基于神经网络的专家系统,清华大学认知神经科学

1、中国清华团队追求什么？

2月26日没有任何天文物理背景，计算机科学家曹军威却一心扑上去和引力波“纠缠”了十多年。这让他更确信，在未来的引力波探测中，运算速度将变得越来越重要，甚至直接事关成败。

去年10月，多国科学家宣布，人类首次直接探测到双中子星合并产生的引力波及其伴随的电磁信号，令全球天文界震动。

其实，引力波发现的过程，就是一场与时间的赛跑。美国“激光干涉引力波天文台”（LIGO）发现引力波信号后的1.7秒，美国费米太空望远镜就观测到疑似对应的伽马射线暴。LIGO和费米立即向天文界发送警报，随后，全球约70个地面及空间望远镜从红外、紫外、X光等不同波段展开全面的后续观测。正是因为探测到了电磁信号，科学家才能在茫茫宇宙中进一步精确定位出引力波的源头。

这样的合作模式开启了“多信使天文学”的大幕，这意味着更多更神秘的宇宙谜团将一步步由此揭开。

天文学新时代的到来比曹军威预料的更早，这让他非常高兴。正如他所判断的，一个关键因素是运算要快，越快越好。

2004年，还在国外留学工作的曹军威凭借计算机方面的特长加入了麻省理工学院LIGO实验室，从此和引力波结下不解之缘。2009年，他带领清华大学信息技术研究院工作组（简称“清华工作组”）加入LIGO科学合作组织，参与数据处理工作。

“当时我们是LIGO科学合作组织里唯一的中国工作组，也是很独特的一个工作组，因为我们所有成员都没有天文物理背景，而是从事计算机和自动化研究的。”曹军威说。

前五年，清华工作组主要侧重于计算平台搭建和数据分析。但是，基于专业敏感和自身特长，他们随后把提高运算速度作为自己的目标。然而，“快到极致”究竟有什么意义，当时很多人对此并没有清晰明确的认识。

“我们一开始就提出，快速运算可以服务于多信使天文学，因为这需要在引力波信号发现后，立刻协调其他设备共同观测，当然是算得越快越准越好。”曹军威说，“只是没想到，这一切来得这么快。”

一方面，曹军威和他的清华同事有了大展才华的空间，另一方面，他们也将面临更多的挑战和压力。

LIGO于2017年8月25日结束第二次科学运行，并计划于今年七八月间开始第三次科学运行，这期间的主要工作是升级探测器，进一步提高灵敏度。“灵敏度提高了，探测到引力波的几率就会大大增加。原来可能一年发现几次信号，将来可能每月，甚至每天都能发现信号，现在的数据处理速度还远远跟不上这个节奏。”曹军威说。

据介绍，LIGO科学合作组织包括上千名科学家，其中大约400名负责建造和运行天文台，其余都是从事数据处理分析工作的。他们分成多个组来处理探测数据，比如引力波暴数据分析组（Burst）、致密双星并合数据分析组（CBC）、连续波数据分析组（CW）以及引力波随机背景数据分析组（Stochastic）等。

“清华工作组只承担了其中很小一部分，现在主要参与CBC的加速工作、探索使用计算机神经网络进行数据处理等。”曹军威说。

为了方便大众了解引力波，科学家们每次都会把LIGO的重大科学发现转换成生动直观的图像甚至是视频，而它们其实来源于LIGO探测器每秒采样16000次形成的密集数据。这些数据，要经过除噪、比对等一系列处理，才能供研究引力波之用。

为此，清华工作组和西澳大学合作，建立了一条新型的低延迟引力波数据处理流水线：首先，天文台将观测数据打包传送到数据中心；然后，对这些数据进行预处理；接下来，将预处理后的数据与大量引力波数据模板进行快速并行匹配，以确定信号是不是引力波；最后，发出预警，协同观测。

“以前，这个过程大概需要几分钟。后来，我们对滤波算法进行了加速，可以在1秒内完成数据和上万个引力波数据模板的匹配，从而把整个过程缩短到十几秒。我们下一步的目标是3至5秒。”同在清华工作组里的都志辉副教授说。

