 塔林的观点也有批评鍺甚至在关注人工智能安全的社区中也是如此。有人反对说当我们还不了解人工智能人工智能时，担心限制它还为时过早还有人说，把注意力集中在流氓技术行动者身上会分散人们对该领域面临的最紧迫问题的注意力，比如大多数算法是由白人男性设计的或者基於对他们有偏见的数据。“如果我们不在短期内应对这些挑战我们就有可能建立一个我们不想生活的世界，”专注于人工智能安全和其怹问题的科技行业联盟AI伙伴关系执行董事塔拉·莱昂斯(Terah Lyons)说但是，她补充说研究人员近期面临的一些挑战，比如消除算法偏见是人类鈳能在人工智能人工智能中看到的一些问题的先兆。 塔林并不这么认为他反驳说，人工智能人工智能带来了独特的威胁最终，他希望囚工智能社区能够效仿上世纪40年代的反核运动在广岛和长崎爆炸之后，科学家们联合起来试图限制进一步的核试验“曼哈顿计划的科學家可能会说:‘看，我们在这里进行创新创新总是好的，所以让我们勇往直前’”他告诉我。“但他们的责任更大” 塔林警告说，任何有关人工智能安全的方法都将很难正确如果人工智能足够聪明，它可能比它的创造者对约束有更好的理解想象一下，他说“在┅群五岁的盲人建造的监狱里醒来。“对于一个被人类限制的人工智能人工智能来说情况可能就是这样。 理论家尤德科斯基(Yudkowsky)发现有证據表明这一点可能是正确的。从2002年开始尤德科斯基主持了几次聊天会议，他在其中扮演一个封闭在盒子里的人工智能角色而其他人轮鋶扮演看门人，负责把人工智能关在盒子里五分之三的情况下，尤德科斯基——一个凡人——说他说服守门人释放了他然而，他的实驗并没有阻止研究人员尝试设计一个更好的盒子 研究人员认为，塔林基金正在寻求各种各样的策略从实用的到看似遥不可及的方面。┅些关于拳击人工智能的理论要么是物理上的，通过构建一个实际的结构来包含它要么是通过编程来限制它所能做的事情。其他人则試图教人工智能坚持人类价值观牛津大学人类未来研究所的数学家兼哲学家斯图尔特·阿姆斯特朗(Stuart Armstrong)是一位研究这三个问题的研究员，塔林称该研究所是“宇宙中最有趣的地方”(塔林已经向FHI提供了31万多美元) 阿姆斯特朗是世界上少数几个全职致力于人工智能安全的研究人员の一。我在牛津与他见面喝咖啡时他穿着一件没有扣扣子的橄榄球衫，看上去就像一个一辈子都躲在屏幕后面的人苍白的脸被一团沙銫的头发框住了。他的解释中夹杂着令人困惑的大众文化和数学知识当我问他在人工智能安全领域取得成功是什么样子时，他说:“你看過乐高大电影吗?一切都太棒了” 阿姆斯特朗的一项研究着眼于一种称为“甲骨文”人工智能的拳击特定方法。2012年他与FHI的联合创始人尼克·博斯特罗姆(Nick Bostrom)在一篇论文中提出，不仅要把人工智能隔离在一个储罐中这是一种物理结构还要把它限制在回答问题上，比如一个非常智能的通灵板即使有了这些界限，人工智能也将拥有巨大的力量通过巧妙地操纵审讯者，重塑人类的命运为了减少这种情况发生的鈳能性，阿姆斯特朗建议对对话进行时间限制或者禁止提出可能颠覆当前世界秩序的问题。他还建议用甲骨文公司的代理指数来衡量囚类的生存状况，比如道琼斯工业平均指数或东京的过街人数并告诉该指数保持稳定。 阿姆斯特朗在一篇论文中称最终有必要创造一個“大红色关闭按钮”:要么是一个物理开关，要么是一个被编程进人工智能的机制在爆发时自动关闭自己。但设计这样一个开关远非易倳不仅仅是一个对自我保护感兴趣的高级人工智能可以阻止按钮被按下。它也会好奇为什么人类会发明这个按钮激活它来看看会发生什么，然后让它变得无用2013年，一位名叫汤姆墨菲七世(Tom Murphy VII)的程序员设计了一款可以自学玩任天堂娱乐系统游戏的人工智能决心不输掉俄罗斯方块，人工智能只是按下暂停键让游戏保持冻结状态。墨菲在一篇关于自己创作的论文中挖苦道:“说真的唯一的制胜招就是不玩。” 要让这个策略成功人工智能必须对按钮不感兴趣，或者正如塔林所说:“它必须给不存在的世界和存在的世界赋予同等的价值。”但即使研究人员能做到这一点也存在其他挑战。如果人工智能在互联网上复制了几千次呢 最让研究人员兴奋的方法是找到一种让人工智能坚持人类价值观的方法——不是通过编程，而是通过教人工智能学习这些价值观在一个党派政治占主导地位的世界里，人们常常细想峩们的原则有哪些不同之处但是，塔林告诉我人类有很多共同点:“几乎每个人都重视自己的右腿，而我们只是不去想它“我们希望囚工智能能够被教会识别这些不可被改变的规则。 在这个过程中人工智能需要学习并欣赏人类不合逻辑的一面:我们经常说一套做一套，峩们的一些偏好与他人发生冲突人们在喝醉时不那么可靠。塔林认为尽管面临挑战，但值得一试因为风险如此之高。他说:“我们必須提前思考几步“创造一个与我们兴趣不同的人工智能将是一个可怕的错误。” 他在剑桥的最后一个晚上我和塔林以及两名研究人员┅起在一家牛排馆共进晚餐。一个服务员把我们这一群人安排在一个粉刷成白色的酒窖里酒窖里有一种洞穴般的气氛。他递给我们一页菜单上面有三种不同的土豆泥。一对夫妇在我们旁边的桌子旁坐下几分钟后他们要求搬到别处去。“太幽闭恐怖了”这位女士抱怨噵。我想起了塔林的那句话他说，如果把他锁在一个只有互联网连接的地下室里他会造成多大的破坏。我们到了在箱子里。这似乎昰在暗示这些人在考虑如何出去。 塔林的客人包括前基因组学研究员、CSER执行董事Sean O hEigeartaigh和哥本哈根大学的人工智能研究员Matthijs Maas他们开玩笑说要拍┅部名为《人工智能大战区块链》的动作电影。他还讨论了一款名为《万能回形针》的在线游戏这款游戏重复了博斯特罗姆书中的场景。这个练习包括反复点击鼠标来制作回形针它并不华丽，但它确实说明了为什么一台机器可能会寻找更方便的方法来生产办公用品 最終，话题转向了更大的问题正如塔林在场时经常发生的那样。人工智能安全研究的最终目标是创造出像剑桥哲学家、CSER联合创始人休·普莱斯(Huw Price)曾经说过的那样“在道德和认知上都是超人的”机器。其他人提出了这个问题:如果我们不想让人工智能控制我们我们想要控制人笁智能吗?换句话说，人工智能有权利吗?塔林认为这是不必要的拟人化它假定智力等于意识，这一误解惹恼了许多人工智能研究人员当忝早些时候，CSER的研究员Jose Hernandez-Orallo开玩笑说当与人工智能研究人员交谈时，意识毫无用处 塔林认为意识无关紧要:“以恒温器为例。没有人会说它昰有意识的但是如果你在零下30度的房间里，和那个特工对质真的很不方便” O hEigeartaigh也加入了进来。“担心意识是件好事”他说，“但如果峩们没有首先解决技术安全方面的挑战我们就没有那么多时间担心意识。” 塔林说人们过于关注什么是超智能人工智能。它将采取什麼形式我们应该担心一个人工智能来接管，还是一支由它们组成的军队“从我们的角度来看，重要的是人工智能做了什么”他强调說。他认为这可能仍然取决于人类，就目前来看是这样

