中国工程院院士、北京大学博雅讲席教授高文

编辑 | Leo

整理 | AI 科技大本营（公众号ID：rgznai100）

资料来源 | 微软亚洲研究院

近日，微软亚洲研究院宣布，联手北京大学、中国科学技术大学、西安交通大学和浙江大学四所国内顶级院校，共建新一代人工智能开放科研教育平台，以助力中国新一代人工智能领域科研成果的迸发，促进高端科技人才的培养及共享科教生态的建立。

在发布会上，微软亚洲研究院副院长潘天佑主持了一场以“智能与开放”为主题的巅峰对话，参与对话的嘉宾包括中国工程院院士、北京大学博雅讲席教授高文，微软全球执行副总裁、美国工程院院士沈向洋，以及中国工程院院士、西安交通大学教授郑南宁。

几位重量级嘉宾分别就目前人工智能的发展现状、人才培养过程中遇到的问题、未来趋势的展望等方面进行了讨论与交流。

主持人：

潘天佑    微软亚洲研究院副院长

嘉   宾：

郑南宁    中国工程院院士、西安交通大学教授

高   文    中国工程院院士、北京大学教授

沈向洋    微软全球执行副总裁、美国工程院院士

（从左至右）沈向洋、高文、郑南宁、潘天佑

谈及人工智能的发展现状，郑南宁认为，1956 年达特茅思会议所定义的人工智能仍是我们今天追求的目标，即创造一种机器，它能够类似于人类去思考和行动。未来二三十年人工智能技术的发展对人类的生活和工作所带来的改变，一定会远超人类过去千年所发生的变化。

沈向洋认为，大家都应该感谢深度神经网络（DNN），DNN 让人工智能在某些领域进展神速，包括语音和计算机视觉等领域，但深度学习还不能解决所有问题。

谈及人工智能的人才培养与教育问题，郑南宁认为，现在做人工智能研究，不要仅仅只考虑眼前，更应该思考如何从神经生物学、认知心理学及社会学等学科中获得新的启示。现在很多高校都存在如何深度推进学科交叉的问题，但现在大学的学科设置、学科分类以及学科建设的评估制度，在一定程度上约束了学科交叉，缺乏鼓励学科交叉的机制。而且现在一级学科的评估指标也很难反映和鼓励学科交叉。

高文认为，目前与其说中国的 AI 人才不够，不如说是顶级 AI 人才不够。对此倒也不必搞一个全民运动，像当年搞软件学院一样，弄出一堆人工智能学院，那可能又是一个灾难。顶级AI人才的培养需要有一些顶级学校，多投入一些资源，培养一些好一点的学生。

对于人工智能未来趋势的展望，沈向洋认为，今天的机器学习是用大数据来解小问题，而真正的智能也许是用小数据来解大问题。

郑南宁认为，虽然无人驾驶车驶入寻常百姓家庭还有相当的距离。但是对于特定环境，比如旅游区、城市点对点的交通，或者校园里面无人车送货，或者半夜两点以后无人车清扫城市道路等等，这些应用相对容易实现。但是让无人驾驶与人们的出行无缝结合，现有的技术还有相当的距离。

高文认为，最早人工智能起来的时候，大家认为只要可以基于知识库的推理把问题解决，智能就有了，但后来这条路被放弃了，而放弃是不对的，下一步可能把机器学习算法和将来的知识融合，可能会有一些成果出来。

▌以下为对话实录，AI 科技大本营做了不改变原意的删减：

潘天佑：各位老师、各位贵宾，欢迎来到巅峰对话，我们今天邀请了诸多重量级的嘉宾。今天我有这个荣幸代表大家提一些问题。第一个问题想请问郑南宁教授，两年前，您曾说“人工智能是未来 30 年影响最大的技术革命”，当时为什么会提出这一观点？您认为这两年国内外人工智能的进展如何？

中国工程院院士、西安交通大学教授郑南宁

郑南宁：人类的现代科学技术是以指数级增长的。40 亿年以来，地球上生命的演化遵循着最基本的自然进化法则。由于我们创造了计算机科学和人工智能，在这个星球上将会出现按照有机化学规则演变的生命和无机的智慧生命并存，或者说人类有可能利用计算机和人工智能去设计生命。我们无法具体描述未来 30 年人工智能技术会形成什么样的具体形态，但是可以确定的是人工智能技术的发展一定会给人类带来革命性的变化，“变”是确定的。未来二三十年人工智能技术的发展对人类的生活和工作所带来的改变，一定会远超人类过去千年所发生的变化。

