科大訊飛胡郁：漣漪效應補足智能動力學，腦機融合感覺就像連體嬰兒（北大AI課No.10）

新智元整理

備受矚目的北大 AI 公開課來到第十講。本講科大訊飛聯合創始人、執行總裁、消費者事業群總裁胡郁老師親臨現場，與北大人工智慧創新中心主任、百度七劍客之一、酷我音樂創始人雷鳴老師共同參與，就人工智慧技術及產業最新進展展開了深入的討論和交流。內容涵蓋：

• 人工智慧是什麼，由哪些核心部分組成？

• 在人類發展歷程中人工智慧將扮演什麼樣的角色，當前人工智慧的浪潮將如何改變我們的生活？

• 人工智慧的核心技術將如何發展，科大訊飛引領的語音技術為何稱為是人工智慧的核心要素之一？

• 在人工智慧時代里，未來商業的形態將發生哪些變化，帶來哪些機遇，對創業者來說又應該做好哪些準備？

胡郁個人宣講

謝謝雷鳴。很高興能夠來到北大與大家交流。我與雷鳴都希望能夠推動中國人工智慧產業的發展。在不同的時間，我們對於人工智慧的理解也是不斷進步的。今天，想和大家分享一下我、科大訊飛對於 AI 一些問題的認識。希望能夠促進同學們自身的發展，以及對於產業的認識。

今天主要和大家分享 5 個問題：What，Where，How，When，Who。

第一個問題是 What，人工智慧是什麼？

前幾年，有人認為 AI 是深度神經網路，是智能設備，是大數據，是機器人，但其實這都不是 AI 的概念。想講解人工智慧的概念，需要看一下科技的發展進程。其實，前一次科技發展，為後一次科技發展在做準備工作。比如，若沒有解決蒸汽問題，就沒有接下來的電子時代。若沒有線電，非線電，就沒有數字電路的時代。有了電子時代，才能夠進入互聯網時代，大概在上世紀90年代。最近，我們認為進入了人工智慧時代。那麼，建立在前三個時代的人工智慧時代，到底是怎麼回事。

我們從原點開始尋找，智能是什麼，智能生長的環境是什麼。130億年前的宇宙大爆炸，產生了宇宙，經過逐步發展，才產生了人類。地球的生命是40億年，大概在300-400萬年前才有猿人。人工智慧的產生與自然宇宙中的智能產生的歷史相比，可以忽略不計。1946年，美國軍方研製出ENIAC，標誌數字宇宙的誕生。因此，真正的數字宇宙產生到現在才71年。最早，探討數字宇宙中可能孕育出生命智能的人是哥德爾、馮諾依曼、圖靈、畢格羅。相信大家對於馮諾依曼已經耳熟能詳了，我們現在計算機的體系結構是馮諾依曼機，圖靈提出圖靈測試。

最近這本《Turing』s Cathedral》講了四個人如何在數字宇宙中討論智能。哥德爾在數學上證明了數字計算機可以計算任何問題，甚至包括智能問題。這四個人當時在普林斯頓研製一台計算機叫MANIAC，是世界上其他計算機的鼻祖。中國當時根據MANIAC建立了508號機，IBM也深度參與了這一項目。當著四個人討論的時候，人工智慧的名詞還未被提出。

1956年，美國達特茅斯會議提出「人工智慧」的概念，自然宇宙中產生人類智能，數字宇宙中產生人工智慧。這一會議由兩個重要的遺產：提出AI這一名詞，參加人工智慧的那群人。後來，這一群人中，產生4個圖靈獎得主，1個諾貝爾獎得主。這一群人在2016年之前，基本都已經去世。有意思的是，在60年後，也就是2016年，人工智慧在產業上得到了真正的發展。

很多人都在使用人工智慧這個詞，這個詞最早由好幾種不同的解釋。一個是研究人工智慧的一群人關心的「強」人工智慧，他們希望能夠真正破解人類產生人工智慧的奧秘，並且讓機器實現這一點，比如有一個機器就可以下棋、語音識別等等，同時擁有很強的學習能力。人腦的學習能力很強，但是我們現在的機器學習系統，可能需要給他看幾十萬張，上百萬張圖片，才能認識物體。持這一派觀點的大多都是科學家，後面發展出符號主義，連接主義等人工智慧的討論。60年來，人工智慧雖然輸出很多理論，但是實際進展並不大。因為，我們並不清楚人腦是怎麼運作的。計算機領域做應用的人認為的人工智慧是希望用計算機的方法模擬人的智能的某一方面，比如下圍棋。但是，完成這個系統並不能做決策，駕駛汽車等。目前，弱人工智慧被普遍用到工業界中。因此，你會看到不同形態的機器人可以完成人的一項任務，或者一項任務中的一個步驟。2015年，當時華為2012諾亞方舟實驗室主任，現任港科大計算機系系主任楊強老師說，計算機的真正可以思維的強人工智慧是想實現從0到1的突破。而我們現在工業界（計算機應用界）做的人工智慧只是讓計算機的行為表現得像人工智慧一樣，即內部的工作原理是否與人一樣，大家並不關心，他稱為從1到n。

因此，人工智慧的發展並不是一帆風順的。這條曲線，更多描述的是人工智慧應用的不同發展階段。1956人工智慧被提出後，大家認為AI很快能夠滿足大家的需求。人工神經網路（Perceptron）1957年被提出，第一個人工智慧軟體（做定理整理的LogicTheorist）也很快被提出。因為當時計算機速度很慢，存儲量很小，同時，人們意識到人的智能思維過程不能單純依靠符號表示。因此，人工智慧不能很快實現。這一階段，中國並沒有參與。在20世紀80年代，個人電腦出現，美國在搞「星球大戰」計劃，歐洲在搞「尤里卡計劃」，日本提出「第五代計算機」，即可以做出一個像人一樣可以交互和思考的計算機。中國當時發起863計劃，第一次開始進行研究人員的培養和補充。到了90年代末，互聯網興起，人工智慧處於最不景氣的階段。當時AI專業畢業都找不到工作，因為人工智慧解決不了實際問題。在那個時間點，中國已經儲備了做人工智慧科學研究的人才。科大訊飛是1999年成立。當時創業很艱難，當時提出3年要做100個億，其實到今年，訊飛要做100億還是有難度的。但是，互聯網和移動互聯網的發展為AI的發展奠定基礎，這也讓中美兩國成為世界上唯二兩個既擁有AI技術準備（龐大的科研人員）,又擁有互聯網和移動互聯網基礎設施和產業構型的國家。如今，AI在全球的競爭，就是中美之間的競爭。

不同的人對於AI有不同的觀點。而另一些真正做人工智慧研究的人，比如Michael Jordan和YannLeCun認為，人工智慧還遠未達到能夠威脅人類的地步，還有很多技術探索工作要做。人工智慧威脅派想的大多是強人工智慧，現在工業界取得突破的是若人工智慧，這之間還有很大差距。