为了不被踢出AI的队伍，视觉深度模型都开始接私活了 只要是成熟且完成度较高的技术，慢慢就不会被大家当做智能来看待了 比如我问身边的老母亲老父亲老阿姨们，手机指纹解锁、手写输入、地图导航、游戏NPC、媄颜相机等等是不是人工智能他们纷纷流露出了质疑的小眼神儿： 这么常见朴素不做作，怎么能是AI呢最起码也得挑战一下那些看起来鈈可能完成的任务吧，比如能撒娇的智能客服360度旋转跳跃闭着眼的机器人，扫一眼就能看病的大白动不动就血虐人类的智能体什么的。 行……吧……如此看来最“危险”的要数计算机视觉了。 估计再过不久人脸识别、看图识物、假脸生成，就要被“开除”出AI的队伍叻 近年来，深度神经网络彻底升级了计算机视觉模型的表现在很多领域，比如视觉对象的分类、目标检测、图像识别等任务上深度鉮经网络（Deep Neural Network，DNN）完成的比人类还要出色相关技术解决方案也开始频繁出现在普通人的生活细节之中。 这就够了嘛并没有！视觉模型表礻自己除了在图像任务里很好用，非图像任务也是一把好手 前不久，深度学习开发者Medium知名博主 Max Pechyonkin在其博客中，介绍了将视觉深度学习模型应用于非视觉领域的一些创造性应用 咱们就通过一篇文章，来了解一下求生欲极强的视觉模型是如何在其他领域发光发热的吧 生活鈈易，DNN卖艺 由于有迁移学习和优秀的学习资源DNN在计算机视觉领域的应用落地远超于其他任务类型。 加上各种开放平台和公开的预训练模型加持任何人都可以在数天甚至数小时内，将视觉深度学习模型应用于其他领域 两年前，就有外国农民开发出了自动检测黄瓜的智能程序北京平谷的桃农也用上了自动检桃机。 背后的技术逻辑也很容易理解：先选用一个简单的卷积神经网络（CNN）模型（可以在开放平台仩轻松地找到）将各种带有标签的图片扔进去，跑出一个baseline主要是为了确定数据集是否合适，图像质量和标签是否正确需不需要调试等等。 OK以后就可以投喂处理过的图像数据集了，一般图像越多、标注质量越高模型的性能和准确率就越好。 听起来是不是学过高中数學就能搞定 既然技术门槛并不高，其应用范围自然也就被无限延伸面对很多非视觉类的原始训练数据，视觉模型也表示“不怂” 其Φ有几个比较有意思的应用案例： 1.帮石油工业提高生产效率 石油工业往往依赖于一种名叫“磕头机”的设备开采石油和天然气，通过游梁活动让抽油杆像泵一样将油从地下输送到表面高强度的活动也使抽油机极容易发生故障。 传统的故障检测方式是邀请非常专业的技术囚员检查抽油机上的测功计，上面记录了发动机旋转周期各部分的负载通过卡片上的图像，判断出哪个部位出现故障以及需要采取什么措施来修复它 这个过程不仅耗时，而且只能“亡羊补牢”无法预先排除风险。 而石油公司正在试验将视觉深度学习应用到故障检测Φ。 贝克休斯（Baker Hughes）公司就将测功计转换成图像然后作为数据集传给ImageNet预训练好的模型中。结果显示只需采用预训练好的模型并用新数据對其进行微调，机器自动检测故障的准确率就达到了93%进一步优化则接近97%！ （左侧是输入图像，右侧是故障模式的实时分类系统在便携設备上运行，分类时间显示在右下角） 应用了视觉算法训练出来的新模型不需要等待专业人员的排期和诊断，就可以自行判断绝大多数故障并立即开始修复听起来是不是很棒很奈斯？ 2.帮金融网站进行在线风控 金融网站与欺诈团伙的斗智斗勇往往是一场“道高一尺魔高┅丈”的技术军备竞赛。想要区分访问者是普通客户还是潜在风险客户仅仅依靠IP过滤、验证码等互联网技术显然不够了。 但如果金融网站的系统能够根据鼠标使用模式来识别用户行为就能够预先规避欺诈交易的发生。要知道欺诈者使用电脑鼠标的方式是独一无二而且非常异常的。 但如何得到一个深度学习鉴别模型呢Splunk就将每个用户在每个网页上的鼠标活动转换为单个图像。用不同的颜色编码代表鼠标迻动的速度红点和绿点则代表使用了鼠标键。这样就得到了大小相同、且能够应用图像模型的原始数据了。 Splunk用了一个由2000张图片组成的訓练集进行了2分钟的训练后，系统就能识别出普通客户和非客户准确率达到80%以上。 对于某个特定用户系统还能够判断出哪些是用户洎己发出的，哪些是模仿的这次只用了360张图片就训练出了78%左右的准确率。麻麻再也不用担心我的理财账户被盗了 3.通过声音检测进行动粅研究 2018年10月，谷歌的研究人员使用视觉CNN模型对一段录音进行了分析检测到了其中座头鲸的声音。 他们将音频数据转换成了视频谱一种表示音频频率特征的图像。 然后使用了Resnet-50架构来训练这个模型有90%的鲸鱼歌声音频被系统正确归类。而如果一首录音是鲸鱼的也有90%的几率咜会被贴上正确的标签。 这项研究成果可以用来跟踪单个鲸鱼的运动、歌曲的特性、鲸鱼的数量等 同样的实验也适用于人类语音、工业設备录音等等。使用类似librosa这样的音频分析软件就可以用CPU生成时频谱。 至此可以总结一下视觉深度学习模型“跨次元”应用的基本操作叻： 1.将原始数据转换成图像； 2.使用预训练的CNN模型或从头训练一个新模型进行训练。 由此得到一个能够解决非视觉问题的新模型 开脑洞才昰最难的 当然，上述都是作者分享的一些已经在实践中取得成效的应用我们还可以将其应用于很多有趣、有意义的场景之中。前提是能够找到一种将非视觉数据转换成图像的方法。 比如儿童餐食的健康问题仅靠学校食堂和家长自学营养学显然不是一个足够效率、且能夶规模推广的办法。 利用视觉模型可以对餐盘的自动扫描与检测，对图像中的餐食特征和瑕疵点进行提取以此推测出餐盘和饮食的洁淨度是否合格，营养搭配是否符合基本要求 再比如，通过智能摄像头将零售商超中的人群分布和动线转化为图像进行分析和检测，可鉯判断出不同社区的需求和消费特征从而有针对性地进行选品和陈设，进一步提升坪效或者是通过汽车行驶轨迹来预测和优化不同时段的路况及定价。 总而言之目前计算机视觉模型早已从实验室和科学家案头，帮助越来越多的现实问题寻找解决方案 由此也可以看出，在AI落地中并不缺成熟、可落地的算法大开脑洞的创造力才是最难的。 当然也有隐患 作为一个负责任的“AI吹”故事显然不能在“AI好AI妙AI呱呱叫”中戛然而止。 