这两年大家一定会体会到人工智能给我们生活、工作带来的变化，这种变化不是说是新的人工智能概念的产生。实际上在 1956 年达特茅思会议所定义的人工智能正是我们今天追求的目标，即创造一种机器，它能够类似于人类去思考和行动。现在我们的科学家和工程师们都在为实现这一目标而努力。无论是现在的语音识别、人脸识别、还是微软小冰以及微软做的许多其它工作，都是实现人工智能这一基本目标的卓越成果。

潘天佑：微软亚洲研究院一直致力于做开放式研究，跟整个学术界合作。想请问沈向洋博士，您怎么看这种开放式研究的精神？

微软全球执行副总裁、美国工程院院士沈向洋

沈向洋：科研有几件事情很重要。第一个就是需要开放的环境。可以在一个比较封闭的环境中做一些比较特别的项目，但更多了不起的成就是在开放环境下完成的。开放的环境是建立在大家相互学习、相互碰撞、相互挑战、相互鼓励的基础上，一起把学术做好。

第二个就是要能够挑战权威，你不会因为爱因斯坦讲 E=MC² 就结束了，你要思考为什么是平方不是立方，所以需要一个开放的环境。

我觉得在这些工业界的研究院中，微软研究院本身就是一个奇特的现象，大多数工业研究院并不是采取开放的状态。盖茨成立研究院的时候就强调要做基础研究，做基础研究就要以更加开放的心态去面对。这是微软比较特别的地方，我们走这样一条开放的道路，必须跟全球、跟中国最优秀的高校合作。

潘天佑：下一个问题问高老师，企业间竞争非常激烈，企业做到开放确实不容易。同样，学术界也会有竞争的关系，怎样才能创立一个开放环境，让大家又能竞争又能开放？

高文：特别好的问题，信息技术发展相关的文化，目前东西方不完全一样。西方专家对于算法的程序代码开源可能更开放一点，比如美国国家科学基金会要求它支持的基础研究项目产生的代码要开源，教授和研究生们都遵从。东方的教授和研究生，不管是中国还是日本，相对大都喜欢把自己做的东西攥在手里，轻易不放出去。

比如当时我在八六三智能计算机主题专家组当组长的时候，也曾经支持过一些结果必须开源的课题，希望能引导中国开源社区的发展，但是实施起来比较困难，结果也并不理想。当然那时候情况可以理解，改革开放以后一些年纪比较大的老师做负责人的课题组好不容易积累了一点东西，一旦开源出去，自己就和别人在同一个起跑线上，担心别人有可能会很快超过他，再去申请科研基金等就会没有优势，所以手攥得比较紧。但是现在不太一样了，现在的课题负责人越来越年轻化，年轻人考虑问题思维角度是不太一样的，更愿意接受开放与开源。

开放有两个方面好处，一方面是大家起点都高，互相交流、学习、借鉴。另一方面就是逼着要非常努力，不能停下来，只要一停下来，你就落后了。所以只有自信的老师和团队才赞成开放。

如果开放共享的整个社会氛围慢慢建立好了，大家就会接受。现阶段正处于转变的过程当中，我认为在某种程度上，企业的开放比高校做的更好一点。我也希望通过这次活动，通过新一代人工智能开放科研教育平台推动这种开放文化的扩散和传播。

潘天佑：在科学研究领域大家都在谈“开放”的概念，开放是为了合作。在大学，许多人才聚集在一起，也是希望各种学问能够得到交叉。但是我们也了解到，学科交叉特别困难，您怎么看待这种情况？

郑南宁：这是一个非常有意思和深刻的问题，高校学科的发展是多方面的。开放应该是基础科学研究遵循的基本原则。但是，对于技术上的发展来讲，开放和竞争是并存的。在高校，我们对于人才培养的价值追求就是为未来培养人才，而人才培养离不开学科建设。新兴学科很多都成长于学科的交叉。一个大学的发展，一定要把学科交叉放在一个很重要的位置上，学科建设不能固化在一个学科原有的框架中，我们需要关注这个学科在未来发展中与其它学科可能的重要关联。