最近有兩本書很有名，《人類簡史》和《未來簡史》。《未來簡史》中提到一個觀點，將來的人工智慧是否會有意識。我在過去兩年也提到，將來我們可能做出智能與人類一樣，但是沒有自我意識的智能體。在自然宇宙中，智能與自我意識是共存的，且兩者之間強相關。比如，動物的智能越強，自我意識就越強。在數字宇宙中，智能體可能很聰明，但不一定有自我意識。如果將來能夠把兩者分開，一個沒有意識的智能體還能滅絕人類嗎？我們還不如擔憂另一個問題，機器人是否會取代人類的工作，這是一個值得嚴肅考慮的問題。

目前，人工智慧的發展如何？強人工智慧看不到突破，但是弱人工智慧已經發展的不錯了。那麼，與人比較，發展怎麼樣？ENIAC被發明出來後，軍方希望用其計算炮彈的運行軌跡。人類的大腦最不擅長計算。我們將這種智能成為運算智能。

所有的棋類程序都可以用運算解決，因為他們是完全信息公開的博弈系統。2016年AlphaGo戰勝了李世石九段，但這並不能說明問題。圍棋的運算量很大，大概是10的170次方。按照目前的計算機運算能力，大概在10-15年之後，才能算完。現在AlphaGo運用了其他技術，比如感知智能才算完。但是本質還是計算。AlphaGo學習了16萬盤人類的對弈過程，自己又生成3000萬盤。人類不可能記住3000萬盤中的每一步對弈經驗，機器能夠記住，並能夠推算後面10-30步。

從運算能力和重組能力來講，人類早不是機器的對手。但是從感知智能（能聽會說，能看會認）和運動智能（能抓會扔，能走會跑）來看，最近很多的技術都是與這兩個智能相關。在感知方面，人類有眼耳鼻舌聲，機器的進步也很快，深度神經網路應用於圖像和語音；在運動方面，我們過去用智能控制的方法。

中科大以前的校長提到，人的大腦局部有量子效應的，量子效應也可能使得人的大腦在放電中產生智能。各種說法都有，這是一個未探知的奧秘。我個人推崇的是「鳥飛派」。最早的人類學習飛行是像鳥一樣粘很多次毛，跑到高處往下跳。發明飛機之後，錢學森的導師馮卡門研究了空氣動力學（air dynamics），研究鳥的羽毛為什麼能夠產生升力，主要是羽毛的橫截面在空氣的流動過程中能夠產生向上的升力，這個升力很複雜，有多種現象。現在人的飛機比鳥更先進。大腦受腦殼的物理限制，大腦不能很大，結構也不能特別複雜。但是其中的結構，存儲記憶的方式，以及放電行為的傳遞，是非常有意思的。

如果我們能夠研究智能動力學（intelligence dynamics），我們可以將智能和意識分開。因為兩者產生的機理可能不同。若搞清楚，我們可以將智能的東西單獨剝離出來，做出超腦，不受到自然宇宙中神經連接的物理限制。關鍵是是否能夠將智能動力學搞清楚。目前，我們正在研究視覺、聽覺、各種感知的機理，我們希望能夠突破，但是能夠需要10年甚至更久。目前的產業界，人工智慧為何能夠工作，主要因為3大法寶：首先是深度神經網路。雖然在數學上不beauty，但是隨著數據量增加，性能能夠不斷提升。但是想提醒的是，現在神經網路有用，並不代表二三十年後，沒有其他演算法能夠超過他。隨著認識的加深，可能之後有新的演算法超越深度神經網路。現在，應該有其他科學家堅持其他機器演算法的語言。其次，互聯網和移動互聯網的普及有利於獲取真實的統計大數據。在統計模式識別中有一個基本的假設，training data和testing data要同分布。訓練的數據需要來自於使用環境，互聯網和移動互聯帶給大家這種條件。比如，現在的訊飛輸入法，用戶會將語音數據上傳，可以降低數據收集成本。

另一個很重要的是「漣漪效應」，這是互聯網思維在核心技術研究中的應用。為什麼現在的實驗室，不能提出最好的演算法，主要是沒有大數據和漣漪效應。在移動互聯網下，因為軟體免費，用戶願意花時間用這些產品，且不會產生抱怨或反抗。當推出一個不好的人工智慧演算法（包括圖像、語音、自然語言理解）時，就像水滴滴在水面，只有一小部分人才會用到。一旦使用，數據會送到雲計算伺服器，雲計算伺服器可以立即學習更新。當水波擴大到更廣泛的人群時，系統的性能已經提高。水波的振幅就是系統的誤差。當水波擴散，振幅越來越低。當水波紋擴散到第1000萬人時，10000001個人是第一次使用這一系統，他會覺得系統很好。利用漣漪效應，可以把不熟的、需要在真實環境中訓練出來的系統，真正培養出來。在實驗室中，可以做人工智慧的演算法。

正是有了以上對於人工智慧的分析、定義和決策，公司在2014年推出 「訊飛超腦」系統。我們希望能夠突破感知智能和認知智能，能理解會思考，這樣才可能真正解決問題。

我們如何構造訊飛超腦系統？若將人類的大腦皮層攤開，大約是類似於餐巾布的厚6層的部分。大腦皮層的不同部分處理不同信息，比如視覺、聽覺，再匯聚到概念層面。眼睛看到一隻貓，會映射到「貓」的概念，大腦會做好準備，聽到的貓叫是怎麼樣的，摸上去是一個毛茸茸的動物。人類可以將這幾方面完全聯繫到一起。《On Intelligence》這一本書詳細解釋了人工智慧與腦科學的關係。訊飛超腦有感知智能，我們做了viewing machine，reading machine和listening machine。我們的路線是採用深度學習。深度神經網路應用於語音識別最早的公司是科大訊飛和谷歌，之後的6、7年間，深度神經網路被應用於合成、自然語言處理、翻譯等各方面。深度神經網路現在已經有很多開源工具，比如TensorFlow，Torch，Caffe，最重要的還是對於深度神經網路的理解。深度神經網路中線怎麼連接，構型如何，重複之間的反饋，如何協調不同節點之間的關係，對於性能的提升很重要。掌握這些，並與腦科學連接在一起，才可能達到最佳效果。