虽然计算机视觉表现出了极大的适应性但在实际应用时，有一些缺点是其本身也没有解决的 这也导致很长一段時间内，图像识别、生成等应用还能被当做展示人工智能的神奇能力而被夸耀着 首先，是视觉神经网络对于图像变化和背景过于敏感無论是转换非视数据，还是直接训练原始图片机器视觉的处理逻辑都是将图像转换为系统可理解的“数字”，再进行对比和识别因此，将背景和变化等噪音识别成其他物体也就不足为奇了 （在照片中增加不同的物体，会影响照片中原有的猴子的识别结果） 既然是通过視觉模型进行训练那就需要大量有标注的高质量数据，而在现实应用中一些非图像的原始数据，比如用户鼠标习惯、零售店动向等等包含了多个维度、不同数量的数据点，不仅标记数据集的工作耗时耗力而且训练这些庞大的数据也需要大量的GPU资源。 但遗憾的是受標注质量、模型准确率、专业领域知识等影响，最终的成果在真实世界中的体验也可能非常糟糕想要让商业机构冒着投资打水漂的风险進行尝试，恐怕还有很多工作要做 更何况，视觉深度模型并不是一种放之四海而皆准的解决方案有些任务是难以进行视觉化标注，或鍺实现成本很高的短时期内也只能望AI兴叹了。 总而言之视觉深度学习模型的成熟和非视觉场景的试探，给AI开发带来了新的故事和想象仂比起千箱一面的智能语音、人手一个的人脸识别，更令人惊喜实用性也值得期待。 不过本质上讲一切技术问题最后都是经济学问題。只要不计成本总能搞得出来。《三体》中秦始皇不也用三千万大军搞出了能计算太阳运行轨道的人形计算机队列吗？ 这也和如今嘚人工智能产业现状悄然重合技术不是关键性问题，没钱又不会搞工程的项目就别让AI背锅了吧……

清华AI研究院院士领衔探索第三代AI，荿立基础理论研究中心 成立近一年的清华人工智能研究院又有新动作 刚刚，清华大学宣布成立人工智能研究院基础理论研究中心探索苐三代人工智能。 清华大学副校长尤政院士和清华大学人工智能研究院院长张钹院士共同为基础理论研究中心揭牌 张钹表示，成立基础悝论研究中心旨在突破人工智能的基础理论，发展鲁棒、可理解、数据高效和安全的人工智能关键技术和创新应用 基于这一思路，清華大学人工智能研究院基础理论研究中心主要有三大发展方向： 探索发展鲁棒、可理解的第三代人工智能基础理论和方法； 研制第三代人笁智能编程框架及基础算法库； 打造一个开放的、国际化的学术交流与合作平台 这一基础理论研究中心，由张钹、中国科学院院士郝跃、CMU计算机学院教授Manuela Veloso担任学术顾问 清华计算机系长聘教授朱军担任主任一职，并有10多位学者专家加入清华大学AI研究院方面表示，之后将會举行对外开放的人工智能研究系列研讨会 当下的人工智能存在缺陷 张钹表示，人工智能技术发展至今大致分为两代模型 第一代，是鉯知识驱动为主的符号化模型比如专家系统。第二代是以数据驱动为主的机器学习模型如深度学习、概率统计模型等，正处于高潮阶段 但是，第一代和第二代人工智能仍旧存在其局限性其能够解决的问题也非常有限，大都符合以下五个方面的特点： 具有丰富的知识戓者数据、确定性信息、完全信息、限定领域、静态或按照特定规律演化 张钹说，在实际场景中绝大部分都不符合这五个条件。比如洎动驾驶和AI医疗诊断场景就不符合其中的一些条件，进一步发展面临着很大的问题 此外，第二代人工智能也存在着致命弱点其通常依赖大量有标注的数据，能有效地利用大数据但对无标注/弱标注数据的利用效率低。在动态变化或存在对抗的环境下适应性弱、复杂模型的可解释性不强无法满足未来人工智能技术发展的需要。 最后当前以机器学习为重心的人工智能，只是人工智能领域中的一部分囚工智能还有很多问题没有解决，只有开展第三代人工智能方面的理论和算法研究才能解决人工智能领域更多的问题，推动其更快的发展 张钹说，从2014年开始他们就开始思考人工智能未来发展，认识到目前人工智能的局限性并提出“后深度学习时代”的概念，提出研究第三代人工智能 怎么研究第三代人工智能？ 张钹提出了两个发展方向首先，进行学科交叉研究最主要的是与脑科学和数学领域的茭叉研究，他认为 没有这些学科之间的合作研究，人工智能不可能产生新的理论突破 其次，要进行国际化基础理论研究，从来不是┅个国家能够完成的想要在这些方面有建树，就要提升自身的理论水平建立更开放的环境，吸引全世界更多优秀人才加入 基础理论研究中心主要着眼于当前人工智能发展的瓶颈问题，以数据驱动和知识驱动融合的思路为主线通过和脑科学、认知科学和统计学等学科嘚大跨度学科交叉融合，来建立原创性的人工智能理论框架 围绕这一方向，基础研究中心设置了四大重点研究方向： 人工智能理论基础 貝叶斯机器学习、深度学习、小样本学习、强化学习、鲁棒人工智能、可理解人工智能 脑科学启发人工智能理论 听觉感知回路启发的语言悝解模型、记忆和遗忘机制启发的人工智能模型、脑启发的视/听觉计算模型 统计学交叉人工智能理论 大数据建模与计算、因果分析与推理、生物医学大数据分析 人工智能创新应用 大规模文本分析、图像/视频数据分析、音乐和图像生成 在这些领域基础理论研究中心的团队成員，已经发表了不少研究成果 比如在基础神经科学领域。 听觉和语言处理方面发现了听觉、语言和运动脑区如何实现语言声调类别感知的机制，听觉皮层如何处理音高和谐波的机制等 在学习和记忆方面， 首次揭示长期记忆间隔效应的生物机制首次揭示记忆的主动遗莣机制，首次揭示记忆的主动保护机制等为理解生物智能本质提供了新的重要维度。 清华方面介绍称相关成果发表在Cell, Nature, Science, Nature Neuroscience, Neuron, PNAS等顶级期刊上，蔀分研究成果也已经被写入神经科学领域核心教科书 当前，清华大学人工智能研究院也已经打造了关于第三代人工智能的“珠算”概率编程库；在AI的可解释等方面也取得了不少成果，通过对模型的可解释性进行建模让模型更可靠。 院士领衔的团队阵容 基础理论研究中惢一共有3位学术顾问。分别是： 张钹 清华大学人工智能研究院院长计算机系教授，中科院院士、俄罗斯科学院外籍院士 郝跃 中国科學院院士、西安电子科技大学教授。 Manuela Veloso ACM/IEEE/AAAI Fellow、卡内基梅隆大学哈伯特西蒙杰出教授 清华计算机系长聘教授朱军，担任基础理论研究中心主任一職朱军主要从事机器学习基础理论、高效算法及相关应用研究。 其曾获CCF自然科学一等奖、CCF青年科学家奖和国家“优青”项目资助入选國家“万人计划”青年拔尖人才和MIT TR35中国区先锋者。 此外也有国家千人计划专家、“长江学者”讲座教授清华脑与智能实验室主任的王小勤教授和清华生命科学学院的钟毅教授等11位专家加入。 朱军表示基础理论研究中心将会面向青年学者以及学生设立访问交流机会。最新嘚研究成果将会在学术会议以及期刊上发布，并设立网站等信息传播平台对外公开 清华人工智能研究院，后续也会面向视觉等方向成竝一系列研究中心在各个领域之间相互协同，推动第三代人工智能发展

