哈工大刘挺教授出席2019国际人工智能院长/系主任高峰论坛并发表演讲
声明: 本文转载自公众号IPIU智能感知与图像理解
编者按：近日，哈尔滨工业大学社会计算与信息检索研究中心主任刘挺教授出席了在西安举办的“2019国际人工智能院长/系主任高峰论坛”，并发表了题为《自然语言处理前沿技术进展》的演讲。
论坛为国内外高校的专家学者及企业翘楚形成常态化交流提供了平台，让大家能够充分碰撞观点，共同探索我国高校人工智能人才培养体系以及领域科技创新体系的建设之路，助力在全国范围内形成“人工智能+X”的复合专业培养新模式。
徐宗本：AI与数学：融通共进
中国科学院徐宗本院士
徐宗本院士在报告中深入地探讨了人工智能与数学的问题。他首先谈到“徐匡迪之问”和“任正非答记者问”，从而引入了人工智能和数学之间的关系。接着，徐宗本院士详细地解释了机器学习，即建模“智能体通过与环境的交互、自省，提升自身能力”这一智能，并介绍了其在函数空间和参数空间的数学框架。其中，智能体可以是深度网络、机器人、无人系统，抑或含参、可调的任务求解器，而环境则是对数据、模型、知识的描述，或是对修正智能体行为指标的建模，神经网络是最常见的智能体，比如：全连接神经网络（NN）、卷积神经网络（CNN）和循环神经网络(RNN)。同时，徐宗本院士分享了机器学习的一些典型模型，分别有深度学习、自编码器、对抗生成（GAN）以及强化学习，并指出这些模型中智能体和环境所代表的具体含义，他认为人工智能的发展将进入自主智能，在数据样本、模型算法和环境任务层面，实现机器学习自动化。
徐宗本院士还介绍了人工智能的一些基础问题对数学的挑战，包括大数据的统计学基础、大数据计算基础算法、深度学习的数学原理、非常规约束下的运输问题和学习方法论的建模与函数空间上的学习理论。随后，他重点阐述了人工智能对数学的应用，主要是针对最优化问题和PDE问题。对最优化问题而言，适配性问题、超参数问题及全局优化问题得到了充分地解决；就PDE问题来说，对基于黑箱的通用方法、数值方法驱动的DL方法和从数据中发现微分方程进行了深入地研究，并通过实验证明了方法的可行性及有效性。
最后，徐宗本院士说明了人工智能和数学两者之间所产生的影响，并总结道：从认识论和方法论上看，数学与人工智能交互作用的本质是提倡模型驱动与数据驱动的结合，这种结合具有巨大潜力，一些重要的结合方式包括：数据不够模型补；模型不精数据上；以及机理启发、知识融入。
席酉民：面向未来重塑高等教育——西浦的探索
西交利物浦大学席酉民教授
席酉民教授的报告以对教育的七个问题的思考和讨论而展开。首先，针对“大学存在的意义和价值”这一问题，他谈到如今在网络空间上存在大量的网课，虽然可以随时随地廉价学习，并且政府社会认可学分学位，但是它们只拥有知识的广度，却没有知识的深度和高度，而大学可通过知识深度和高度的构筑帮助学生成长。然后，席酉民教授对“为什么要以学生和学习为中心的教育”进行了详细地阐述，他指出，以学生和学习为中心教育的关键是学生改变学习行为、老师改变教学方式、学校构筑资源环境和支撑体系，让学生在科学技术、学会学习、人际关系、国际视野和社会价值方面不断成长和进步。对于“如何帮学生转变、健康成长和快速启航”， 席酉民教授认为，传统教育产物下的“巨婴”、自我为中心的学生、“直升机”父母和“填鸭式”应试教育需要不断改善和提升，可通过进行研究导向型教育，帮助学生树立世界公民的意识，明道任事。接着，席酉民教授使用MIT研究人员用可穿戴式传感器监测学生整周大脑的活动状况的实验来指出“为什么需要教学创新和研究导向型教学”，实验结果显示，学生在传统的课堂上大脑活动最不活跃，而做实验、作业、自学、考试或做梦时的大脑则是十分活跃的。席酉民教授针对这一实验现象阐述了教学创新的必要性，并提出了西交利物浦大学所提倡的研究导向型教学。
另外，席酉民教授谈及“为什么要教育创新”，根据西交利物浦大学第一个十年的探索，要建立以学生健康成长为目标、以兴趣为导向、以学习为中心，帮助学生从孩子到年轻成人到世界公民、从被动学习到主动学习到研究导向学习、从盲目到兴趣导向到人生规划。随后，对“为什么要教育重构”进行了探讨。在大数据时代，受到第四次工业革命的影响，人工智能的出现将导致人类工作的转型，席酉民教授呼吁，教育也应立即行动以应对人工智能社会的颠覆性转型。最后，席酉民教授讲到“教育的重塑：西浦方案”，他介绍了融合式教育变革，即“国际化+素养教育+知识结构+育人过程+育人场景”，并分享了西交利物浦大学的教育与价值及管理体系，其融合型学习与研究环境，帮助西浦学生成为有专业造诣的精英、融合型精英和创业家。
姚新：为什么人工智能人才培养还是这么难？
南方科技大学姚新教授