在大數據方面，每一個公司都應該有一個大數據的訓練平台。訊飛與百度是國內用GPU做訓練平台的最大公司之一。訊飛訓練語音識別需要10的11次方個訓練樣本，其中的參數要更新10的9次方次。人腦是不需要那麼多數據的，但是目前弱人工智慧需要。這種性能在實驗室里很難實現，也是目前公司成為研究的主力的原因之一。訊飛輸入法現在可以支持方言，少數民族語言，中英、中日之間的翻譯。2010年訊飛輸入法剛上線，識別率只有55%，第二年就達到83%，去年達到97%。每一種人工智慧演算法都會按照這一途徑發展。去年，訊飛取得了國際多項測試的第一，標誌著中國在AI的技術和產業上做好了充分的準備。Challenge 是英語語音識別大賽，一個pad上有6個麥克風，2個麥克風，1個麥克風，距離4-5米遠講英語，訊飛去年參加比賽，將前年的識別率提升100%，做到了2.24%的錯誤率。在英語語音合成大賽上，訊飛連續11年保持第一。在去年的知識圖譜大賽，訊飛也獲得冠亞軍。

同樣一句話，爸爸沒法拒絕他兒子，因為他很虛弱，這中間只換了一個詞答案就完全不一樣，這個測試叫常識，人類都知道的常識。比如說我們講一隻大老鼠爬上了一隻小象的鼻子，雖然它講了大老鼠和小象，但是我們的常識都知道小象比大老鼠要大很多很多倍。

這類常識需要很強的推理能力和知識的記憶能力，計算機是很難搞的，任何人類十歲的小孩就可以得到做到90分，機器在這方面就是打不了高分，這個測試第一年參加我們得了第一名，但是它的正確率只有58%，人類十歲的小孩可以做到90%，知識技能上機器人的挑戰非常大。

另外還有一個我領銜的事情就是人工智慧863這個項目就是高考機器人，這個項目當時剛出來的時候，很多人說這個項目肯定做不出來，因為高考是每年真考，高考卷子每年不可能從題庫裡面查的到，而且又是實打實的，一定要推出來，當時我們做了國內有一百多個專家參與這個項目，一開始很多人都說有兩部分人，一部分人嘲笑我們，說這把吹牛吹大了，你們肯定做不出來，還有一幫給我們擔心的，說這個題目是不是太難了一點，事實證明今年是第三年，我們現在語文做到90分，數學做到110分，地理和歷史能做到40到50分，地理和歷史比語文和數學都難，數學只要能看懂題後面都簡單了，後面是邏輯推理，但是語文要寫作文，現在我們也能寫作文了，問題是看他每一句話都對了，放在一起就不太對。

這個就告訴我們人工智慧挑戰是非常大的，下一個問題就是什麼時候人工智慧會到來？

人工智慧能用在什麼地方，這個是我們現在都很想回答的問題，在我們看來人工智慧主要是外在兩個方面，第一個方面就是改變你所有的日常生活，人工智慧使很多機器具備了和人自然交互的能力，包括用語音、紅外可以和我們自然交互，人工智慧因為可以學習，可以顛覆很多需要專業人士的領域，比如說醫療、教育，這裡面很多需要專業人士。人工智慧可以替代這些專業人士的某些技能。

簡單看一下，交互大家都知道每發展十年，計算機任何類的交互時代都發生變化，剛開始是打二型字，後來用鍵盤，鍵盤我學了三個月才敲鍵盤，我父母肯定不會敲鍵盤，後來又發明了滑鼠，現在有觸摸屏，觸摸屏現在大家都會用，我們家小孩兩歲多都用觸摸屏很順了，但是觸摸屏只能輸入簡單信息，複雜的信息不行。

我給大家講一個故事，現在大家會發現，人類說有80%信息來自於眼睛，人類獲取信息是這樣的，正好計算機有一個顯示屏，所以說他在表述一件衣服的時候，他衣服給你看一下就行了，因為計算機有顯示屏，人類對圖象的理解能夠超強。如果人類想畫一個畫給電腦看怎麼辦，所以說只有兩個選擇，要麼畫一張，要麼就跳一段舞，我估計你跳舞計算機看不懂。所以說人類想把自己的感覺傳播出去最快捷的通道其實是講話。人類如果自己大腦感受的東西你會發現唯一的辦法是講話，或者把它寫下來。

而計算機這邊接收端正好可以理解我們現在講的話，就是它的智能水平，計算機現在對視覺的智能水平跟人相比差太遠，計算機看到視覺裡面的語意還提取不出來，這種情況下，我們會發現越來越多，包括現在這樣的產品，我要講在信息領域這是非常熱的一個詞，通過一個音響、耳機或者手環可以直接跟機器人對話，就像打電話一樣，我們把這個叫做弱世界呈現語音交互，你看不到東西也可以打電話，就像跟家裡人對話一樣。還有一種情況你必須看到東西，比如說你給你女朋友或者男朋友買一件衣服，你會拿一個Pad給他看，這上面你覺得衣服怎麼樣，這樣我們才能完成一次交互，而這種交互我們叫做強世界呈現語音交互，這個交互在家裡面電視和手機或者投影跟車上的這種信息結合在一起，能夠解決我們相當多的人機交互的問題，人機交互問題跟機器之間，訊飛現在有一個技術叫做AIUI可以自由跟機器進行對話，現在在訊飛語音雲上有10億的終端設備連接到雲計算上，包括你們在座很多手機，每天使用次數超過35億次，第三方創業團隊有超過30萬個創業團隊在用我們的東西。所以這是一個非常大的數量，而且這個數量正在急劇上升，從去年到今年大概增加了100%到150%的速度，這裡面有很多數據，包括訊飛輸入法包括靈犀，靈犀最近我們會出很多的設備，包括耳機，還有我們的音響，我們的車載設備。

在家電裡面現在智能家庭現在也在進入生活，用語音就可以跟他們交互了，包括在汽車裡面的分析助手，最近我們在國內做的分析助手還被寶馬專門買過去，就是為了分析我們語音交互的性能到底怎麼樣。

另外一個方面，在行業裡面需要各種各樣的專家，教育裡面我們最需要的是好老師，我們恨不得給每一個小孩都配個老師，這個老師能看它的作業，因為每個小孩進度不一樣，我們希望給他不一樣的教育，不一樣的題目，不一樣的輔導，但是有那麼多好老師嗎？北京的學區房為什麼那麼貴？就是因為那個學區的老師好。醫療也是一樣，如果你不想被誤診你要去協和，你要去301，而這裡面也是一樣，老師是稀缺資源，醫生是遺缺資源，特別是那些好的，人工智慧幹什麼，人工智慧能夠學習這些最好的醫生、老師、法官、律師、公安幹警的能力，然後機器學習去替代他們。

在教育裡面訊飛現在已經為7500萬師生在提供人工智慧服務，中國是世界上唯一一個動發音水平進行測試的國家，我問了，上次我問過中國區的總裁，美國人都不測這個東西的，美式英語其實非常什麼標準的。中國是世界上唯一一個國家能大面積的考口語英語的國家，其他國家根本考不了，因為沒有那麼多老師去改口語的卷子，為什麼以前只改革聽力，聽力用機器改，口語需要老師聽著你的口語聽懂以後才能改，他不是判斷發音準確程度的，他是判斷語法的，但是中國現在可以，在廣東、廣西、安徽、江蘇中國越來越多省在高考和中考四六級考試在加以考試，黃州惠州的學校他們的口語因為用了這個東西，每年口語成績會提高1分，口語成績一共才20分，中國是應試教育。