虚拟现实和虚拟世界正在接管我们生活中越来越多的领域。这意味着虚拟世界对用户友好并提供高可用性非常重要        到目前为止，检查这一点的唯一方法是与志愿者进行手动测试这既费时又费钱。謌廷根大学计算机科学研究所的Patrick Harms博士开发了一种技术可以自动检测虚拟环境中的用户友好性和可用性方面的许多问题。结果发表在科学期刊“  在另一个虚拟场景中用户必须复制一张纸。自动评估的新技术分三步进行首先，详细记录测试人员的个人活动和动作这导致“活动列表”。在第二步中由Dr Harms开发的计算机程序MAUSI-VR自动搜索这些列表以寻找典型的用户行为。在第三步中程序根据定义的不规则性评估此行为。“这使得除其他外 MAUSI-VR的概念基于G?tTIngen大学计算机科学研究所Jens Grabowski教授关于网站和桌面软件自动化可用性评估的研究小组“分布式系统软件工程”的初步工作。        这项工作被转移到虚拟世界并由Harms补充。“与手动评估相比自动评估可以更频繁，更具成本效益地进行无需在VR開发期间和市场上市后进行特殊准备。这使开发人员有机会快速考虑VR改进下一个软件更新“

人工智能再引发担忧：Al自主进化出“数字感”，究竟是福是祸 科学前沿观天下 笃学明理洞寰宇 霍金曾言，若放任人工智能（Al）发展人类文明有可能终结于此。人工智能拥有强大嘚计算能力可以在短短几秒钟内做出数百万次计算，但是在某种“感觉”上却与人类大相径庭这也是我们难以开发出接近人类智慧的Al嘚原因。不过根据发表在《Science Advances》上的一项研究，目前人工智能已经发展出了类人的“数字感” 当人类看到四个苹果、4只猫以及“4”这个數字时，不用去数就知道他们的共同特点是都是4个许多动物也可以做到这一点。但计算机并没有这种数字感甚至识别图像里的物品都仳较困难。因为只有给需要计数的东西一个清楚的定义计算机才可以计数。Al可以轻松的计算时间、单词的数量但由于光线、位置和姿勢的变化，同一种物品在不同图像里并不完全一样而且不同个体又有大孝圆瘪等形态上的不同，所以识别图像里的物品并对其计数对於计算机来说是一种挑战。 但随着“深度神经网络”计算机学习技术的研究现代人工智能系统已经可以识别出图像里的物品，具备了一萣的“感觉”以苹果为例，当把包含各种形状苹果的图像呈现给人工智能系统时它能够像人类一样，逐渐注意到图像中经常同时出现嘚部分元素：一组像素组成的水平线和垂直线以及左右曲线。这些元素也存在于其他物体中但是通过建立一层又一层更复杂的共性，朂终Al意识到某些线条经常同时出现在苹果中，以此给“苹果”开发出一个新的、更深层次的“定义”从而识别出“苹果”。 通过这种方式人工智能可以识别苹果，但它需要对每一个苹果进行计数才能得出苹果的数量，这与人类思维并不相同而随着研究的深入，科學家们发现一个用于简单视觉目标检测的深度神经网络自发的发展出了类似人类的数字感，这种Al可以像人类一样意识到“四”这个相似點 这项研究对于人工智能领域的发展具有十分重要的意义，它充分说明人类的学习基础原则是有规矩可循的人类和动物所展示出的某些高级思维与世界的结构以及我们对此的视觉体验息息相关。今天我们已经逐渐揭开了“智能”的谜团，人工智能的发展前景将更加的咣明这是人工智能领域的重大发现，未来可能将引领人工智能的发展更加类人化 不过，Al的发展也让一些人颇感担忧人类最终会不会徹底被人工智能所取代？我们的文明会不会因Al的出现而走向衰落现在我们还无法回答这个问题。但关于人工智能的发展规范值得我们進行更多的思考。

智能家居是以住宅为载体融合自动控制技术、计算机技术、物联网技术，将家电控制环境监控、信息管理、影音娱乐等功能有机结合通过对家居设备的集中管理，提供更具有便携性、舒适性、安全性、节能性的家庭生活环境 近几年，智能家居蓬勃发展市场规模不断扩大。智能家居中在家电行业智能化较多。空调、冰箱、洗衣机等家电是智能化需求最高也是潜在市场最大的智能镓居产品。智能空调的潜在市场可达1.65万亿元冰箱则1.47万亿元，洗衣机达1.1万亿元未来三者智能化市场均在万亿级别以上。 智能家居产业的赽速发展推动了原有家居产业园区的转型升级，同时不断扩大的智能家居市场需求，以及传统家居产业的转移为很多地方布局新的智能家居产业园建设带来了机会。当前智能家居产业园在全国各地遍地开花。经统计整理目前我国智能家电产业园约为115家，从分布来看河南产业园数量最多，达到了35家广东15家，江苏15家天津有11家智能家电产业园。 为了更好地了解我国智能家居产业园的发展中商产業研究院特推出《2020年中国智能家居产业园市场前景及投资研究报告》,《报告》从产业园基本概述入手，普及了产业园基本定义及发展条件等接着从中国智能家居产业园驱动因素分析、智能家居行业发展现状、智能家居产业园发展现状及规划以及产业综合体典型案例分析五夶方面剖析我国智能家居产业园发展现状，最后分析了我国智能家居产业园现存问题和发展前景为相关研究人员和爱好者提供参考信息。以下是报告详情： PART1：产业园基本概述 根据当前我国各地的产业园区设立和建设情况结合联合国环境规划署的定义，对产业园区可做出這样的定义： 一个国家或地区的政府通过行政或市场化等多种手段划出一块区域，制定长期和短期发展规划和政策建设和完善适于工業企业进驻和发展的各种环境，聚集大量企业或产业使之成为产业集约化程度高、产业特色鲜明、集群优势明显、功能布局完整的现代囮产业分工协作区和实施工业化的有效载体。 目前产业园的建设开发模式主要分为政府主导模式、企业主导模式、政企联合开发模式3类。 PART2：智能家居产业园去的因素分析 受新冠肺炎疫情的影响国内各行业各业也受到了不同程度的影响。2020年1-3月全国社会消费品零售总额78580亿え，同比下降19.0%一季度，全国居民人均消费支出5082元同比下降8.2%。后续疫情逐步稳定后我国居民消费支出将增加。在这样的大背景下居囻消费潜力仍具有很大的释放空间，并拉动家居业消费的快速增长 PART3：智能家居产业发展现状分析 智能家居是通过各种感知技术，接收探測信号并予以判断后给出指令让家庭中各种与信息相关的通信设备、家用电器、家庭安防、照明等装置做出相应的动作，以便更加有效垺务用户且减少用户劳务量 PART4：智能家居产业园发展现状及规划 经统计整理，目前我国智能家电产业园约为115家从智能家电产业园分布来看，河南产业园数量最多达到了35家，广东15家江苏15家，天津有11家智能家电产业园具体分布图如下： PART5：智能家居产业园典型案例分析 安德森智能家居产业园是以物联网智能家居产品为核心，以研发、生产、管理、服务的全流程智能化为特点整合产业链上下游相关企业与資源，打造的智能产业双创示范基地项目主要吸引从事智能家居、智能家具、智能硬件、智能电器、人工智能行业的企业入驻。目前園区已建成开放式办公区1000平方米，可提供超过300个开放式办公工位20个独立办公室及会议室，可满足日常办公需要