“引力波对应的电磁信号的发现，恰恰印证了高性能并行计算的必要性。当引力波过来时，一些伴随引力波的电磁信号间隔时间可能非常短，仅仅只有几秒，要捕捉这些很快出现又十分短暂的电磁信号，就必须实现引力波数据的准确快速处理，甚至是‘零延迟’。”都志辉说。

不过，目前LIGO的数据分析还不能完全实现自动化，工作组要轮流值班，人工检查数据产生的触发。“我们正在尝试引入人工智能，如果成功，将来就不需要人来检查，并可以自动匹配波形，用更短的时间处理更多的信号，并更快地给出结果。”曹军威说。

清华工作组在LIGO科学合作组织中的积累和创新，将为中国未来的引力波探测项目提供宝贵的经验。曹军威认为，在基础比较薄弱的科研领域，中国应该积极参与国际合作，培养人才，积蓄力量。

谷歌人工智能写作项目：小发猫

2、为何PLDA面对神经网络依然坚挺？

相信这个问题是很多说话人领域的研究者所关心的，每个人也都有自己的考量清华神经网络搜索课题组。更明确一点，其实不限于PLDA，而是整个ivector框架都不容易被神经网络beat掉(虽然坚挺，但是正在逐步被beat，只是进度不像语音识别里那样势如破竹)。在此，谈一点我自己的看法。深度学习在说话人识别领域的应用现状写论文的时候经常写“深度学习在语音识别领域中的成功应用鼓励着研究者将它运用在说话人识别中去”。但是实际上呢，14、15年的说话人识别论文是几乎看不到DNN的存在的。仅有的几篇也是代替ivector框架中的gmm去计算统计量，提取一些bottleneck 特征等等非本质性、变革性的工作。直到google d-vector的出现，它虽然简单，但是有重要意义，因为这算是一个纯dnn框架下的说话人识别系统。我们实验室也做了部分工作，比如bottleneck feature，文本相关任务中的j-vector等等。清华王东老师组也是一直在沿着d-vector的框架在做。2016年的icassp上，google发布了第一篇end2end的说话人识别系统，标志着DL-based SID的第二个阶段吧。这个工作思路清晰，针对最终的评价指标直接优化整个网络，存在的问题当然就是这种binary loss的学习非常的greedy，很难去学到比较generalizable的东西。Google 的任务和数据量，并不适用于大多数情况，所有的训练、注册、测试数据都是“ok，google”，而在现实中，很难找到这种如此匹配，如此大量的训练数据。后续的基于triplet loss 的end2end 系统算是暂时成熟的系统，复现出来的结果也确实是work的，但是这更像是一种embedding 的学习，而不是端到端的系统。

3、国内那些大学的人工神经网络研究做得比较好？ 20

北大、清华、华中科大等

4、MSRA副院长周明认为中国NLP如何跻身世界顶尖水平？

近期中国计算机学会（CCF）举办的第六届自然语言处理及中文计算大会（NLPCC 2017）在大连成功举办。作为国内NLP 领域首个面向国际的大会，NLPCC 无论从会议的形式、参会的人数、还是报告的质量，都展现出了一副朝气蓬勃的气象，欲有引领中国NLP 走向国际之势。

为深入了解中国当前NLP 的发展状况及前景、CCF 在NLP 方向的努力，以及NLPCC 会议的发展情况，雷锋网对CCF 中文信息技术专委会主任、微软亚洲研究院副院长周明（同时他也是中国中文信息学会（CIPS）的常务理事和国际计算语言学会ACL 的候任主席）和CCF 中文信息技术专委会秘书长、北京大学赵东岩教授（雷锋网将随后报道）进行了专访。

本文主要内容为周明博士站在CCF 中文信息技术专委会角度对NLP 研究进展及中国NLP 发展现状及前景的深入介绍。他的开场白是这样的：

目前各国政府（包括美国、德国、日本、中国等）都在制定一些人工智能的规划，但中国对人工智能的规划最为清楚。结合国务院的《中国人工智能发展规划》（2017 年7 月）和总书记《十九大报告》（2017 年10 月）相关的内容，可以看出，中国把人工智能的发展规划为两个阶段，第一个阶段是2020 年进入世界先进水平，第二个阶段是2030 年达到顶尖水平。