第三個中國是世界上唯一一個可以用機器來改，除了選擇題以外所有題目的國家，手寫的填空題、問答題和作文現在都可以機器來改，現在我們也在做這個工作。醫療裡面也是一樣，最因為好的醫生看了這個片子是有經驗的，他看了這個片子以後原始片子和最後記錄會記錄下來，我們講的三大法寶，深度神經網路、大數據和漣漪效應就可以學習它，學了以後就可以替代醫生中間的一些技能，這些東西就可以幫助縣裡面那些不是協和和301的專家，也可以拿到學習和301和協和專家技術的機器輔助診斷，從而提升整個國家醫療方面的整體能力，在智慧城市很多方面都是這樣。其實這個也就是可以總結出：人工智慧在各個行業裡面可以讓機器學習這些頂尖專家的知識，達到他們的70%到80%，甚至60%水平就夠了，頂級專家的能力學到了這個程度已經超過了一般專家，遠遠好過一般人。人工智慧到各個行業裡面會改變這個行業的思維方式，原來一些用人可以做，但是這個行業需要10萬人才能解決的問題，原來不可能，現在用人工智慧有可能。

我們把工作分成幾種類型，如果是所有的信息都完備的任務，比如說下圍棋，機器隨著運算智能，感知智能、運動智能和認知智能上提高一定會超過人類，但是信息不完全，比如說打仗得到的信息都是破碎的，甚至有很多是假的，這個時候人工智慧不能夠完全變成人類，需要人機協同，而無中生有從0到1，剛才講的創造、自我意識，生產出藝術，這些方面人是絕對的主導，這個可能跟靈魂、自我意識有相當關係，而現在人工智慧還達不到這一點。

最後，誰將弄潮人工智慧時代？我經常碰到這樣的問題。我覺得一個技術創新的公司應該能做到這幾點，第一個核心技術創新要做到就做到世界第一，但不能掛羊頭賣狗肉，其他方面做的最好，不是說技術排到世界前三四名就夠了，一定要第一。但是很多學校可以做到這一點，清華大學、科大很多技術都做到世界上最好，但是技術有沒有產業化，通過技術創新結合商業模式創新能掙到大錢，這種大規模的利益和系統創新。

我右邊會畫一個發動機，在機械工業時代，發動機就是所有產品裡面最牛的那個，每個零件都需要一個核心技術創新才能創新出來，發動機世界上只有兩個公司可以造，一個是GE，還有一個是生產勞斯萊斯那個品牌，其實也是生產航空發動機的。

最後一點也很重要，你說你這個企業很大，但都是在一個地區，你在中國很大，在新加坡就完蛋了，新加坡市場非常小，所以一定是要國際化的。如果真的有競爭力，真的能夠給國家戰略形成支撐的話，必須是國際有競爭力的，生意必須做到全球去。

從這個角度上來講，在我們過去IT信息產業裡面幾次的革命都是技術創新所帶來的，包括個人電腦上的Wintel體系，移動互聯網時代的安卓+IOS+ARM整套的系統創新，這套系統創新裡面需要我們剛才講的源頭核心技術系統創新，也需要我們講的產品創新和微創新，比如說安卓和IOS裡面操作系統手機做的很好，但是上面還需要很多的應用，應用要瞄準用戶的痛點，要能解決實際的問題。而在人工智慧領域也是一樣，既需要能提供人工智慧核心技術包括圖象、語音、交互，包括我們剛才講的認知智能和感知智能核心技術，又需要很多人用這些技術解決各個行業和用戶所需要的實際問題。

在這一點上，其實我們能看到不同類型的公司，總結起來有兩種：一種是登山型的公司，做源頭核心系統的公司必須腳踏實地的一點點做。所以說在這一點上，我們看到有很多的中國的技術創新型的企業，比如說中國的航天，中國的航空、軍工，中國包括高鐵其實都是這麼做的。包括華為，我覺得這一點華為做的很好，剛才我講的這四條，其實在中國真正符合這四條的，如果你要是把它說的比較嚴格一點坦白來講就是華為，但是華為有歷史特性，因為在通訊時代發展起來的，我相信中國還能產生越來越這種公司。

登山型的公司就是山就在那裡，你要慢慢一點點攀登，坐十年冷板凳子講的就是這個精神，一點點研究公關需要大量的時間中的長征5號運載火箭，開發這個產品用了10年，這個產品之間的預演又做了10年，做這個產品用了20年，沒有這樣的韌力根本做不出來。

另外一個叫浪潮之巔，浪潮來的時候如果你不能夠抓住這個機會，比如說像微信，微信沒有任何核心技術創新，關於3G、4G的核心技術創新已經被華為、Google操作系統已經做完了，但是這上面仍然存在著我們講的產品創新，微創新和應用創新的機會，這裡面也能承受大量的商業生態，這種衝浪型的公司也是大量存在的，要抓住這種機遇，其實真正將來要做出大的工作可能要把這兩個結合起來，要不然你利用登山型公司提供的機會，要不然你就做登山型公司更多向整個行業提供體個各種各樣的產品，或者把他們兩個結合起來，這一點來講每一個做技術創新的人都需要意識到你的位置和需要做出的選擇。

最後一條，現在創業很熱，我經常講在學校裡面創業，大家技能上在產業上看的東西都已經足夠多了，外面又有那麼多的精神導師給大家講這個創業故事那個創業故事，搞的大家內心很澎湃，大家不要忘記一點，真正要去創業會面臨非常多的壓力，而這些壓力會直接決定你的日子過的好不好，你的心情舒不舒暢，所以說這個是我們這麼多年來，包括我自己的一點點小的感受，就是說經常我們都講要什麼樣的心態去創業，有說我一定要干出一個名堂來，不然這個創業就白創了，在別人面前就抬不起頭來或者什麼之類的。其實你應該想一下，你小時候去玩耍的時候是什麼樣的心態，這個例子是真正的給奧運冠軍輔導的心理學家告訴我的，他說奧運冠軍如果在一個大賽上真正想拿到冠軍過程必須是放鬆的，因為一緊張，老想著金牌自己拿動作就會變形，當然反而會失去這個機會，但是如果能夠放鬆，放鬆是我們小時候玩的時候有幾個條件：你去玩的事情一定是你喜歡的，你不會說我小時候去玩，爸媽讓我去玩還玩一個不喜歡的事情。第二個，去玩的時候如果不是一個人，你叫一幫小夥伴，那幫人一定是你比較認可的，是你喜歡的，你不會找一幫你死對頭去玩，那不是玩，那是打架。最重要玩的過程中，也許小小時候有很多遊戲，玩完以後那個結果誰贏誰輸不一定有人記得，但是那個過程你一定記得，過程中你的樂趣你一定記得。我剛才講的奧運冠軍心理教練告訴大家的是你在這個過程中全身心的投入了，但是在這個過程中關注的是這個過程中的每一個時候的體驗，你盡心儘力去做了，你反而更容易能夠獲得最後的成功，因為你的動作更能夠達到你的極限，而不是因為受到各種各樣的障礙使你動作變形了，我們講欲速則不達。