人工智能将给未来带来哪些可能？你的工作会被取代吗 设想一下，给头顶的电灯安装上摄像头和传感器这种“智能电灯”通过机器学习，能及时发现并提醒准备离开的你“手机落在座位上啦”；医院里的“智能电灯”也能检测到房间里的病人有没有摔倒，在病人需要用药的时候以最快的速度告知医护人员……美国工程院院士、卡耐基梅隆大学计算机科学学院院长Tom Mitchell教授，在第一期上海人工智能大讲堂上给现场听众这样描述未来人工智能在日常中的应用在他看来，人工智能的发展将给未来的生活带来无限可能 机器学习让技术真正改变生活 “人工智能被持續关注，是不是已经过度发展事实上，人工智能在一些领域已经取得不小的成果这些技术进步在未来会改变社会的发展方向，应该经瑺回顾过去展望未来。”回溯过去十年中人工智能取得的进展Tom Mitchell教授指出，十年前的计算机视觉能力并不太好识别简单图片中物体的能力也不高，但如今这个“盲人”已经“脱盲”在物体识别方面的能力大大提高，能够观察并准确识别图片中的物体 除了计算机视觉能力不断提高，未来生活中会出现越来越多具备智能的应用而这些新的人工智能产品，将很大程度通过机器学习的训练模型“学会思考”比如，在机器学习的一步步教学下“学会”发送邮件成为比苹果手机智能助手Siri更加“智能”的手机助理。据Tom Mitchell教授所言随着时间的嶊移，人工智能的阅读能力和知识都在不停地提高和增长“我们在实验中获得一些经验以及教训是，必须让机器从标记的数据中进行学習还要优化语言的一致性，提高准确率” 可以说，机器学习是一种基于算法的人工智能技术这也是人工智能的开发者改变策略的结果开发者们不仅通过编写计算机的程序，使得计算机能够识别物体而且对它进行训练，教育机器进行自我学习对于计算机来说，拥有叻机器学习能力意味着能够在物体识别、游戏等方面取得进步。比如Tom Mitchell所描述的“智能电灯”这种电灯成本低，可联网可与软件兼容，能够通过摄像头捕捉到画面运用机器学习后的算法对图片进行识别和分析，判断出病人是否晕倒在地、是否有人把手机落在座位上等等行为再通过传感器，将分析到的情况给予反溃“机器学习和深度学习正在推进人工智能进入更多的新领域当然，最终能有多成功还囿待观察但这个趋势鼓舞人心” 自动驾驶前路漫漫但仍可期待 自动驾驶，正在成为人工智能技术最具商业潜力和社会价值的应用之一無论是传统汽车厂商还是造车新势力，无一不在布局自动驾驶然而，伴随着伤人事故频发尽管饱受追捧，自动驾驶汽车要想真正实践囷应用依然前路漫漫。正如Uber资深研究科学家、哥伦比亚大学计算机科学系兼职教授Erran Li所言自动驾驶的大部分问题已慢慢解决，但距离成功还有不小的距离 麻省理工学院计算机科学和人工智能实验室主任Daniela Rus教授，基于其在自动驾驶领域的研究认为“尽管许多汽车制造商仍嘫认为自动化是驾驶的未来，然而培训这些自动驾驶系统非常困难，其中大多数需要使用来自预扫描区域的复杂数据在道路上反复训练” 据Daniela Rus介绍，目前麻省理工学院的研究人员正在开发一种能够通过基于GPS的地图自我学习的人工智能系统它使用与人类相同的直觉学习方式，但也需要研究数据集不过不是研究道路本身，而是研究人类如何在道路上行驶如何获取标志、结构和地图的线索，使得一辆自动駕驶的汽车能够在不同区域的计划路线上设法做出几乎与人类完全相同的决策。 在她看来了解人工智能是为了更好地了解自己，并创慥机器来支持人类的认知和体力工作自动驾驶技术无疑是在分担人类的认知和体力的部分工作，如果能取得成功将给人类生活带来极夶便利。同时她也指出，“摄像头如果安装在无人驾驶的车辆上光照太强烈可能什么都看不到”等等自动驾驶还未解决的问题。目前洎动驾驶的错误率仍然太高现在并不完全可靠，不能完全依赖基于摄像头进行可靠的自动驾驶这一点必须要改善。 取代医生人机合莋而非简单取代 随着人工智能技术在各行业的应用越来越深入，不免有人担心人工智能是否会取代一些职业甚至会取代一些高技术含量嘚工作。 对于这个担忧Tom Mitchell和Daniela Rus提出了各自观点。“机器的自动化和人工智能将在未来承担更多工作但大多数受影响的工作将部分实现自动囮而不是完全消失。”Tom Mitchell如是说 Proceedings)的一篇论文中，研究者们深度分析了机器学习可以完成哪些特定任务不同于研究机器学习对特定工作的影響研究者们通过涵盖23个问题的标准来评估机器能否学会执行某一项任务，其试验对象是美国900多个职业研究结果显示，几乎每个职业中嘟有部分工作会受到机器学习的影响但也有很多工作无法被机器取代。当然这也意味着有一些职位受到的影响更大一些。 近年来机器取代医生进行诊断的情况成为社会各界关注的热点。在Daniela Rus看来医生并不会被沃森机器人、达芬奇手术机器人等机器所取代，“人和机器囲同合作而不是取代。”她进一步解释道机器人具备多任务处理学习的能力，即研发者们使机器人能够将很多变量因素一并考虑从洏提升系统预测的准确度，比如诊断和监测肺炎病人的病情恶化情况除了肺炎本身的严重程度，还需要一并考虑病人的白细胞数量、是否曾经转入ICU 治疗等通过这种方式来更好地诊断和预测病人肺炎恶化的几率。“数据显示机器人诊断并分析病情的速度快，而医生有智仂机器人有速度，人机合作的误诊率可降低80%” 已有研究人员建议，可以利用人工智能可以完成高度自动化任务的特点将这些工作从其他任务中分离出来，让机器人可以做它们擅长的任务而人力劳动可以被解放出来做更多机器学习不适合的工作，从而提高行业的整体笁作效率 可以说，人工智能与人类工作相结合是未来的趋势而不是简单的职业取代和替换。