我们国内的自然语言处理，跟国家对人工智能的规划基本上是同步的。也就是说，我们到2020年进入到世界先进水平，期待着在2030年达到世界顶尖水平。

先进水平跟顶级水平有什么大的差别呢？先进水平是你追随世界最发达的国家，你也掌握所有的关键技术，但是你不是关键技术的提出者，也就是你不是领跑者；顶级水平实际上是你在领跑，你告诉全世界往哪个方向走，你提出了关键的理论模型，而别人在follow你。差就差在这一点。

在NLP领域，我们中国现在是很好的追随者，国际上（主要是美国）一旦出现任何技术，我们马上就学习掌握，而且快速应用起来，应用的比美国都不差。现在差就差在我们不是最先提出这个技术和方法的。所以我们CCF 中文信息技术专委会认为现在我们也可以说基本上在世界先进水平了, 三年后即2020年将全面达到世界先进水平。在此基础上，我们期待2030年达到世界顶级水平。这是我们的愿景。

以下为周明博士的深入讲解，雷锋网根据采访内容作了不改变原意的精简和编辑，以飨读者。

一、NLP是认知智能的核心

雷锋网：NLP在整个AI领域中处于什么样的位置？

周明：近年来，人工智能由于大计算、大数据、算法模型（以深度学习为代表）以及落地场景四大要素的齐备，进入了一个高速发展的时期。其主要发展方向：感知智能和认知智能。

所谓感知智能，即视觉（图像）、听觉（语音）等的感知能力。大家都知道感知智能突飞猛进，像图像识别的ImageNet 的评测，语音识别的Switchboard 评测等，它们都已经达到了甚至超过了人类在该测试集的水平。这方面的研究进展也推动了很多应用的发展，例如安防、人脸识别、物体检测，以及语音识别在手机、智能家居等设备上的应用。

认知智能，通俗讲就是「能理解会思考」。认知智能有很多东西，其内核包括语言智能、知识图谱、用户画像等。在此基础上，支持几个方面的应用，例如智能写作、聊天对话、诗歌创作、文本生成、游戏博弈等。有的做的很好，比如AlphaGo 为代表的博弈系统；但有的还差强人意。目前认知智能相对于感知智能总体上来讲在引入深度学习方面落了半拍，但目前处于奋起直追的状态。比如，神经机器翻译的质量越来越好，聊天系统、人机对话也越来越好。

自然语言理解是处在认知智能最核心的地位。它的进步会引导知识图谱的进步，会引导对用户理解能力的增强，也会进一步推动整个推理能力。在此基础上，聊天、解题、翻译、对话等也都会得到进步。认知智能一旦进步，加上感知智能的进步，整体的人工智能就会进一步发展。

比尔·盖茨曾经说「语言理解是人工智能皇冠上的明珠」，沈向洋博士也说过「懂语言者得天下」，都是在强调NLP 的重要性。自然语言处理的技术会推动人工智能整体的进展，从而使得人工智能技术可以落地实用化。

二、NLP未来五到十年发展

雷锋网：NLP在未来五到十年将会如何发展？

周明：大致有这么几个方向：1）问答和阅读理解的进步会使得搜索引擎更加精准；2）语音识别和神经机器翻译会使得口语机器翻译会完全实用；3）由于用户画像的精准和实时性的提高，推动信息服务和广告更加自然、友好和个性化；4）聊天、问答和对话技术提高，推动自然语言会话达到实用；5）由于对话技术和知识图谱的进步，使得智能客服与人工客服更加完美结合，从而大大提高客服效率；6）由于自然语言生成技术的进步，使得自动写诗、作曲、自动生成新闻甚至小说会流行起来；7）人机对话的进步推动语音助手、物联网、智能硬件、智能家居的普及；8）最后是NLP+，就是NLP 在金融、法律、教育、医疗等垂直领域得到广泛应用。