在2018年国际人工智能院长论坛中，姚新教授曾做题为“为什么人工智能人才培养这么难”的报告，经过了一年的实践与总结，姚新教授带来了新的思考。姚新教授的报告围绕“计算机科学对于人工智能的重要性”展开，由于计算机科学是人工智能的基础，计算机科学人才培养难，也就造成了人工智能人才培养的困难，他指出：“没有扎实的计算机科学基础，人工智能就会成为沙地上的漂亮房子”。人工智能人才培养的挑战不止在软件基础，计算机体系结构，数据结构，操作系统，编译原理等等都是“硬”课，数学分析、离散数学、概率论与数理统计、线性代数等等更是巨大的挑战，同时作为人工智能专业，还需要开设深度学习、计算机视觉、图像处理、自然语言处理、语音处理、自动推理、知识表示等课程。此外，本科生还有许多通识课程选修课，大学四年的时间是远远不够的，因此实际上人工智能人才培养的关键是能力的培养，不仅仅是知识的传输，要思考“人工智能专业人才培养的目标是什么？”，“人工智能专业究竟需要培养什么能力”，“人工智能人才培养与其他专业的主要区别是在能力方面还是在知识点上？”。
最后姚教授总结：“能力培养是人工智能人才培养的关键，自学能力和有效获取新知识的能力更重要，以项目为主的培养方式有助于学生能力的培养。”
焦李成 ：人工智能专业建设与人才培养的挑战与思考
西安电子科技大学焦李成教授
焦李成教授首先指出人工智能是解决国民经济建设、国家安全与社会发展中一系列重大需求问题的共性基础，推动我国新一代人工智能健康发展，要勇闯无人区，敢做领头雁。世界主要国家都已经纷纷出台了人工智能战略、策略和政策，推动人工智能赋能社会和实体经济，完善中国人工智能学科布局和加快建设一流人才队伍和高水平创新团队十分重要。之后，焦李成教授分析了国家自然科学基金委信息学部和中国人工智能学会有关智能学科的研究方向以及我国高校的人工智能整体布局，随后分享了西电在人工智能领域人才培养的实践与探索，提出了当前人工智能发展存在的挑战与建议。针对目前人工智能国内国际的发展形势，焦李成教授指出需要建立面向国家国防重大需求，面向国际学术前沿，积极探索与构建人工智能人才培养与科技创新融合的新模式，注重链式思维，构建“国际化+西电特色”的本硕博一体化培养体系，拓展载体建设，厚植产学研协同化人才培养基础”。并且详细讲解了西电人工智能培养体系，包括“本-硕-博”一体化培养体系，创新创业课程，课程体系，研究生核心课程和专著出版。依托高水平国际合作和科研平台培养创新型人才，建立人工智能教育创新实验室。最后焦李成教授对西电人工智能人才培养战略体系做出总结：建立以竞赛引导创新为特色的新工科学生培养体系，建立本硕博衔接与协同的培养模式，科研融入教学，打造创新实践环节，学生培养国际化，拓展国际视野。
吴飞：学科交叉汇聚推动人工智能创新发展的思考
浙江大学吴飞教授
吴飞教授的报告围绕“计算机课程体系历史发展”和“人工智能课程设置现状与若干工作”两个主要方面展开。他首先讲解了计算机课程体系的历史发展：从EE到CS，从程序、到算法、到功能实现，又以卡耐基梅隆大学设立人工智能本科专业为例详细讲解人工智能专业的相关课程体系，吴飞教授指出“人工智能人才培养要强化专业意识、克服知识体系碎片化与空心化”。2019年，我国各高校人工智能本科专业开始大范围招生，人工智能本科专业被列入电子信息类专业，浙江大学的人工智能人才培养则以“理清内涵、促进交叉、赋能应用”为核心理念，吴飞教授讲解了浙江大学人工智能本科课程群知识点关系图：厚基础、促交叉、重实践。紧接着，吴飞教授梳理了特朗普政府发布《特定新兴技术管制审视》时间脉络，列出了相关技术清单，指出技术发展的卡脖子现象成为国家关注重点，对比了中美人工智能相关论文、相关项目以及优秀人才。最后吴飞教授将人工智能的发展概括为：“其作始也简，其将毕也必巨。”
黄河燕：人工智能产教协同育人探索与实践
北京理工大学黄河燕教授
黄河燕教授首先介绍了大数据驱动的智能时代中信息技术社会的五大形态演进：IT信息时代、互联网时代、移动互联网时代、大数据时代和AI时代，她结合当前人工智能投资，行业数据治理智慧化，5G时代的智能发展，人工智能产业现状和行业与人才分布关系分析了人工智能的产业发展态势。2019年发布的《北京人工智能产业发展白皮书》显示：我国人工智能企业占世界人工智能企业总数21.67%，排名世界第二，但目前仍存在原始创新能力与美国尚有很大差距，关键技术和应用空心化，缺乏人工智能高端人才的问题，目前全球AI领域的人才缺乏，远远不能满足市场需求。随后，黄河燕教授介绍了我国人工智能相关专业的建设情况，提出人工智能人才培养的现状和挑战：AI专业推行有难度，课程体系有待完善，师资队伍仍需发展壮大，AI人才培养需遵循教育自身发展规律，AI专业人才严重不足，专业课程体系和培养模式还没有完全形成，技术人才培养与生产和创新实践脱节。
黄河燕教授分享了当前信息技术新工科的发展和北京理工大学产教协同育人的思路：坚持引企入教和引企入研，完善投入与利益调整机制，建立校企双向教学管理机制，产教融合实践。最后，她指出人工智能人才培养的目标需要聚焦到三种人才：拔尖创新人才，宽口径复合型人才和交叉融合型人才。