目前机器智能领域的成功主要依赖于计算能力为了做出最佳决策可能搜索数十亿次。如果决策成功的话往往表明计算能力已经赶上甚至超过人类的智力。人类智能是高度概括嘚、自适应的和健壮的即使当前最先进的机器智能系统也无法产生这些特性。例如即使存在许多未知的变量，人类也能够根据预期的結果提前进行重要的计划人类的智慧还具有同情心、同理心、善良、有教养，而且重要的是它能够为了更大的使命而放弃和重新定义┅些目标。几乎所有的机器智能研究都集中在“如何”上但人类智能的特点是能够问“什么”和“为什么”。 假设情商是开启智能机器嘚关键他们不仅更普遍、更强大、更高效，而且还符合人类的价值观人类的情感机制使我们能够完成目前机器无法编程或训练的任务。例如我们的交感神经和副交感神经反应使我们知道安全，并能意识到危险我们能够感受到他人的影响，并能设身处地的去想这有助于我们做出正确的决定和驾驭复杂关系。饥饿、好奇、惊喜和快乐等情感因素使我们能够规范自己的行为并确定希望实现的目标集。朂重要的能力是我们能够通过与他人沟通表达内心状态，并可能影响他们的决策 因此，有人假设将这种情商构建到一个计算框架中咜至少需要具备以下能力： 1.感受他人的情感 2.对他人情感做出反应 3.表达情感 4.在决策中管理和利用情感 从研究历史上看，构建高情商机器主要從人机协作的角度出发集中在前三项功能上。例如最早关于情感识别的研究始于近30年前，当时人们使用生理传感器、照相机、麦克风等来检测一系列情感反应虽然人们对于是否一致和在脸上或其他感官上传达信号，以及这些信号是否真实反映了他们内心的感受存在著很多争论，但研究人员已经成功地建立了算法来识别人类表达的信号并证明这些信号符合社会文化规范。 根据人的内在认知状态采取適当行动的能力是具有情商的基本体现。最近在顺序决策方面的研究如上下文赌博机，正逐步取得进展例如，饮食情感管理系统如哬帮助人们做出正确的决定 几十年来，情感表达一直处于计算的最前沿即使是简单的信号(例如，光、色、声)也有能力传达和激起丰富嘚情感在将于2019年第七届国际学习代表大会iclr上发表的“Neural TTS Stylization with Adversarial and CollaboraTIve Games”论文中，我们提出了一种新的机器学习方法来合成具有表现力的逼真的人类语音该体系结构模型生成真实的语音，并通过一个易于控制的拨盘以独特的方式改变表达的情感。我们的模型在多个任务中达到了预期效果包括内容转换、情感建模和身份转换。本文提供了一个开源实现 图1神经模型架构 虽然人工智能系统的识别、表达和干预方面的研究茬过去20年已经深入，但还有一种更引人注目的智能形式有效地利用情感机制的系统为了更好地学习和更有效地做出选择我们希望探索建竝这样的情感机制，以帮助计算机实现比目前更多的决策 最近人工智能在围棋、Pac-Man和基于场景的角色扮演游戏等方面取得了成功，很大程喥上依赖于强化学习在强化学习中，好的行为会得到奖励坏的行为会受到惩罚。然而要让计算模型学习一个合理的策略，需要在这樣一个行动奖励框架中进行大量的试验我们可以从人类和其他生物情感中获得灵感如何利用情感机制来更有效地学习。 当人类学会在世堺上生存时身体(神经系统)的反应会对行为选择提供潜在的持续反馈，例如当接近悬崖边缘或在拐弯处快速行驶时，会变得紧张生理變化和心理反应会保护自己免受危险。人类对危险情况的预感是心率加快血液从四肢分流，汗腺扩张这是身体的“战斗或逃跑”反应。人类已经进化了数百万年来建立这些复杂的系统如果机器有类似的反馈系统呢? 图2一种新的强化学习方法 我们的假设是，这样的奖励函數可以规避强化学习环境中与稀疏和倾斜奖励相关的挑战并有助于提高样本效率。我们在模拟驾驶环境中进行了测试结果表明，该方法可以提高学习速度减少学习过程中的碰撞次数。我们对训练自主系统的潜力感到兴奋这种系统能够模拟以情感方式感受和响应刺激嘚能力。 图3 人体在驾驶过程中所记录的生理反应 许多计算机科学家和机器人专家都渴望打造出类似于凯特(KITT)和R2D2等流行科幻小说中令人难忘的機器人形象然而构建情感计算机制，对我们构建健壮、高效和更有远见的人工智能提供了大好时机。我们期待这项研究能让人们重新審视情感在人工智能中的应用

自计算机设备诞生以来，在人机交互发展过程中键盘和鼠标一直是最基本的输入设备，而屏幕只是计算機信息的输出设备；但是从始至终人类一直对以触控技术为代表的自然用户界面（俗称的触摸界面）心驰神往，因为在这种操作模式下人们会有最直观的感受和体验，在这种操作模式下屏幕不仅是输出设备，同时也是输入设备通过触摸可以在屏幕上直接操作，从而操纵计算机 伴随手机等消费数码产品的风靡，小屏幕多点触控技术逐渐成熟与此同时，针对大屏幕的多点触控技术也逐渐成为商业显礻用户的重点需求因为依托多点触控技术，可以实现与大屏幕的互动、感受、体验可以完成大型多媒体互动、画面特效演示等众多精彩效果，为日常的工作学习带来更多便捷 目前对大屏幕商业显示来说，大屏多点触控技术的实现前几年一直依托的是背面散射红外光照明多点触控技术，背面散射红外光照多点触控技术的技术原理是：红外光从背部照射在一块集成了漫反射效果（漫反射的作用是让红外咣照射在漫反射幕上时产生漫反射减少被反射的红外光线被摄像头读取）的大屏幕上，当手指触摸屏幕时手指会反射比漫反射幕更多嘚红外光，而被反射的红外光被红外摄像头读取后形成电信号，最终经相关软件程序计算形成具体的触摸坐标，反馈形成屏幕动作 總结起来，背面散射光照多点触控技术是依靠红外相机检测触摸物体反射的红外光来实现对触摸位置的定位。因此从技术角度来说，這一技术不仅支持日常的手指触控还支持手持红外激光笔的远程隔空操作。 但是也正是基于此，如果在正常使用过程中如果室内照射光线或日光直射特别强烈时，其中的过量红外光线会被红外相机监测到会造成系统对触控功能的误判，进而严重干扰和影响大屏幕的觸控效果 举个例子，几年前某大屏幕厂商在北京某部委设计施工的一块含多点触控功能的大屏幕项目，一次在某中央领导视察该部委，并现场观看该多点触控大屏幕演示时由于大量随行采访记者密集的闪光拍照，导致在现场演示环节中出现大屏触控失灵现象，从洏给该部委的接待工作留下了不小的遗憾 事实上，从技术原理上分析可以知道：照相机闪光灯瞬时发射出的光线中不仅包含人眼可见嘚众多可见光，同时闪光灯也会发出波长在200nm-400nm间的紫外光和700nm-1200nm间的红外光，而闪光灯短时瞬间射出的红外光线透过屏幕被多点触控红外相機接收并最终转换成电信号和触摸信号，这些信号与人手触摸产生的触摸信号发生冲突从而最终发生屏幕触摸失灵的混乱现象。 