這一點上，大家想一想你收穫了什麼，創業也許沒有成功，但是你的創業經歷，給你帶來的培養和很多過程一定是有價值的，這種價值你是隨隨便便參加一個公司，謀得一份職業或者學校裡面永遠學不到，這一點上來講，大家馬上進入到整個社會，進入到我們很多人都講職場如戰場，好像生死相搏的一個環境，其實我看遠遠不一定要這樣，你可以繼續享受藍天和白雲，但是我想北京也是比較難，也許到南方好一點。

最後，我非常希望大家能夠用技術創新和自己在學校裡面所碰到前沿的東西，能一起參與到整個國家和整個世界人工智慧大潮當中來。

今天我跟大家分享就是這些，謝謝大家！

對話部分

雷鳴：非常感謝胡郁教授的精彩演講，我覺得，一方面，講的蠻透徹，把整個人工智慧的發展，包括它的各個方向，5個 W 都講得很透徹，全面的做了一個梳理。另外也很容易理解，把我們的思路重新串了一下。創業的部分我覺得講的非常好。結合剛才講的那些東西，我們探討幾個小問題。

第一個問題，我看剛才您提到訊飛拿了很多比賽的國際冠軍，這個過程中你感覺現在對於弱人工智慧而言，數據和演算法在最後做出很好的結果上，他們各自處在一個什麼樣的位置？

胡郁：其實我覺得數據和演算法是同樣重要的，但是我現在感覺其實是這樣，如果沒有數據，你可能達到基本的門檻都很難，因為基本上，如果沒有數據，我們原來講的假設就不存在了。你訓練數據的樣子跟你在測試時候看到完全不一樣，再好的演算法在殘缺的數據面前都沒用。但是，數據量一旦到了一個門檻以後，真正發揮作用的可能就是演算法了，這個時候，在數據量達到一個門檻之前，重要的是數據，在數據量達到門檻以後，不同的演算法之間的差異就會看得越來越明顯，所以我覺得它是分階段的。

雷鳴：第二，你也提到訊飛有一個超腦計劃。高考這個事情，一開始大家覺得很荒唐，現在我看進展還是蠻不錯的，你覺得按照中國的高考制度的話，什麼時候能考上北大清華？

胡郁：我覺得要想趕上在座的各位沒有十年恐怕很難。

雷鳴：另外，你提到圖靈測試，測試方提出來嚴格的測試，如果想達到 10 歲小孩的水平還需要多久？這裡面最關鍵的一些點是什麼？技術上的挑戰是什麼？我也在想，如果我們想達到10歲小孩水平的話，是不是需要更多知識，甚至說我們要發展到所謂的強人工智慧或者說通用人工智慧技術的突破才可以呢？

胡郁：是這樣的，可能大家覺得達到 10 歲小孩（沒什麼大不了的），那 10 歲到 30 歲怎麼樣？這裡是一個有意思的事情，這個需要反過來看，我們人類0到6歲是最無憂無慮的時候，因為不用上學，整天就玩。但其實人的智能裡面最難的部分就是0到6歲完成的，就是你的認知、常識的建立、邏輯能力都在那個時候，但是那個時候是不用學的，在人類社會裡面慢慢語言也會了，各種各樣的東西都會了，不用到學校裡面學，從6歲開始一直到大學都是人類最痛苦的時候，要記很多東西要考試亂七八糟的。但是對於機器來講是反的，因為我剛才講過，機器擅長的是運算技能，所以算和記這東西對他來講不是難事，但是人0到6歲的能力對機器來講是最難的，機器一旦掌握了0到6歲的能力，後面幾十年對他來說不是事。

現在科學家真正在努力的，用現在講的弱人工智慧或者神經網路、大數據和漣漪效應的方法，看能不能突破我們講的0到6歲認知技能核心的問題，這條路還是有這種可能性的，因為現在說實在的，雖然我們對神經網路大數據做了一段時間，但是對它很多的威力其實還沒有摸透，它的模型再大到一定程度，它的數據量再大還沒有完全搞清楚，這條線上還有很多的空間，而且我認為在5到10年之內應該可以看到結果，而且人工智慧需要解決另外一個問題，強人工智慧就是因為我剛才講的0到6歲的智能還是一個結果，這個結果你說機器人通過弱人工智慧，通過我們現在的方法達到這個結果是有可能的，但是達到這個結果的過程中塞給他的東西給我們人類完全不一樣，你可能塞了現在小孩所需要學東西的10倍、百倍、萬倍，強人工智慧還要求在過程上跟人學習的過程一樣。當你碰到一個新的東西，他還能不能學的那麼快，這就是強人工智慧或者通用人工智慧想最後達到的目標，它的要求會更高一點。我覺得這是兩個階段。

雷鳴：我覺得這也是蠻有意思的一個部分。剛才講，如果說在剛才這種類似於知識型問答的裡面，雖然是常識，但是這個常識背後對應的數據量還是非常巨大的。讓我感覺這個問題一定程度上等價於一個叫做開放對話的東西。意識這個問題有很多需要探討的地方，我們隨便聊一聊，意識跟智能真的是割裂的嗎？我有時候在想一個事，回過頭來講像阿法狗比賽的時候，人類老覺得機器下圍棋下不過人，人下圍棋有大局觀有靈感，後來證明大局觀也是算出來的，運算能力強了。

胡郁：人的大局觀沒有那個能力，機器的大局觀是計算出來的。

雷鳴：人是被訓出來的，意識是不是某種函數呢？人類要在某種環境下得到生存或者更好的環境發展，我們看過一本《自私的基因》，它說我們整個人類社會進步，包括物種的進步，最後是基因本身要去遺傳自己，我們只不過是一個載體。所以促使基因自己被複制，可能性最大的特徵就會遺傳下來，它提到一個很有意思的現象：一般成年動物都會保護小動物，甚至會犧牲自己的生命，看起來非理性，後來我們美化成母愛，基因解釋說是這樣，說動物經過變異，種群就會越來越大，下一代有更大的機會繁衍種群，如果不救自己的下一代，過去人類的壽命就是30多歲，後面沒有生育的可能性，種群就會下降。這種東西更像是一種結果而不是原因，母愛是一種結果，是基因為了遺傳自己，讓你看到的結果。我在想自我意識是不是某種意識上也是一種更大的函數或者運算，只不過現在人類搞不清楚呢？