方勇纯：基于智能学习的蛇形机器人轨迹规划与控制
南开大学方勇纯教授
蛇形机器人可以在平地、沙漠、海洋、管道、窄缝等多种极限环境中运动，因此可以应用于地震救灾、管道维护、海洋探测、星球探测等领域。方勇纯教授的报告就围绕着蛇形机器人从以下三方面展开：基于深度模仿学习的轨迹规划算法、基于强化学习的步态优化算法和基于强化学习的跟踪控制方法。
方勇纯教授首先介绍了什么是蛇形机器人和其研究重心（本体研究、本体步态生成），并指出蛇形机器人的优势在于可进入狭窄管道、星球等未知环境，未知环境中的路径规划是其首要问题。从蜿蜒运动的机理出发，方勇纯教授认为传统规划算法并不适用，提出利用模仿学习让蛇形机器人学会在未知环境下导航，面临的挑战在于：环境完全不可观，因此状态为部分可观，机器人在未知环境中导航问题属于POMDP问题，他进一步给出了具体的利用模仿学习进行轨迹规划的解决思路。针对蛇形机器人在复杂化环境下难以进行精确建模问题，方勇纯教授提出利用高效的策略表示形式和强化学习算法（PI2）进行步态优化控制，让机器蛇学会躲避障碍物进入到目标区域。在实际场景中机器蛇太长的身体限制了其运动灵活性，因此将机器蛇模块化，可重构化。从可重构问题描述、问题分析、问题解决思路等方面分析，方勇纯教授指出：传统强化学习方法的缺点在于数据效率不高、仿真环境与实际差别太大无法直接应用、优化出来的解无法保证收敛性。为此，他提出联合传统控制器的强化学习算法设计跟踪控制器，该方法采用离线优化+在线调用作为实际机器人的控制方式，可实现鲁棒高效的控制性能。
石光明：AI基础问题与AI本科专业教育
西安电子科技大学石光明教授
石光明教授的报告主要围绕两个主题展开：人工智能基础问题和智能本科专业教育，在深度调研和剖析现状的基础上他探讨了自己的一些思考和相关工作。
石光明教授以人工智能的起源（达特莫斯会议）为引，谈到如今人工智能无处不在，进而介绍了人工智能的形态和人工智能的发展现状。并进一步提到典型的人工智能CNN，以及图灵奖得主、贝叶斯网络之父Judea Pearl的评价：所有这些令人深刻的深度学习成果加起来不过是曲线拟合罢了。针对分类问题指出其本质在于大数据训练，高度非线性拟合分类函数。然而培养CNN真的就这么简单吗？石光明教授认为针对具体的问题，网络结构如何设计、训练数据如何设计、网络的泛化性能，以及在很多领域缺乏数据、数据质量不好等都是面临的挑战。接着，石光明教授以何为智能、智能行动过程、智能设计的因素为过渡，指出信号处理观念的变更，即智能信息处理准则从信号保真转语义保真，信号处理的目的是为了获得信息，信息的基础是语义。在智能本科专业教育方面，石光明教授详细阐述了人工智能的知识体系、知识特点等，指出人工智能知识体系目前还没有固化，是多学科融合。最后他总结道：人工智能改变世界，改变科学方法，但基础不牢，有待夯实，知识体系有待完善。
刘青山：视觉特征学习
南京信息工程大学刘青山教授
刘青山教授的报告围绕其团队在机器视觉方面的研究工作以及遇到的问题和挑战进行阐述。他首先指出人类接受的外部信息的80%来自于视觉，人工智能离不开机器视觉，机器视觉具有广泛的应用前景，比如通信娱乐、平安城市、智能制造、人机交互、智慧医疗、航天国防等，而视觉特征学习是机器视觉的关键。他进一步解释，视觉特征学习与表示是对感知的底层视觉信息（颜色、纹理等）进行特征抽取和描述，以期更好的对其进行分类和解释，在这个过程中面临的挑战包括光照变化、视点变化、尺度问题、遮挡问题等，以及高维性的挑战。接着，他回顾了近三十年视觉特征学习从简单到深度的过程。
刘青山教授以两个工作来概括其研究重点，即高维性到稀疏低维特征表达和视觉大数据到深度特征学习。他指出真实世界的高维数据往往（近似）存在某种低维结构，而这个低维结构可以通过模型参数稀疏性刻画，对于关键问题列举了字典学习和优化算法。接着，刘青山教授介绍了团队围绕深度学习在人脸特征点定位与跟踪、大姿态人脸配准、ImageNet大规模图像分类、遥感图像分类、超谱图像分类、多谱图像分类、卫星云图气旋系统分析和土壤湿度反演等诸多领域的研究与进展，给在座学子提供了开阔的研究思路和宝贵的研究经验。最后，刘青山教授提出问题，深度学习真能学到鲁棒的视觉特征吗？并以漫画为例，指出如何实现人眼的视觉特征学习能力还任重道远且极具挑战。
黎铭：人工智能人才培养：思考与探索
南京大学黎铭教授
2017年7月8日，国务院在《新一代人工智能发展规划》中强调尽快在试点院校建立人工智能学院、增加人工智能相关学科方向的博士、硕士招生名额。2018年4月，教育部印发《高等学校人工智能创新行动计划》。可见人工智能已上升为国家战略，但目前人工智能人才供需严重失衡。黎铭教授在报告中指出现行高薪挖人的做法无法从根本解决问题，整个社会没有增量，根本解决途径是培养人工智能方面的人才。