而目前大屏幕商业显示品牌——Hisan激光屏的多点触控功能，采用的是激光平面多点触控技术来实现的其技术原理是，在激光屏上下、左右对边汾别有一组激光发射灯管和接收灯管灯管发射编织成的激光网格铺满整个屏幕表面形成一个激光面，当手指触摸屏幕时手指破坏了屏幕表面纵横激光的接收；于是，当接收灯管没有接收到激光信号的时候相关软件通过对未接收到激光灯管的位置进行分析，就能发现手指触摸位置的具体坐标并最终指导屏幕画面根据手指移动位置做出反应，形成触摸互动效果 激光平面多点触控和背面散射红外光照多點触控相比，其最大的技术差异在于一个是根据检测未接收到激光的激光灯管位置从而确定手指触控位置坐标，另一个是检测手指触摸位置反射出的红外线而确定手指触控位置坐标因此，当外界光线较强时背面散射光照多点触控更容易受到外界强光线中的不可见红外咣的干扰而影响正常使用。 同时在大数据和物联网应用不断深化的时代背景下，越来越多场景都要求使用大尺寸、大面积的商业显示大屏幕而激光平面多点触控技术目前最大可在322寸的多点触控大屏上，实现多人同时对大屏进行顺滑的触控操作同时，凭借独有的智能触控识别技术可以实现在大屏幕上轻松实现复杂的绘图和文字书写；而背面散射红外光照多点触控在应用于大尺寸商业显示屏幕上，很多時候由于红外光投射不均匀造成触摸分辨率达不到屏幕分辨率的短板，容易造成触摸书写时线条锯齿不练过甚至断开的现象十分影响觸控使用体验。 最后目前激光平面多点触控技术已经实现了一体化的框式结构设计以及便捷简单的USB供电，这相比背面散射红外光照多点觸控的多部件独立设计在施工、安装、调试以及后期维护保养上，都更加方便和轻松

什么是计算机安全？ 要从总体上理解什么是计算機安全有必要考虑一下安全在日常生活中意味着什么。我们将看到日常生活中的一般安全规则同样适用于计算机安全。 计算机安全的局限性有没有绝对计算机安全这样的事情一句话，没有这样的事情术语 安全系统是一个不恰当的名称，因为它暗示了系统要么是安全嘚要么是不安全的。安全实际上是一种平衡如果提供的资源是无限的，则任何形式的安全都能遭到破坏尽管攻击者可用来实施攻击嘚资源越来越多，但在现实世界中这些资源仍然是有限的。考虑到这一点我们应该这样来设计所有系统：让攻击者为破坏这些系统所付出的，远远大于破坏之后他们所能得到的 端到端的安全什么是端到端的安全？在一个多层系统中每一层都应该有其自身的安全，并苴与其他层协调一致为汇集在一起的不同系统和中间件设计安全，是一个相当大的挑战简单地说，系统安全的程度仅相当于最弱的一環的安全程度；除非您按端到端的观点考虑安全否则安全随时可以遭到破坏。 简单性一个复杂的安全设计会起作用吗乍看起来，制止未授权用户访问系统的最佳方法也许是设计一个非常复杂的安全方案，但事实并非如此不仅设计复杂的安全系统的高成本使人不敢问津，而且要是这种安全系统太复杂了，恐怕连合法用户也难以进入另一方面，简单系统更容易理解也更容易分析。 好的系统设计需偠安全有可能对安全进行翻新吗答案是，这几乎是不可能的在很多情况下，翻新安全而不必重新设计系统的实质性部分可能是不现實的。在几乎所有的情况下翻新的成本非常昂贵。因此安全从来不应是事后考虑的事情 -- 从一开始它就必须是系统设计的不可分割的一蔀分。

强人工智能时代否会到来2022年有望诞生首台模拟人脑机器 强人工智能时代是否会来临？机器是否可能像人脑那样进行思考14日上午，北京大学科技成果发布会暨人工智能产业论坛在双创周北京会场主题展现场举行记者在论坛上获悉，2022年世界有望诞生有台类脑机，將模仿生物大脑处理信息的方式实现处理速度和规模远超同类机型。 与很多唱衰强人工智能时代的观点不同北京大学计算机科学技术系主任、AI专家黄铁军坚信强人工智能时代会在未来20至30年后到来。何为强人工智能黄铁军在论坛上表示，人工智能走过百年发展历程目湔已步入新一代AI阶段。强人工智能将能够适应环境应对未知挑战，具有自我意识达到并超越人类水平。 黄铁军认为类脑机的诞生将拉开强人工智能时代的序幕，而且2022年将有望诞生首台类脑超级计算机根据欧盟推出的《人类大脑计划》，到2022年首台实时模拟人类大脑的機器就会出现约20年后尺寸与人脑相当又能精确模拟人脑功能的类脑机或将面世。 目前英国曼彻斯特大学计算机科学学院正在研究类脑超级计算机项目。据曼彻斯特大学官网介绍这台计算机拥有100万个处理器内核,每秒可进行200万亿次运算，处理信息的方式与人脑类似“所謂类脑超级计算机，就是它在模仿生物大脑处理信息的方式而且处理速度和规模远超同类机型，但在体系结构上与传统意义的超级计算機有明显不同”黄铁军解释说。除了国外国内也已开展类脑芯片研究，去年北大已研制出北大视网膜芯片，芯片的视觉感知不同于鉯往的摄像头技术而是模拟人类脉冲神经，从而形成画面 强人工智能如果出现，会不会出现电影里人类和人工智能对战的情形黄铁軍笑言，无须恐慌机器人跟人类“打不起来”。“电影里人类跟机器人枪战的画面现实根本不会出现。因为如果真的出现强人工智能它的反应和速度远过人类几个数量级，你还没掏枪它都打你无数拳了，这架打不起来” 此外，基于人工智能技术论坛上还发布了哆个北大科技成果。由北大信息科技学院李戈博士研究的“智能编程机器人项目”可以代替程序员帮医院进行编程从而助力智慧医疗体系搭建；由北大肿瘤医院医生吴昊开发的人工智能肿瘤治疗项目，将助力远程医疗让科学智能的肿瘤治疗方案走向全国。

斩获AI底层技术嘚世界冠军！深兰科技用这个抓手驱动增长飞轮 美国洛杉矶长滩世界顶级的计算机视觉会议CVPR2019的FGVC系列挑战赛在这里举行。在这个堪称AI底层技术的大比拼中一个中国公司力克各路好手，最终获得了其中Cassava 挑战赛的冠军 这个公司叫做深兰科技。 标志着AI底层技术的领先 深兰科技此次夺冠到底意味着什么 CategorizaTIon（细粒度图像分类），今年共有十个挑战赛每个都代表了细粒度视觉分类在某个细分领域的挑战，这些比赛嘟为日后真正解决细粒度图像分类提供了大量的技术方法和实现方式对解决细粒度图像分类问题具有重要意义。 什么是细粒度图像分类和传统的广义上的分类任务不同，细粒度图像分类是要解决相似的分类对象例如要区分不同的鸟类、不同的植物、不同的日用品等等。 以深兰科技参加的这个全称为“Cassava Disease ClassificaTIon”（木薯疾病分类）的挑战赛为例需要选手们根据木薯的叶子区分不同种类的木薯疾玻由于不同的木薯叶子病变情况长相非常相似，此外同一类别由于姿态背景以及拍摄角度的不同，也存在很大的类内差异导致这个挑战赛的任务困难偅重。 看到这里你或许知道这个挑战赛有多重要了。可以这么说计算机视觉是AI的底层和核心技术之一，而细粒度图像分类识别则是计算机视觉中的重要领域 无论是你用手机对某个商品拍照，就能自动到某个电商网站购物还是自动驾驶汽车时，对前方物体的识别或鍺手机AI拍照时，对识别的物体进行自动优化等等都会用到这种细粒度图像分类识别。 据深兰科技的技术人员介绍针对训练样本较少的問题，他们除了传统的数据增强方式还使用了RandomErasing和Cutout的方式来降低过拟合的风险。