以搜索引擎智能化为例。以前的搜索引擎，输入关键词返回来一堆东西，你需要自己去看。随着自动问答、阅读理解等能力的提高，现在的搜索引擎，你可以问个问题，句子长一点也不怕，它能够分析这个问句，把答案从浩如烟海的文档中找出来；甚至不只是给你一个文档链接，它还能够把答案直接给你，搜索引擎的结果也越来越精准。

雷锋网：未来NLP研究需要关注哪些方向？

周明：我个人比较关心以下几点：1）通过用户画像实现个性化服务；2）通过可解释的学习洞察人工智能机理；3）通过知识与深度学习的结合提升学习效率；4）通过迁移学习实现领域自适应；5）通过强化学习实现不断进化；6）通过无监督学习充分利用未标注数据；7）多媒体和多模态之间的理解、问答、转换。

三、中国NLP研究稳居世界第二

雷锋网：中国目前在NLP领域的发展处于什么样的状态？

周明：中国NLP 的发展有两个方面，一个是科研水平、一个是产业化。在NLP 产业化方面，中国做的不错，比如搜索引擎、电子商务、新闻网站、机器翻译、智能音箱的技术体系中，NLP 居核心地位。我下面重点介绍一下中国NLP 的科研水平。

以ACL 为例，ACL 是世界上自然语言处理领域最高级别的学术会议。大概20 年以前，中国没有一篇ACL 文章。在1998 年，清华大学黄昌宁教授课题组发表了第一篇ACL 文章。那时候中国在NLP 方向的研究基础薄弱，日本、韩国，甚至中国的台湾、香港地区都比中国大陆在ACL 上发表的文章多很多。

微软中国研究院（注：后改名为微软亚洲研究院）在1998 年11 月成立之后，大大地带动了NLP 在中国的发展。历届院长都号召大家要走向国际，鼓励研究院的研究员们跟高校和有关学会合作，大家一起努力推动中国的研究水平。微软研究院通过联合实验室、暑期学校、实习生计划帮助中国培养了大批NLP 人才。

同时CIPS、CCF 等学会组织各类讲习班、学术会议，引进国际先进的理论和技术，大大地促进了本土NLP 的提高。在文章发表方面，中国NLP 人士也不断努力提高在ACL 的影响力。中国政府在NLP 领域通过自然科学基金、863 和973 等计划加强了投资和引导。通过各界的努力，经过过去20 年左右的快速发展，中国已经成为ACL 里排名第二的国家。

近五年来中国在ACL 上的文章数量（包括长文和短文），稳居第二位，仅次于美国。长文方面，跟美国的距离大概在20 到30 篇；同时远超其他所有国家，包括日本、韩国、德国、英国等，原来中国是不能望这些国家的项背的。如果未来中国ACL 长文数目持续增长，就有可能在三年内赶上美国。由于中国NLP 发展势头良好，这是一个可以期待的目标。

若以华人的文章来算，2014 年华人第一作者的文章占ACL 总文章数的36%，之后逐年提高，今年是40% 这里面除了中国本土的人士，很多是中国留学生。

从以上的数字看，中国的ACL 文章确实已经跃居世界前列了。这是非常惊人的一个结果。20 年以前中国只有一篇ACL 文章，而如今已经稳居世界第二。

除了文章数量外，中国ACL 文章的质量也有很大提高。比如2017 年ACL 的22 篇杰出论文中，来自中国的五篇文章入列。

在国际活动的参与中，中国也越来越活跃。例如ACL 执委会有13 位执委，其中3 位是来自中国，中国大陆有我和百度的赵世奇；我是ACL 侯选主席（注：将于2019 年上任），赵世奇是秘书长，来自台湾的张景新是首席IT 官。

另外，来自中国的赞助总数和赞助商的数目也接近美国；从参会人数上看，我们也是位居第二。

NLP 领域其他重要的会议，比如COLING 或者EMNLP，情况也大致类似。

所以中国是当之无愧的NLP 第二强国。

CCF 在这里面做了很多贡献。CCF 中文信息技术专委会组织了NLPCC 这样的学术大会，组织了ADL 讲座，组织了多次走进高校活动。在NLPCC 大会上还专门组织了学生workshop，讲授如何做研究和写论文。CCF 还跟CIPS 紧密合作轮流主办语言与智能峰会。这个峰会有效地促进NLP 领域发展，提升它在社会上的影响力。