胡郁：這是完全有可能的，最近有一本書寫的挺好的。美國有一個腦科學專家，叫作金，是一個韓國人，他寫了一本書叫《連接組》，《連接組》就是模仿「基因組」，連接組裡面也提到了人的意識還是智能。他認為這完全取決於我們一千億個神經原裡面連接的突觸，甚至跟動態都沒有直接的關係，當有一千億個複雜的東西在那兒的時候，是搞不清楚的。我覺得我們現在腦科學要解決這個問題，我們想要搞清楚第一件事情，就是智能是什麼，意識又是什麼。他們之間到底是伴生的，還是他們只是在人的神經系統或者動物的神經系統裡面可以同時產生的一種東西。這個在科學上是要研究的，科學有三個東西，一個東西叫做已知的科學道理，就是被證明的；第二個東西叫做合理的推測，剛才我們討論的其實都是合理的推測，合理推測可以有好幾個。最後一個就是要被證明的，有事實，後來被證明的一個東西。現在隨著我們的前沿拓展，腦科學裡面屬於合理推測的一部分，並沒有解釋科學的東西，我們科學研究正是確定這個東西的過程。可以學習到一點，就是說這中間不管是合理的推測還是說最小已經被逐步證明的東西，我們要看實際的應用或者研究會產生什麼樣的效果。大家對這個問題保持好奇、跟蹤前沿，想一想它對我們現在做的事情產生什麼意義，這個是蠻有作用的。

雷鳴：對未知事物保持一個開放的態度，一切就有可能，你剛才提到現在人工智慧後面轉向機器學習，機器學習的分支深度神經網路或者 CNN 變得有點一枝獨秀，使得現在我們很多時候在談到人工智慧的時候，感覺就是神經網路了，很多人就感覺這兩個就快等價起來了，你剛才也提到了神經網路現在很火，不見得未來也會很火，或者有一些其他東西會大放異彩。你在學術上的很多研究，除了神經網路之外，有哪一些是你感覺在未來人工智慧發展中，有可能也會大放異彩的方向，現在有沒有一些什麼痕迹？或者說有一些學者也提出一些自己的觀點？

胡郁：其實在這個方面，我們可以看到有很多的學者已經在做這個方面的東西，比如說最近國內國際的都有了。我們在跟澳大利亞合作的一個教授，他做的就是利用符號系統。原來符號系統是人工智慧裡面非常老的一個系統，但是他現在這種符號可以把它跟統計的和深層學習的東西能結合起來，因為深度學習不一定只用在神經網路上，也可以用在符號推理，還有我們講的決策等很多新的東西上。他們應該做工業界上還沒有看到、但也有潛力的、還需要靠研究施行的，而且以後研究也有更好的條件了。因為大數據，因為很多的成熟東西已經在那兒擺著，所以要去試也比較方便，這是一個方面。

第二個就像國內南大的周志華教授，他們也搞了很多新的東西，隨機森林這些有益的方式恰恰是研究界和理論界應該去做的，我對這個充滿了信心。

還有一種是我自己比較看好的一種，就是現在不管用什麼東西，不管是你學習的東西還是要變成模型的，樣本和數據都要變成模型裡面的參數。但是其實機器學習裡面有一種叫基於樣本的方法，比如說 KNN，這個 KNN 的意思是直接去記憶的學習，就是有幾個樣本點，它找到你將來的決策點和那幾個樣本點的距離，這非常有點像人列的記憶系統，就像我們以前講的關於案例的判斷。在這個系統裡面，系統跟人腦一樣工作，它應該把所有學習過樣本的記憶經過某種方式的處理，能夠把它直接留下來，可能直接用記憶處理，我們也在嘗試這樣的方式。把這些樣本東西直接放在裡面，樣本是可以進行遺忘的。再把這兩個綜合起來，這些東西都在嘗試過程中。

我個人認為我們講研究腦的智能動力學也是這個東西，腦子的記憶能力非常強大，這些記憶能力怎麼輔助我們進行人工智慧的判決和決策，其實這裡面還有很多需要研究的內容，而且這方面一旦有突破，把抽象出來的模型，就像人腦處理一個事情很多時候基於這幾個事情歸納總結，還有一種基於樣本的，比如以前這麼乾的，現在就這麼干。這幾個綜合起來也是很好的方向，這個都還在探索。

雷鳴：很像我們說在心理學範圍內研究智力，一部分是死記硬背的，另外一部分是整個的處理系統。現在深度學習裡面有一種類似於記憶功能的，是不是也在嘗試往這方向發展？

胡郁：是，也是相關的。

雷鳴：其實你在產業裡面，我相信你們對 AI 對產業的影響的研究是很多的，咱們在醫療教育的各個方向都再往前走，你覺得未來 5 年你看到最有落地機會的，在商業上能夠有比較大的前景的，在哪一些方面？你覺得未來5年能變成一個真實的產業，而不再是科研，能夠落地的機會有哪一些？

胡郁：我們現在看到人工智慧有幾個大的方面：一個大的方面就是跟行業有關的，剛才我們看到的那些。其實教育領域前幾年，和人工智慧相關的都有一些比較熱的內容，然後教育以外，比如醫療，是一個很大的有可能產生巨大的產業價值的地方，因為你想人工智慧就是替代人工的，而這個人工肯定不是簡單的人工。人工基本上分兩種，一種就是大家可以想像的腦力勞動，腦力勞動裡面有很多都集中在教育、醫療、法律、金融這些方面。而這些腦力勞動裡面第一波慢慢會出來，其實有一個諮詢公司，專門做過分析報告，把人類職業分成教育、醫生、老師、律師、法官，然後管理者等各個方面，每一個職業有很多技能，比如說老師有十項技能，再看每一項技什麼時候能被人工智慧替代。現在要做的事情，我認為腦力勞動有一部分會被代替，這一部分代替會創造價值，不一定是節省現在的人力，我並不認為節省人力是一個方向，而是原來叫做沒有被激發出來的需求。比如說教育裡面，我剛才講過了，需要每一個學生都有一個老師，他不是節省現在的腦力，現在有了這個東西把這個東西激發出來，我們把它叫做以前有一種需求叫0增長需求，以前增長不了，現在可以增長，這些方面，腦力是第一部分。

第二個部分還是體力方面的。我給大家舉個例子，家庭服務機器人，現在能夠用的是掃地機器人，因為掃地機器人的動作最簡單。其他的動作，我們講過，運動智能沒有突破之前，難度還比較大。下一步，我們看到波斯頓動力已經做了一些，這會替代掉一些園丁家庭看護和老人看護的工作。這個是第二個方面。