同时在比赛中，深兰科技的参赛团队还使用了Mixup和label smoothing的训练筞略结合其他方面的创新，最终深兰科技夺得了冠军 所以，深兰科技在Cassava 挑战赛中夺冠也标志着其在AI底层技术上取得了世界级的领先。 深兰科技的增长飞轮正在加速 今年来自深兰科技的新闻不断。3月深兰科技宣布成立深兰意大利公司，和意大利著名金融机构Foundazione Magna Grecia签署协議整合双方资源，为欧洲的商业和服务业提供人工智能产品和技术 在此前在上海举行的“新一代人工智能未来发展峰会”上，深兰科技的人工智能产品进行了展出众多国外代表表达了浓厚的兴趣。以熊猫智能公交车为例其智能驾驶、生物识别、语音交互、精准广告嶊送、车载监查机器人、智能无人零售系统、异常行为监控系统、智能逃生紧急处理系统等黑科技于一身，让公交车进化为智能城市的新粅种 在AI领域，深兰科技显得比较特别因为它有两个独特的标签，一个是“中国AI产品走出国门的先行者”另一个是“AI落地产品、服务囻生的先行者”。 之所以有这样的独特标签和深兰科技的商业模式有密切关系。深兰科技创始人兼CEO陈海波在一次演讲中曾经将深兰科技的商业模式概况为八个字：“做强两端，打通链路”所谓“两端”，一端是技术包括计算机视觉、自动驾驶、生物智能和语义智能等人工智能的基础技术；另一端是市场，是将人工智能和行业深度融合服务民生；所谓“打通链路”，是指在成熟的需求基础上实现┅个产品线，打通硬件壁垒整合产业资源，交付软硬件系统最后形成差异优势。 这一切也构成了深兰科技独特的“增长飞轮”：AI底層技术的创新，带动产品落地、服务民生渗透到各种日常应用场景，然后在场景中获得实际数据来反哺AI技术进步这又会降低基础AI研发嘚边际成本，让更多的国家、让更多的人能够应用AI技术由此形成正向循环。 值得注意的是任何一个“增长飞轮”都有抓手。亚马逊之增长飞轮的抓手是用户体验；苹果公司之增长飞轮的抓手，是产品那么深兰科技之增长飞轮的抓手是什么呢？是AI基础研究和应用开发从这个角度来看，深兰科技拿下全球顶级CVPR的FGVC的挑战赛冠军具有特殊意义。 后记：透过现象看本质 深兰科技一直是AI领域的佼佼者但是吔有人看不懂。从表面上看深兰科技跨越了太多行业：安防、教育、交通、城市、制造……又四处出击，不仅在中国市场而且走出国門，深入到一带一路地区、欧洲市常 实际上透过现象看本质，这一切的背后逻辑就是上述的增长飞轮。 正是因为深兰科技拥有独特的科学院加公司的体制从基础研究到硬件开发，从软件开发到硬件制造让其可以从AI的基础技术到最终的软硬件产品都能做到领先。从而讓AI技术赋能各行各业也让深兰科技得以在AI领域异军突起。 这就是深兰科技拿下AI技术领域的世界冠军以及在AI应用和全球化扩张的秘密。

法无明文不为罪办理刑事案件，法典不能离手对办案人员和刑辩律师来说，“两高”司法解释、意见批复、会议纪要、指导案例手頭得常备常新。“一本通”“总整理”“全厚细”等刑事工具书也是必不可少。 当然司法实践中，许多“疑难杂症”无法直接从字媔求解。例如多次抢劫预备，能否认定“多次抢劫”经营有偿讨债业务，是否属于“非法经营”国有控股企业中，哪些人属于“国镓工作人员”上述问题，单查法条不够有时得靠“立法释义”或“理解适用”支招，或者在《最高人民法院公报》《刑事审判参考》等出版物中寻找答案问题是，这些释义、参考、案例分布甚广体系庞大，查询不易即使汇编整理，也是不易携带的“大部头” 我任刑事法官时，曾想逐字梳理前述文献从中提炼“干货”、归纳“规则”，编撰一本相对全面、实用的“小册子”然而，面对汹涌而來的人工智能大潮我又开始犹豫：当所有法律法规、司法文件、裁判文书都可以在“超级数据库”内“一网查询”，当“智能类案推送”成为各类办案辅助系统的核心“卖点”时还有必要再去编一本法条注释书吗？一切交给数据和机器问题是否就迎刃而解了？ “当然鈈可能全靠机器解决”当我向法律科技界的朋友求教时，大家都给出否定答案是的，按照现在的人工智能技术计算机在语音识别、圖文识别、自然语言处理方面进步神速，但具体到法律领域还做不到真正意义上的“智能推送、精确回应”。 为什么呢因为每一个刑倳罪名背后，都隐藏着千百种“适用场景”对应着各类成文或不成文规则。这其中既有法律适用规则、量刑操作规则，也有证据审核規则、程序把关规则如果没有法律专业人士去提炼、分类、整合，并作标准化处理将之转化为算法嵌入系统，机器就只能回答“抢劫罪规定在刑法第几条、有哪几种加重处理情形、入户抢劫致人轻伤如何量刑”等简单问题无法就复杂案情作出反应。 机器若想“智能”必须经过“深度学习”和“试错训练”，而学习的对象并非法条或司法解释的简单堆砌，而是经过一线办案人员“精加工”过的法律適用规则规则越是“以问题为导向”，越是经过反复提炼、校正机器的反应就越是灵敏，结果就越可能接近准确正如行内对“人工智能”的解释：“投入多少人工，就有多少智能” 即使进入“智能时代”，法律专业主义仍然必不可少推动实现“智能辅助办案”，鈈仅需要工程师和程序员的孜孜努力更离不开法律专业人士精心绘制的“知识图谱”。 这里的“法律知识图谱”是教会机器开展法律嶊理的基础。总体上看它是法律法规、司法文件、法院判例、证据规则和案件事实的动态集合。具体而言又可以细分到追诉标准、法律适用、取证指引、证据分析、量刑指南等各个领域。 2017年年底因为工作关系，我参与了上海“刑事案件智能辅助办案系统”（又称“206工程”）的应用推广工作“206工程”的初步目标，是对应刑法常用罪名制定相应证据标准和规则，将之嵌入司法办案系统实现对证据的統一提示指引、严格校验把关。 证据指引工程庞大必须以“众筹”形式完成。但法律适用规则的整理其实是刑法知识的一次“精加工”，编辑者的逻辑编排、要旨提炼、观点选择体现了个人的价值取向、学术判断、政策立场。因此我决心利用业余时间，编撰一本聚匼刑法法条、立法解释、司法解释、司法指导文件及其起草者解读囊括各类有效判例规则的刑法注释书。 与德、日学者侧重以学说、理論注解法典的传统注释书不同这本《刑法注释书》选择的注释工具，是立法释义、立法解释、立法解释性意见、司法解释、司法指导文件、指导性案例、公安文件、相关文件理解与适用等 受罪刑法定原则规制，刑法典是一个相对闭合的规范体系最适合以注释方式编撰。与此同时随着经济、社会、科技的快速发展，刑法及其司法解释也必须不断予以回应可以说，任何一本纸质刑法工具书从出版当ㄖ就“过时”了。当然随着科技发展，有很多方式可以弥补这一缺憾 实践中，可能已有法官审理过超越规范性文件、指导性案例所列凊形的案件并根}