黎铭教授从四个方面详细阐述了人工智能方面的人才应如何培养。首先是“关注什么人工智能”，黎明教授指出我们的人工智能教育所关注的应该是有助于为人类社会谋福祉的、有助于学生未来职业发展的内容，因此，我们关注“弱人工智能”，而不是“强人工智能”。接着，“培养什么样的人才”，黎铭教授认为应是培养在AI领域具有源头创新能力和解决企事业单位关键技术难题能力的人才。从人工智能诞生，其发展经历了推理期、知识期、以及我们正处的学习期（机器学习），他进一步指出，高水平人才应具有的知识结构是：数学基础好，计算、程序功底好和人工智能专业知识全面。最后，以计算机科学为例，从培养方案与课程体系探索、目标与措施（夯实基础、深化专业、复合知识、加强实践）、培养路径（依托南京大学“三三制”）、课程设置（“机器学习”属于核心地位）和注重实践（建立学生实训基地）等方面详细解读了现有的学科专业体系能否培养我们需要的人工智能人才。
杨小康：深度过程学习
上海交通大学杨小康教授
杨小康教授的报告以"深度过程学习"为主题，用深度学习方法去解决随机过程中的问题。人们在生产和生活过程中产生了大量的过程数据，对于过程大数据的分析和利用，使人类动态、持续地认知、适应、改造生产和生活环境。针对过程数据随机、动态的特点，研究“动态”随机现象的统计规律，通过反复验证，对过程进行抽象及简化的表示，建立随机过程模型。杨小康教授指出，随机过程建模的难点在于模型选择难、模型拟合难、模型应用难，很难适应信息社会快速变化的开放环境和不断涌现的新现象。从（大规模、高维）数据中，要学习过程动态规律，带来过程数据分析的新突破，更好适应信息社会的快速发展。杨小康教授强调，要通过研究深度过程学习，将各类随机过程问题进行抽象，转换成深度学习、强化学习等技术可以求解的问题形式，并具备一定的通用性和可解释性，从而推动随机过程和机器学习的学科交叉，进一步加强机器学习技术在信息社会的渗透性。之后，杨小康教授结合多个应用案例和仿真数据实验介绍了点过程的深度学习和点过程的深度强化学习聚类两个方面的研究进展，说明了深度过程学习具备一定的可解释性，求解灵活性高，对先验依赖低，具有高的预测精度。
张艳宁：复杂数据与任务环境下的知识迁移
西北工业大学张艳宁教授
张艳宁教授的报告主要讲述了数据驱动的先验知识迁移、跨任务知识迁移和跨媒体知识迁移。大数据时代下，全球数据总量持续快速增长，人工智能的作用将愈发重要，然而，将人类的先验知识、其他数据域、媒体、任务的模型、方法不能很好的用于目标域、目标媒体和目标任务，阻碍了数据的使用。张艳宁教授通过对知识的迁移，提高数据使用效率，针对图像清晰化、图像分类、检测/识别和视觉与语言交互任务，提出数据驱动的先验知识迁移、跨任务知识迁移和跨媒体知识迁移方法，并结合具体实例进行了详细介绍。首先，通过表示高光谱图像中的结构特性，从数据中学习显式、隐式的图像先验，构建图像先验模型，约束解空间，来解决高光谱图像的降质问题。其次，对于不同曝光时间下，主要降至类型不同，通过跨任务知识迁移，进行模糊/噪声图像对联合估计重建；利用图像去模糊辅助图像识别，并首次将图像识别结果反馈促进图像去模糊过程，实现二者间的跨任务知识迁移。对于自然图像中的文本检测与识别，通过多任务学习和共享计算，使得完成不同任务的模型可以相互迁移知识；融合多种视觉模型所产生的知识，进行视觉知识的紧致表示，解决视觉问题回答（VQA）需要依赖多种视觉任务模型的问题。第三，对于大量视觉问题，仅仅依赖源于图像本身的视觉知识是不足够的，答案往往隐含在图像之外的外部知识中，通过面向结构化、非结构化知识库，链接视觉信息与外部知识库，构建跨媒体知识迁移模型。
曾志刚：华中科技大学人工智能研究建设初步思考
华中科技大学曾志刚教授
曾志刚教授的报告以"华中科技大学人工智能研究建设初步思考"为主题，给出了人工智能的几点思考、研究建议以及对未来的展望。曾志刚教授讲解了人工智能的发展史，对未来的发展方向给出了自己的观点，认为第四次工业革命可能是智能化阶段，代表技术是算计机，并对比“强”、“弱”人工智能，认为“弱”和“强”只是相对于人类思维模式模拟的接近程度而言的，弱人工智能只针对于某个特定任务，强人工智能是类脑级别的人工智能，机器可以像人类一样独立思考和决策。人工智能的实现方式是智能化算法，分为以功能为主导的传统算法和以结构为主导的类脑算法，但人工智能不能只停留在算法阶段，应该使算法芯片化，芯片系统化，系统产业化。曾志刚教授介绍了人工智能的前沿研究，提出基础研究和产业驱动是人工智能的双引擎。针对《国务院新一代人工智能发展规划》，给出了大数据智能与先进计算、人机共融与智能控制、智能感知与机器学习、类脑智能计算芯片与系统、跨域无人系统与群体智能五个人工智能热点前沿方向，并说明了相关应用场景。曾志刚教授还从行业需求、国际一流、学科前沿三个方面给出总体目标，最终立足长江经济带，服务国家战略，政产学研一体化，实现人工智能校企联合体。