大学里存在这样一个问题，当这个学科本身发展还不是很强大的时候，它很少去考虑和其它学科的融合。但当这个学科发展强大起来了，它面临一些新的科学研究的挑战，就会驱使人们自然而然去想怎么样再进一步推进研究的深入，如何从其它学科获取灵感或吸收丰富的营养。

现在做人工智能研究，考虑更多的不是眼前，而是思考未来人工智能发展需要从哪些学科获得灵感，特别是借鉴神经生物学、认知心理学乃至社会学的一些研究成果，可以为发展新一代人工智能提供新的启示。只有跟这些学科的科学家、研究者去深入交流与合作，才能做出更好的前沿研究。

现在很多高校都存在如何深度推进学科交叉的问题，比如一些高校目前成立的人工智能学院大多是由计算机学科原有的团队组建，但是人工智能的发展需要从其它相关学科获取丰富的营养，我们希望其它学科的优秀人才也能加入进来。

潘天佑：现在很多学科交叉其实都是跟计算机科学交叉，或者跟人工智能交叉。那么有哪些工作是计算机专业的老师、学者们可以主动去做的，而不是等着其它学科来做交叉？

郑南宁: 现在大学的学科设置、学科分类以及学科建设的评估制度，在一定程度上约束了学科交叉，缺乏鼓励学科交叉的机制。而且现在一级学科的评估指标也很难反映和鼓励学科交叉。

我觉得今天微软做的这件事情非常有意义，就是大家共同建设一个新一代人工智能的教育开放平台。35 年前，比尔盖茨创造了 Windows 桌面操作系统，在最初的这个版本基础上又不断创新发展，我们多年来的许多研究或创造都是在 Windows 平台上实现的。如果把人工智能人才培养看成一个“桌面系统”，那么今天微软亚洲研究院发布的新一代人工智能教育开放平台，就是为这个“桌面系统”搭载的 “Windows” 平台。在这样的开放环境中可以推进协作与相互学习，因为人才培养没有竞争，我们目标是一致的，目的就是培养出最优秀的学生，我们需要在这样一个开放的平台上相互借鉴，相互学习。

潘天佑：下一个问问沈博士。您是微软全球 AI 的领头人，微软和各行各业就AI展开合作的过程中，是怎样了解各个行业的？从 IT 的角度怎样才能真正协助各个行业做到数字化转型？

沈向洋：作为工业界的代表，微软有很多云和人工智能的技术，这些产品和平台可以帮助到其他人。跟其它行业开展合作最重要的就是平台本身的设计，微软公司一直是一个技术平台公司，我们希望能够做一个平台，让各行各业的人受益。

AI 出来以后所有垂直行业都会被颠覆。我们要设计一个什么样的技术平台让各行各业的人参与到整个AI过程中？最重要的就是要有一些工具让各行各业的人参与进来。我自己对这个问题的看法是很坚决的，就是我们要去做工具。

潘天佑：想请问高文教授，作为中国计算机学会理事长，关于学术和企业之间的跨领域合作您怎么看？

高文：研究有很多不同分类方法，其中一种是把研究分为好奇心驱动和问题驱动或者目标驱动。

好奇心驱动就是我对这个问题有好奇心，做出来到底有什么用我不知道，也不管。早期很多科学研究都是属于这类研究，这类研究比较适合学校里的教授做，在自由开放的环境里做。但是企业里做的研究绝大多数是问题驱动的研究。之所以要做这个研究，要解决这个问题，一定是有具体背景、有用的。

但是现在，学校里有相当一部分教授（特别是信息科学领域）也在做问题驱动的研究。因为学生就业的时候希望找竞争力强的企业，他首先要知道那些企业的技术挑战是什么，它要什么样的人，再加上企业现在有各种各样支持学校教授的合作项目，所以从问题导向和项目驱动两个方面，都会引导相当一部分教授做问题驱动的研究。所以我认为，高校和企业的纽带是研究项目和学生就业，这两个纽带结合起来，高校和企业合作流程就水到渠成了。