第三個大的方面，其實我想講的一部分就是關於人機交互，人機交互能夠用在非常多的領域，有一部分的機會是來自於做人機交互智能本身，還有一部分就像以前做的搜索，當交互方式發生變化以後，其實很多獲取信息的方式會發生變化，這種信息發生變化不一定是智能本身，而是因為這種交互方式所帶來的不管是硬體還是服務所帶來的一種變化，而這種變化裡面有可能很多東西都會重整，重整的方式跟原來我們講的觸摸、鍵盤、滑鼠都不太一樣。所以我認為是有很多的這種交互和交互所衍生帶來的機會，不一定盯住交互本身，我覺得應該盯住它所引發的那部分，比如說搜索、O2O新的形式，某種新的形態是有可能的。

雷鳴：我覺得胡郁講的特別好，交互這個我也在想，其實如果大家還記得，在移動互聯網早期的時候，有一個大論戰，說移動互聯網到底會替代掉固定互聯網，產生無數的比如說移動搜索巨頭，移動聊天巨頭什麼的，還是說移動互聯網只是互聯網的延展，原來的巨頭還是巨頭？ 蘋果最開始的智能機，就是因為鍵盤變成觸摸，智能手機背後就會帶來很多遊戲的玩法。很多東西都變了，就能再產生很多新的東西，有意思的東西。

下面我們轉向同學的一些問題，我們先講一個來自於上課的同學提出來的問題，這個同學問，像語音、圖像這些是不是現在更像是取代了人類的眼睛、耳朵？其實就是信息的獲取IO，我們叫機器交互的人類IO化。對大腦的研究比較落後一點，所以現在提出一個腦機介面的問題，把電腦和人腦來對接一下，人工智慧是不是只是在人類的 IO 上，機器有一個進展，真正的大腦或者特定能力還需要很久？對腦機介面這個事情未來是有很大的使用前景呢？還是說比較困難？

胡郁：第一個問題，其實我們講IO，人腦的眼睛和包括眼耳鼻舌這些感官系統，其實真正的看，你就知道人的感知智能和認知智能是分不開的，雖然我們分成感知智能和認知智能，真正人的感知和認知是一起的。舉個例子，大家知道人眼有一個特性叫視而不見，或者叫做你帶著目的去看和見是不一樣的，意思就是說其實我這個細節沒有展開，現在我們用的人腦裡面有一個關注度模型，這個關注度模型就是當我看這個教室的時候，腦子裡面帶著一個人臉去看和泛泛去看，人腦的工作機理和神經運作方式完全不一樣，所以我們講的IO是把它簡化到機器一樣的那種運作方式去，但是從腦的工作原理來看完全是分不開的，甚至是認知驅動的感知來進行這種操作，它是高度的融合在一起的。

而我們現在講的感知智能和認知智能突破就包含這樣的內容，只有這樣才能真正做出來跟人腦一樣高度智能的東西出來，而不是原來簡單的分割，這一塊我們對這方面認識不夠深入和清晰，有一本書叫《人工智慧的未來》，裡面解釋很清楚，應該每個人都看的懂。

第二，腦機介面很有意思，我們剛剛講的人工智慧是在一個數字宇宙裡面產生的一個系統，裡面所有的規律都按照數字宇宙的規律來，虛擬世界和數字宇宙的東西和自然宇宙裡面的世界是有介面的，這種介面在計算機體系裡面叫做數字化和模擬的轉換，但是缺少一個人跟它介面，是要通過電腦滑鼠外面控制，這個信息傳遞量是很大的，很多人幻想人腦電生物的介面能不能跟機器直接進行共享信息，這個一直以來是一個夢想。大家可能很難想像這東西，但我跟你們講一個問題，你們都能想的出來。實際上有很多連體的嬰兒，這個你們知道吧？有很多連體嬰兒，兩個人的大腦是連在一起的，在生物繫上就是兩個神經系統，兩個大腦系統可以跟人對接，他們能夠感受到對方身體甚至腦子裡面想的什麼東西，現在把其中一個人的生物大腦換成一個大腦，如果你的生物裡面的放電能夠跟電腦裡面這些數據能夠直接打通，你可以想像一下。當然現在很難想像出來，其實它有可能做到。

在很多的科幻小說裡面都有叫輔助系統，或者是伴腦，或者伴隨系統的存在，它可以幫助你彌補人類智能特別是運算智能比較缺的那一塊，所以我覺得這一塊是非常有前景的。但是它不一定像現在這樣來控制，現在有很多人想用腦電波來控制，腦電波因為受制於人類大腦物理的特性，它的響應時間是一個剛性的延遲，真正你腦子裡想大概有一兩百毫秒或者是幾百毫秒的延遲，想讓它做實時控制基本上不可能，還不如手去敲，因為捕捉時間的問題。

所以說在這一點上這個方向很有前途，具體怎麼去用，我覺得前段時間大家也講人工智慧會毀滅人類，我覺得還是有炒作的成分在裡面。

雷鳴：我們人類有一個很有意思的現象，過去其實我們人類進化很慢，社會發展很快導致一個問題，我們去看新聞，可以看到大部分都是壞的新聞，戰爭、飛機墜毀這種東西，因為人類大腦對這種極端的問題有一個非常強的預警，這是你不受自己的理性控制的，你一聽說哪死人了，整個人就是睡著了也會清醒起來，怎麼回事？它是生物學上的現象，導致我們有一個很有意思的現象，我們認為飛機很不安全，很多朋友不坐飛機，覺得飛機太不安全了，動不動就要掉下來死的。其實坐飛機和出門被車撞死來講，被車撞死的可能性更大，因為新聞上給你造成一個不對等轟炸，使你覺得我天天看到飛機掉下來，出門沒有見人撞死，新聞媒體有這樣一個作用。

來自於微信交流群的一個問題，他提到軟硬體之間有一個互相促進的作用，您覺得現在語音識別這一塊，我們依賴的架構是 GPU 架構還是 CPU 架構？還是什麼？你覺得未來對語音識別或者人臉識別來說，哪一種硬體架構會是一個方向？對於 IO 這一塊。

胡郁：大家要把它分開來看，我們講的人工智慧分成兩塊：學習和執行的。對人腦來看，你看書的時候在學，看完書以後考試是執行，即使在人造的人工智慧系統裡面分開來看，學習系統是一個高並發的一個東西，你把訓練樣本放進去，把結果告訴它，進行有監督訓練，它就不斷的來優化。我們剛才講的 GPU，就是處理機群把它的模型訓練出來，參數訓練好，訓練好了以後，要拿到一個實際的執行體上去執行，執行的時候，他要求不是把數據往裡面倒騰，他要同時為幾千萬人、幾十億人提供服務，跟人腦完全不一樣，人腦同時只為一個人服務。在這種情況下，這兩個都是超計算體系，超計算體系不一樣，訓練的時候因為高並發，GPU在這裡面占的比例更高，GPU要把帶寬用一些演算法做成並行化的數據演算法，這個並行演算法以前不需要用高並發的，以前我記得我們用 CPU 系統就可以了，不需要用GPU系統。