Alejandro C. Frery：Statistical Information Theory and Geometry for SAR Image Analysis
巴西联邦大学阿拉戈斯分校Alejandro C. Frery教授
Alejandro C. Frery教授的报告强调了统计在SAR图像处理与分析中的重要作用。Frery教授首先介绍了什么是SAR，并给出一个现有的乘法模型，该模型是对真实值有用的近似。对于抑制相干斑噪声滤波器的评估，出现了许多相干斑噪声抑制技术及其性能的测量方法，Frery教授提出一种评估剩余相干斑质量的方法，该方法的基本原理是测量两个目标间的（即理论分布和观测数据）距离。报告中，Frery教授给出了G0模型，涉及到描述纹理的和描述尺度的两个参数，由于三角距离的数值简单且稳定，基于三角距离对模型进行参数估计，从而实现数据和模型之间的距离最小化。测量数据和模型间的距离可以量化滤波器的质量，最小化这个距离会产生鲁棒的估计量，但是还未有准确的概念定义距离的远近，距离之间也不能相互比较。Frery教授介绍了从随机距离和测地距离去检验统计量，所有这些检验统计量都具有渐近分布，所以是可解释和可比较的，他也结合边缘检测、变化检测等具体实例给出上述理论的实验验证。
王国胤：人工智能+学科群建设助推高层次创新人才培养
重庆邮电大学王国胤教授
王国胤教授的报告从五个方面展开：人工智能人才培养需求、指导思想以及建设目标、人工智能学科内涵建设、人工智能+学科群建设、重邮AI高层次人才培养。
1）人工智能人才培养需求：
从国家的AI战略、教育部AI行动计划以及重庆市大数据智能化、重邮人工智能发展规划四个方面提出人工智能人才培养需求的重要性。
2）指导思想以及建设目标：
指导思想：围绕重庆市“三大攻坚战”和“八项行动计划”等战略的实施，强化人工智能基础建设学科，全面提升在渝高校人工智能领域人才培养、科学研究等能力。
建设目标：到2020年，力争新增3个人工智能一级学科授权点（若国务院学位委员会设置），在已有的计算机科学与技术一级学科下增设一批人工智能学科方向。
3）人工智能学科内涵建设:
通过人工智能一级学科建设和增设人工智能学科方向来构建人工智能科技创新体系和构建人工智能人才培养体系。
4）人工智能+学科群建设:
通过重庆市人工智能+学科群建设的20个领域、重庆市立项建设、重庆市培育建设三个方面详细介绍了人工智能+学科群建设。
5）重邮AI高层次人才培养:
从学科建设指导思想和思路、重邮的学科建设总体情况、科大讯飞--重邮AI学院、重邮人工智能+学科建设、管理制度执行和条件保障这五个方面详细的介绍了重邮的AI高层次人才培养，其中在重邮人工智能+学科建设中他介绍了智能通信、智能网联汽车、智能安全和智能司法。
胡清华：智能与计算大类人才培养模式探索
天津大学胡清华教授
在互联网、大数据与人工智能正在全球范围内掀起新一轮产业革命的时代背景下，胡清华教授从天津大学人工智能教育、天津大学人工智能科研以及未来展望三个方面探讨了智能与计算大类人才培养模式。
首先，他指出研究目的是探索智能本质，研制出具有类人智能的智能机器。高校非常重视“新工科”建设，其中重要的一点是采用信息技术，特别是人工智能技术提升传统工科，培养具有交叉学科和智能化思维的高层次人才，他从学部情况、新工科、人才培养目标、人才培养机制、学科交叉、平台建设、模式改革、双创基地、全球视野、硕果累累和特色方向方面介绍了天大的人工智能教育。其中人才培养机制为：一个牵引，三级融合、五位一体，一个牵引指新工科，三级融合指的是：教、学、研的融合，产学与校企融合，多学科交叉融合，五位一体是学科交叉、平台建设、模式改革、环境引育、和多元保障。特色方向包括：智能语音与认知、多模态机器学习、视觉与高性能计算、数据驱动的网络空间安全、智慧健康养老。其次，他从科研基地和科研成果两方面介绍了天津大学的人工智能科研。最后，他围绕培养拔尖创新卓越人才，建设世界一流学科从制度文化、师资队伍、新工科、科技创新、人才培养和社会服务对未来进行了规划。
刘挺：自然语言处理前沿技术进展
哈尔滨工业大学刘挺教授
刘挺教授在报告中指出，自然语言处理是认知智能的核心，是人工智能非常重要的分支。他概述了人工智能的三个阶段：运算智能、感知智能和认知智能，人工智能已经进入了它的黄金时期。