潘天佑：我们今天对话是新一代人工智能开放科研教育平台。我们谈了人工智能，我们谈了开放，谈了交叉，接下来谈谈科研，请您透露一下，在人工智能领域，科研往后做有哪一些方向会火？

高文：这个问题提的很好，首先站在自然科学基金会的立场，我们去年做的很重要的一件事就是把人工智能从学科里面单独分离出来，设立了一个二级学科代码。整个信息领域原来有 5 个学科代码，包括电子、计算机、自动控制、微电子和光电子，今年开始人工智能是第 6 个学科代码。

未来什么东西会发展地更好？我个人比较看好两个东西，一个是机器学习的新模型、新算法。因为我觉得这一轮人工智能的火热是因为深度学习，只要能拿到很好的数据，对于像模式识别这一类的问题，基本上都可以解决掉。其实除了模式识别，和人工智能相关的问题还有很多。其它的问题，现在这个系统不见得都很适应，很多问题还是需要新的算法来解决。

另外一个是知识的组织。最早人工智能起来的时候，大家认为只要可以基于知识库的推理把问题解决，智能就有了，但后来这条路被放弃了。我认为放弃是不对的，下一步可能把机器学习算法和将来的知识融合，可能会有一些成果出来。

潘天佑：深度学习、深度神经网络（DNN）带起来这一波人工智能的发展，纯粹从研究角度来说，您觉得 DNN 以及这一波人工智能的研究方法之后是什么？

沈向洋：大家其实都应该感谢 DNN，DNN 让人工智能在某些领域进展神速，包括语音和计算机视觉等领域，当然深度学习不能解决所有问题。深度学习和其它领域的结合，比如深度强化学习（Deep Reinforcement Learning），是非常值得工业界去研究，同时半监督学习（Semi-supervised Learning）同样也很值得去研究，因为它可以大幅降低成本。如果站在更高的角度来看，我赞成这样一个观点：今天的机器学习是用大数据来解小问题，而真正的智能也许是用小数据来解大问题，这里是有很多科研工作可以去做的。

潘天佑：最近好几家大公司都在做量子计算，微软是其中一家，您觉得量子计算还有多久的路，万一量子计算出现了，对人工智能产生怎样的影响？

沈向洋：量子计算的问题很复杂，微软到现在已经做了十几年，虽然还没有一个可用的量子比特，但从做科研的角度去看，我对它充满信心，我觉得微软走的拓扑量子计算的路是一条非常有希望的路。

经常有人问我，如果你有量子计算能干什么？我说还真的不知道能干什么。就像 60 年前有人问电子计算机能够干什么一样。你真的难以想象，未来会是什么样子。这也是我们科研人员很幸福的地方，能够加速人类社会的发展。

潘天佑：关于自动驾驶的研究已经有很长一个周期了，现在又火起来了，很多公司也投入了大量资金，但是离真正上路似乎有点遥遥无期。您怎么看这个研究方向，能不能谈谈自动驾驶车离真正的上路还有多远？

郑南宁：我先讲结论，实现完全自主的无人驾驶还面临着十分艰难的挑战。这个结论从哪里来的呢？

第一，无人驾驶系统必须是一个不能犯错误的人工智能系统。我简单地把人工智能系统分成两大类，一类是可以允许犯错误的人工智能系统，如在一般情况下的语音翻译、搜索引擎，错就错了，可以再来一次；另一类是不能犯错误的人工智能系统，无人驾驶就是这样一类智能系统，也就是说无人驾驶汽车必须在所有的路况、所有的条件下，周密地感知周围环境，做出安全的响应。

第二，无人驾驶系统必须能够抽象，也就是说，它必须能理解肢体语言或手势。比如在十字路口突然交通管制，交警依靠手势让你的车停下来。而目前的无人车还无法做到肢体语言的理解。

第三，它需要有一个预注意的能力，或者说需要有注意机制。如果把场景中所获得的所有线索都关注和计算，系统就有可能产生崩溃行为。

第四，它必须是高度安全的人工智能系统。无人驾驶车上路离不开车联网，一旦机器跟网络联起来，我们就会看到未来会出现这样一个场景：你到自己的车库，告诉无人驾驶车我要去上班，可这时你的手机上收到一条黑客发的信息，要求你上午 10 点之前必须往某个电子帐号支付三个比特币，否则车门无法打开，虽然出现这种场景不会威胁人的生命，但是会打乱人的生活规律和秩序。