將來在雲計算這一塊，FPGA使它的效率非常高。在終端上將來可以進行。終端有可能變成一個神經網路晶元，神經網路晶元是一個專門為神經網路構型設計的有點像 CPU 加速的一個東西，但是它因為專門針對神經網路進行優化，可以兼容不同種類的神經網路，現在我知道有一些公司，包括英國的一些公司，包括英特爾他們也在做，所以說在雲端的訓練和運算以及終端的運算上，不同的地方可能用不一樣的體系來進行。

雷鳴：我覺得回答還是比較透徹的，就是各有所長。訓練的時候其實是一個，最後用的時候是一個，這個其實跟當年做搜索的一樣，搜索的時候，建索引是非常大的一個體系，真正提供服務的時候這兩個完全分離的，提供服務的時候要的是效率一定要快，算的時候一定要好。算的時候生成了一個索引結構，非常慢，這個結構可以用到搜索上，搜索是非常快的，因為海量數據以後就完全不一樣了。

最後，我們再問最後一個問題，也是我們上課同學問的，這個問題挺有意思，說現在還有一個叫自動編程，你覺得這一塊進展怎麼樣？我估計大家都害怕，我們本來就是碼農，現在碼農也當不了了，怎麼辦？你的看法是什麼？

胡郁：坦白來講我對這一塊了解不多，但是我知道北大青鳥做軟體工程體系的，還有包括梅宏院士做的這個，其實大家可能不知道，863高考機器人專家組的組長就是梅院士和我領銜來做，我知道北大在軟體工程這方面很強的。但是編程這個事情呢，我今天還跟雷鳴在討論，編程是一個邏輯性的東西，編程的語言為什麼不是自然語言，而變成邏輯性的語言？因為這是兩個事情。

一個是編程的目的是什麼，編程的目的是為了完成在計算機裡面一些可執行邏輯性的一些功能，所以說我認為自動編程是一個方向，第二個就是說編程用的語言是規範性的，不會隨意性很大，所以不管是什麼，它都是一個規範的。我認為如果編程是為了解決一些一般性的問題，比如說從一個原有的問題上轉移到另外一個確定性的問題上，這個自動編程我認為是可以做的，當然我對這個細節不了解。但是編程裡面最難的一點是人對於一個問題要想出一個解決方案來，他要知道怎麼按照一個邏輯去創造性的解決問題，就看你怎麼理解這個編程，我們做人工智慧也編程，但是編程對人工智慧來說是一個工具，最重要的是裡面的演算法，我相信自動編程解決不了我後面講的問題，因為後面那個問題的根源來自於人創造性的想法。但是如果你說這個創造性的想法已經有了，但是把它轉寫成一個更高效的方式，或者是把它重新進行一個組合，我相信這種自動編程應該肯定是可以的，這種就是我們剛才講的有一部分屬於確定性的任務，這種自動編程很快逐步會實現的。

雷鳴：所以這一塊我跟胡郁教授再重新把話再梳理一下，我感覺整體來講，第一是說我們的一個編程可以分成兩部分：一部分叫設計，另外一部分就是設計完了，流程圖都有了，落實代碼，對應到建築上就是設計師和泥工，對應到我們寫程序裡面就是設計師和最後的所謂的碼農，我們知道最近美國那邊打擊所謂的我們叫代碼工人，就是以前外包的那些，其實是說在美國，設計流程已經很好了，由他們實現出來。

看起來就是說，如果說已經知道整個設計流程圖了，僅僅把它代碼化，這個工作將來很有可能不存在，機器可以自己做出來，但是設計這個事情，把現實完成轉成一個計算機問題，這中間還是有很多所謂的智慧在裡面，這個想法在百度時我們做排序系統，當時最早幾版都是我參與主導設計的。 原來，可能是十個左右的參數，基本上規則都是人拍腦袋定出來的，後來我跟百度團隊聊天的時候，他們已經擴到將近1萬個參數，每個參數起什麼作用他們也不知道，絕對是機器學習學出來的模型。這裡面，將來凡是面臨到大數據裡面的東西，數據量充足的時候，很有可能那個模型就是被訓出來的，我想表達的是以前傳統的編程變了。

今天我看到一個新聞，也能給大家做一個參考，斯坦福大學 Jave 課從下學期開始就沒有了，編程語言也在退出歷史舞台，新的東西上來了，編程這件事可能變了。

時間問題，我們就到這兒，再次熱烈掌聲感謝胡郁教授！

課程介紹

「人工智慧前沿與產業趨勢」課程由北京大學開設，並面向公眾開放。課程由人工智慧創新中心主任雷鳴老師主持，共14節，每節課邀請一位人工智慧領域頂級專家和行業大咖作為主講嘉賓，就人工智慧和一個具體行業的結合深度探討，分析相應技術的發展，如何影響產業，現狀及未來趨勢、對應挑戰和與機遇。所有課程相關信息、通知都會在下方的公眾號發布。

課程參與方式

掃描下方二維碼，加「小智」為好友，自動拉您進入課程交流群

掃碼福利：

⊙ 直播、錄播課程地址

⊙課程精華文字版

⊙人工智慧交流群入群方式

⊙ 群內每日精選AI內容更新

⊙ 參與群內活動並有神秘大咖進群交流互動

新智元招聘

職位：客戶經理

職位年薪：12 - 25萬（工資+獎金）

工作地點：北京-海淀區

所屬部門：客戶部

彙報對象：客戶總監

工作年限：3 年

語 言：英語 + 普通話

學歷要求：全日制統招本科

職位描述：

1. 精準把握客戶需求和公司品牌定位，策劃撰寫合作方案；

2. 思維活躍、富有創意，文字駕馭能力強，熟練使用PPT，具有良好的視覺欣賞及表現能力，PS 能力優秀者最佳；

3. 熱情開朗，擅長人際交往，良好的溝通和協作能力，具有團隊精神；

4. 優秀的活動籌備與執行能力，較強的抗壓能力和應變能力，適應高強度工作；

5. 有4A、公關公司工作經歷優先；

6. 對高科技尤其是人工智慧領域有強烈興趣者加分。

崗位職責：

參與、管理、跟進上級指派的項目進展，確保計劃落實。制定、參與或協助上層執行相關的政策和制度。定期向公司提供準確的市場資訊及所屬客戶信息，分析客戶需求，維護與指定公司關鍵顧客的關係，積極尋求機會發展新的業務。建立並管理客戶資料庫，跟蹤分析相關信息。

應聘郵箱：jobs@aiera.com.cn

HR微信：13552313024

新智元歡迎有志之士前來面試，更多招聘崗位請點擊【新智元招聘】查看。