刘挺教授由浅入深的对自然语言处理研究进行了介绍。首先，他介绍了自然语言处理的研究内容，包括应用系统、应用技术研究、基础研究以及资源建设；自然语言处理的特点包括存在大量可以利用的先验知识，其有由浅入深的四个层面：形式、语义、推理、语用，现阶段的自然语言处理是从语义到推理的过渡阶段，自然语言处理的四类问题是解析、生成、匹配和分类。其次，刘挺教授提出了十个进展：1) 广泛采用分布式语义表示；2）深层注意力模型逐步成为标准；3）模型预训练成为NLP的新范式；4）多任务学习进一步提升效果；5）知识图谱开始发挥实际作用；6）阅读理解在某些数据集上超过人类平均水平；7）文本情感分析进展明显；8）文本生成从研究到实用；9）自然语言处理平台陆续开放；10）对话系统从应用到平台化。
最后，刘挺教授指出自然语言处理现阶段面临的十个挑战：1）如何构造大规模带标数据；2）如何获取常识知识；3）可解释性问题；4）小数据问题；5）知识工程与统计方法的融合问题；6）文本推理问题；7）领域迁移问题；8）话语（Discourse）与语用（Pragmatics）的研究；9）基于多模态融合的文本理解；10）模型压缩与加速。
孙富春：智能教育的发展思考
清华大学孙富春教授
孙富春教授首先从文字的演变来分析教育的内涵，从随着社会发展教育形式演变的角度来分析教育的发展，从农耕时代的私学和书院到工业时代的规模化教学，再到信息时代的网络多媒体教学，那么人工智能时代需要什么样的教育呢？
孙富春教授指出现代教育需要十个方面的改革：教育生态从平面到立体、思维模式从一维到多维、知识体系从单一到跨界、教师能力从一元到多元、教育技术从单一到复合、教材呈现从纸质到数字、教学场景从传授到互动、学习方式从静态到动态、管理模式从传统到智慧、教学评价从粗放到精准。并且人工智能在教育领域应用呈现出：智能教育项目投资热度高，深受资本市场青睐；将有更多教育培训机构布局智能教育产品研发；教师需要具备与人工智能配合教学的能力三种趋势。他指出人工智能和教育的有机结合还存在数据积累不足、市场认知不够、人才问题等诸多挑战。教育模式也应该由传统的“教师教与学生学”的统一范式转变为针对不同教育阶段呈现不同教育模式的新状态。孙富春教授强调，在人工智能时代，教育必须进行学科交叉探索、普及相关知识、规范伦理，帮助孩子迎接未来的挑战，让孩子成为指挥机器的人。他还指出人工智能技术对教育产业赋能，能够将教师和学生从低效重复的工作中解放出来。
最后孙富春教授总结到人工智能与教育的关系为“为人工智能而学”和“用人工智能来学习”，两者的结合是人机混合智能，能够推动个性化学习，更多地关注人本部分，未来教育的关键是创造能力的培养。
陈云霁：智能计算系统课程
中国科学院计算技术研究所陈云霁教授
陈云霁教授首先阐述了人工智能技术分为芯片层、系统层、算法层和应用层，提出底层技术的缺失可能使得我国智能产业成为空中楼阁，他以汽车专业和计算机专业培养目标为例指出人工智能方向应该培养人工智能（子）系统的设计者和研究者，他建议课程体系中应当包括系统线的课程：智能计算系统，以此培养学生全面的实践能力和更强的研究能力。同时，陈云霁教授指出培养教授该课程的教师，能够抢占这一国际热点方向，是未来重要学科增长点的先机。
陈云霁教授认为智能计算系统是智能的物质载体，具有重大价值，第三代智能计算系统可能是人工智能发育的虚拟世界，中国需要一大批智能计算系统的开发者和设计者。他最后总结：人工智能的培养体系必须软硬并重，培养具有系统能力的学生，希望通过开放所有教学资料，和各个高校一起推动智能计算系统课程的建设。
房树新：OpenPOWER 创新人工智能科研实践应用新模式
浪潮商用机器有限公司技术支持部总经理房树新
房树新先生从企业客户需要的AI能力、浪潮商用机器有限公司的AI解决方案、应用场景与实践参考三个方面向我们讲述了IPS能够在人工智能方面提供一个什么样的完整系统。
他首先介绍AI的产业生态主要包括底层硬件、通用AI技术及平台和应用领域，对应涉及AI芯片研究、计算机视觉研究、服务机器人研究等相关研究。指出AI平台工作流和数据流为数据抽取、数据准备、构建模型、训练模型、评估、部署、使用模型、定价和监控，AI生命周期的完整管理包括业务需求、数据采集、数据准备、假设、建模、调优、评估、解读、部署、运营、反馈、持续优化。从完整AI平台化需要的AI能力和教育现状的角度出发，他认为在教授学生模型构建、训练和调优能力的同时，也应该注重学生理解业务、数据准备的能力，能够与用户对话理解业务的问题所在，能够清洗数据、选择数据，教学生科学的知识。
最后，房树新先生介绍了浪潮商用机器有限公司的基本情况，其在硬件和软件两方面的AI方案，并以实例的形式展示了行业合作一体化方案。
樊星：AI智适应技术如何带来学习效率的革命
乂学教育-松鼠AI联合创始人、CTO樊星
樊星先生首先指出传统教育的四大困境：（1）教育资源分配不均，优秀教师资源紧缺；（2）千人一面的学习内容，不能针对每个孩子的学习情况自适应化；（3）统一化齐的学习速度，而实际中每个孩子的学习速度都不同；（4）只注重知识掌握的训练，忽略能力、思想、方法的培养。他提出“AI+教育”能够带来（1）人工智能特级教师，融合几百位特级教师的经验和智慧；（2）突破时空限制；（3）千人千面；（4）因材施教；（5）针对每个孩子的学习速度量身定制学习方案等好处。