第五，与微软小冰相关，也就是说，我们需要构造一个人车语音自然交互的环境，能够为乘客提供一种自然舒适的体验。比如我上车以后告诉无人车今天要去哪里，无人车用语音来回答，这也是一种安全的交互验证。它知道了你今天要去什么地方，然后马上就出发，路上它还会问今天你想看新闻还是听音乐。

从无人驾驶面临的以上五个问题来看，无人驾驶车驶入寻常百姓家庭还有相当的距离。但是对于特定环境，比如旅游区、城市点对点的交通，或者校园里面无人车送货，或者半夜两点以后无人车清扫城市道路等等，这些应用相对容易实现。但是让无人驾驶与人们的出行无缝结合，现有的技术还有相当的距离。

潘天佑：最近，西安交通大学成立了人工智能拔尖人才培养实验班，请问郑南宁教授，这个实验班跟一般计算机科学系的人才实验班在教学内容等方面什么不同？它是怎么设计的？

郑南宁：办这个班的基本宗旨是要为学生能够成长为具有科学家素养的工程师奠定知识和能力的基础，因为人工智能本质上是一门技术，在许多应用场合，需要用工程的方法解决科学问题。我们按照这一基本宗旨去安排这个班的教学内容、课程、以及教师队伍的组成。这个班的教学团队汇聚了学校最好的师资，来自不同的学科，有控制、计算机科学、电子等其它信息类学科，还有数学、认知心理学、生物学、神经科学等其它领域学科。来自其它高校的教授和知名公司的研究员也会参与到这个班的教学中。

我们还专门设置了游戏设计的课程，因为游戏可以用来探索和验证人工智能一些新方法，或者说一些人工智能的新方法也产生于游戏。另外这个班还开设了一些看上去似乎跟工程技术无关的课程，比如生物、天文。只有了解生命的奥秘和自然界变化的规律，我们才能够对人工智能的发展有更深刻的理解。人类面临的四大基本科学问题：宇宙的起源、物质的本质、生命的本质和智力的产生，其中后两个问题都跟人工智能相关，而人工智能的研究就与这两个问题密切相关。

在这样一种学习环境中，培养出来的学生一定能够主动思考人工智能的未来，也知道怎样动手去创造，这就是我们要培养的具有科学家素养的工程师，将＂脑＂和＂手＂结合起来。我们认为按照这样的模式培养学生可以使他们毕业以后有更好的发展空间。

潘天佑：我们也请问一下高老师，刚刚郑老师特别对他的班的愿景讲了一下。还是想请您看一下，您觉得整体对中国AI人才的投入够不够？怎样更进一步培养出更多的AI人才？

高文：肯定是不够。你就看市场需求，很多公司可以花几百万年薪挖一个AI高级人才，还可能不是最顶级的，最顶级的还要贵。当然我觉得倒不是说AI人才不够，而是顶级 AI 人才不够。对此倒也不必搞一个全民运动，像当年搞软件学院一样，弄出一堆人工智能学院，那可能又是一个灾难。我认为顶级AI人才的培养需要有一些顶级学校，多投入一些资源，培养一些好一点的学生。

北大计算机系每年招收 300 名左右本科生，但是后来发现这些学生真正留在学术界的不多，这就是一个问题。为了解决这个问题，北大去年开设了图灵班，让将来有志于做基础研究的人来这个班专门培养。图灵班学生招生标准不仅仅是要考试成绩最高，当然成绩差的肯定不行，而是要看他/她有没有做基础研究的潜质，有没有愿意研究未解决问题的好奇心。去年图灵班计划招 30 人，最后面试下来只招了 24 人。今年图灵班会变成两个班，一个班仍然做计算机科学基础研究，另一个班面向人工智能，希望培养高级AI人才。

主持人：感谢各位嘉宾给我们带来如此精彩的讨论。

—【完】—

AI公开课预告

时间：6月14日 20:00-21:00

扫描海报二维码，免费报名

添加小助手微信csdnai，备注：公开课，加入课程交流群