之后，樊星先生展示了松鼠AI智适应学习引擎架构，指出其具有纳米级知识点拆分、实施持续评估诊断学生知识状态和能力水平，更新学生个人画像、精准侦测每个孩子的知识漏洞、个性化学习内容推荐、个性化学习路径规划等优势特点。最后，他指出AI会给教育带来变革，能够使学生少做题，对学习上瘾，掌握真正的学习能力和方法，能够改变一考定终身的教育现象，使教育变得更加透明。
1
专家学者高峰对话
会议最后，在重庆邮电大学王国胤教授主持下，清华大学孙富春教授、中国科学院计算技术研究所陈云霁教授、北京交通大学赵耀教授、中国人民大学文继荣教授、天津大学胡清华教授、陕西理工大学王磊教授、西北大学陈莉教授、西安电子科技大学侯彪教授、中国船舶重工集团公司科技委主任邵开文、西安电子科技大学王爽教授、华南理工大学张智军教授、蒜泥科技有限公司杨少毅以及北京盛开互动科技有限公司CEO曾祥永14位专家围绕人工智能专业建设、学科建设、学院建设、人才培养以及产学研用等问题进行了高峰对话。
孙富春教授首先介绍了清华大学对人工智能专业人才的培养理念：从1985年开始清华大学成立了机器人中心实验室，开始围绕机器人做人工智能，后来到1987年成立了智能技术与系统国家重点实验室，人工智能成为实验室主要的方向，其中一部分自然语言人机交互成为实验室特色。孙富春教授认为培养人工智能更主要的是注重学科交叉，可以通过课题的形式来促进学科交叉。清华人工智能实验室中建立十大中心，几乎囊括学校与人工智能相关的交叉全部学科，包括生命科学、药学、医学、科学、心理学、材料科学、计算机、电子科学等，除此之外实验室还有一个特色：国际特色。孙富春教授认为国际合作是未来AI发展的重要领域，实验室注重学子的对外交流，目前已与微软，德国汉堡大学国外等进行过交流，这两部分结合是清华培养人工智能人才的关键。
关于学生培养，赵耀教授的培养理念是学生能力要精，而不是要泛，特别对于博士来说，要深而不是要宽。赵耀教授认为只有对这个领域有一定的见解，领悟到一定的深度，成果才会获得业界的认可。
文继荣教授对在社科类学校怎么发展人工智能专业与学院给出了建议：发展人工智能学科是社科类学校发展理工科一个千载难逢的机会，甚至不发展人工智能学科会威胁到原有优势学科的发展，很多学科必须拥抱人工智能学科、大数据这样新的技术，比如法学、新闻学都需要人工智能的技术。文继荣教授认同孙富春教授所强调的注重学科交叉，在中国人民大学交叉融合分两种：第一种是常见的“AI+”，是我们常见的以AI为主，再加上其他学科，另外一种是“+AI”，是以其他学科为主，研究未来社会的问题，比如劳动人事学院研究因为人工智能而产生的新旧工作的交替。
胡清华教授就如何进行专业建设创新人才培养提出两点意见：1.一定要把基础打牢固，专业核心课和数学课对未来的发展很重要；2.激发出学生的学习兴趣和创新能力，对自己研究的方向产生浓厚的兴趣，搭建实验平台，本科生也参与到硕士博士的课题研究中，尽快的了解自己的兴趣，全身心投入到未来事业中，把人工智能和控制相结合产生自动化技术和系统，给人类生活带来变化。
就如何布局和建设人工智能专业，王磊教授指出，这既是机遇也是挑战，照着别人的路子走一定不会成功，一定要有自己的特色，他指出并不是非双一流高校不能开展人工智能专业，随着信息时代的发展，高校需要培养适应社会发展的人才，在一些非双一流高校也应该开展人工智能专业。就学校现阶段开设人工智能专业面临的师资力量不足、学生学习动力和执行力弱的问题，学校成立了大数据研究所，智能科学与技术研究所，目的是稳定青年教师，引进高水平师资力量，支持扶持校友创办创业基地，激发学生学习兴趣，落实课程体系的建设，争取在未来3-5年内成立人工智能相关专业。
作为综合性大学，如何办好人工智能专业？来自综合性大学的陈莉教授指出，现有的成立的人工智能学院的学校，从结构化程序设计的模型来讲，总的框架已经有了，如何模块化，提出三点思考方向：1）从师资队伍的方面，针对博士、博士后以及青年教师的教学能力欠缺，如何落实；2）课程群的设计，不同课程之间如何衔接，教学的学术研究以及调研国内外现状；3）实践检验，加强实验部分，规划教材，定期举办一些学术交流会议，专业培养人是一件了不起的事情，否则会贻误一代人。
从企业的角度出发，就人工智能教育如何与企业需求结合起来的问题，邵开文指出，作为传统的装备制造业，除了从事海洋装备产业、动力与机电装备产业，也涉及了了人工智能装备、抗癌的新药、医疗器械、芯片等，是一个综合性企业，西方国家军工领域在人工智能领域的应用非常快，我们同样有这样的需求。战争态势的形成的判断，多传感器数据的融合，国家的预警系统以及态势分析需要快速地决策和判断，都需要经验的积累、知识库的建立以及专家系统的沟通方式，但是人工智能一旦发展起来，一定对于我们的作战系统、预警系统、战场态势的判断，尤其是短程的近距离的危险的判断等等都非常重要。他指出，企业需要大量的应用型人才，希望高校培养研究型人才的同时推动应用型人才的发展，应用型的人才也需要扎实的基础，他非常看好人工智能未来在装备制造业的用途以及国防领域的应用。
从学校的角度出发，陈云霁教授就人工智能方向系统课程在双一流高校、普通高校、军、文、理等不同水平、不同背景条件下如何开设的问题提出几点建议：陈云霁教授首先指出学校、学生和教师存在基础不同问题，因此在课程教材设计方面应做到全面，包括基础理论和提升两部分，对于基础好的学生可以直接学习提升部分内容，实验方面包括软件和硬件实现部分，对于存在学时等限制情况下，可以只进行算法层的实验教学，而芯片上的实现可以作为选修部分进行。整体的思路是提供完整的课程设置，根据不同情况自行裁剪，得到适合自身学情的课程内容。
侯彪教授就西电人工智能学院在国际化方面所做的工作进行了分享。侯彪教授首先介绍到西电的智能科学与技术专业是国家第一批智能科学与技术专业，因此其本硕生的培养体系已经有十多年的时间，目前比较完善，人才培养步入比较稳定的轨道。国际化方面，由于人工智能是一个复杂的学科、是一个系统化的学科，西电提出产学研一体化，实行产学研融合，希望培养的人才走向社会，服务社会。针对人工智能领域一些“卡脖子技术”属于国外的问题，西电人工智能学院在国际化方面也已经做了一些工作，在欧盟框架下开展了自然智能的合作，在陕西省和科技部的支持和扶持下，开展了遥感和人工智能领域的研究，与诺丁汉大学等形成长期的合作，在课程设置方面建立《人工智能》、《模式识别》全英专业课程，实行把学生送出去，迎进来的教育理念，在寒暑期进行“人工智能之旅”到哈佛大学、斯坦福大学等顶级的团队进行面对面的对话进行短期交流，未来希望实现本硕博全面长期的国外交流。侯彪教授指出人工智能方向一定要做国际化，并且要深入，通过学生的合作拓展到教育拓展到科研，学习国际领先的思想、理念和技术。
王爽教授就人工智能方向实验室的建设方面提出了一些建议：人工智能时代学生能力的培养是关键，对于学生能力的培养，实验室环境是极其重要的。实验是提升学生能力的重要一环，这也为校企合作提供一个很好的切入点，人工智能人才的培养学校需要企业的一些技术，而企业需要学校的实验部分。西电人工智能学院建设了“四个A、三朵云、两个主体、一个模式”的人工智能创新实验室，以创新实验教学环节，提升学生的主动性。另外，在课程体系模块，可以将实验部分贯穿课程整个过程，在每个部分设置分模块的实验，最后完成总的系统，建立完善的课程体系。
张智军教授也分享了华南理工大学的专业建设经验，由于地理的特殊性，华南理工大学地址设在广东地区，企业较多，华南理工大学通过产业驱动发展人工智能。教学方面，注意课程上的重叠和区分，科研方面，要求做国际高水平的研究，鼓励发论文与专利，鼓励理论做前沿的研究，要求本科学生做实际的系统，对研究生有一定的论文要求，这样提高学生的开发能力。他们的建设有“一个中心，两个基本点”：一个中心是人才是核心，两个基础点一个是智能建设，智能建设的良性循环，是每一个人才都能发挥自己的才能，另一个是资金，国家的支持少不了。
杨少毅先生分享了自己创新创业经验，一切源于机遇与兴趣，机遇是专业与老师学校的支持，兴趣是通过相关竞赛的一步步成长。他说到现在公司所做的工作也是当时所学，所理解，所掌握的人工智能展开的创业，公司有“一技之长”。科技改变生活，把科技技术应用于生活中，这才是作为一个研发者最终目的。作为特别是人工智能这样的学科，杨少毅认为这样的学科有很强的的前瞻性，实践是很重要的过程。同时，创新创业的思维也是非常重要，学生可以多参加相应的比赛，鼓励将知识进行实践，从企业需求角度去了解社会的需求。
曾祥永先生也对高校培养创新创业人才提出建议：人工智能专业需要大量人才，前几年是人工智能发展快速时期，如今这两年人工智能才真正落地。然而，企业的人工智能是完成交付，完成一个解决方案而不是一个技术。要去实际的现场对数据，调参。他建议学校对学生培养多从需求，多从系统方案的角度对人工智能学习和实践。建议让学生在大三大四时就走出去了解企业的需求是什么样的，也可以与做过人工智能领域中成功产品设计的人士进行交流，让学生对产业有更深的体会。还可以在教学与生活中大胆的用人工智能，在这个过程中，培养学生对问题的发现与技术的研究。
本期责任编辑：张伟男
本期编辑：冯梓娴
“哈工大SCIR”公众号
主编：车万翔
副主编：张伟男，丁效
执行编辑：李家琦
责任编辑：张伟男，丁效，崔一鸣，李忠阳
编辑：赖勇魁，李照鹏，冯梓娴，王若珂，顾宇轩
长按下图并点击 “识别图中二维码”，即可关注哈尔滨工业大学社会计算与信息检索研究中心微信公众号：”哈工大SCIR” 。
相关内容
微信扫码咨询专知VIP会员