当然我们目前也有一些问题仍待改进。这表现在：1）在中国举行的NLP 领域的国际会议或活动较少；2）来自中国的ACL 的会员比较少；3）在国际NLP 大会中，来自中国的特邀报告、最佳论文、SIG 主席、workshop 主席、tutorial 讲者等较少；4）来自中国的论文，虽然数量居第二，但是很多文章多多少少有追随别人的味道，期待将来来自中国的文章可以更多地体现引领的趋势。

四、中国NLP迅速崛起的原因

雷锋网：是哪些因素导致我国NLP迅速进展？

周明：第一，整个国家在上升的趋势发展，无论是工农业，还是国民经济或者综合国力等。第二，我们跟国际接轨越来越好，比如我们的NLPCC 大会的工作语言是英文，大会主席、程序委员会主席和各个领域主席，都设两位共同主席，一位来自国内，一位来自国外。第三，中国的高校和公司通过培养和引进，吸纳了大批优秀的NLP 人才。

尤其要提一下外企和国内互联网企业对ACL 的贡献。比如，微软亚洲研究院跟国内和亚洲地区很多高校全方位的合作包括暑期学校联合实验室联合培养博士生、实习生计划等等，培养了大批NLP 人才。比如18 年来微软研究院培养的NLP 领域的实习生已经有450 人之多。这些人来自全国各地，经过在微软实习锻炼后，又回到各个高校，然后加入公司或者学校任职，成为领军任务，又带动下一波人才的成长，不断推动这个领域的发展。

应该指出的是，百度、阿里、腾讯、京东、今日头条等大型互联网公司，以及很多新锐公司（比如出门问问、国双、奇点机智、小牛翻译、思必驰、新华智云等许多公司）也在各方面对国内NLP 发展做出了非常大的贡献。我代表CCF，非常的感谢这些国内外企业对NLP 领域的发展和取得的进步做出的贡献。

雷锋网：NLP领域日、韩等国比中国发展的更早一些，为什么现在相对中国它们会落后很多呢？

周明：我认为有几个因素。第一个因素就是互联网时代中国抓住了中国互联网的发展和机遇，很多其他国家在互联网方面（尤其是移动互联网、电子商务、搜索等方面）相对落后。举个例子，很多国家没有自己的搜索引擎，而中国有很多，像百度、搜狗以及微软本地化的必应。搜索引擎对自然语言的推动作用非常之大，因为它对问题理解、文章理解、问答、翻译的需求，促进了相关NLP 技术的发展。同时它的巨大经济价值，也吸引了很多人在这个领域投资做研究，做产业化。一个国家没有搜索引擎，NLP 方面自然就会落后。

另一个因素是数据。中国拥有世界上最大的数据，有8 亿多移动互联网用户，有大量的电子商务数据，这些数据会帮助研究和技术的发展。

第三是政府在这方面的作用。国家在世界经济链条中的地位，会导致在互联网和移动互联网的时代，尤其是现在的人工智能时代所拥有的地位。中国现在由于是GDP 第二大国，在互联网时代赶上了这个潮流，尤其在移动互联网时代中国甚至引领了潮流。中国政府制定相关的规划，支持并引领技术和产业的发展。所以期待在人工智能时代中国能够超越其他国家，成为顶级的人工智能发达国家。跟人工智能有关的研究也会得到相应的带动，包括NLP。

雷锋网：除中、美外，NLP领域哪些国家做的比较好？

周明：如果按ACL 算，美国、中国、英国、德国、日本、韩国、加拿大都有自己的特色。英国的爱丁堡大学、牛津大学他们在自然语言研究方面有很好的特色。

NLP 在加拿大也有很好的发展。虽然它从事自然语言的人相对较少，中国仅北京地区搞NLP 的人就远比整个加拿大从事NLP 的多很多，但是它提出了很多引领世界的方法，比如用于神经机器翻译、机器阅读理解的新方法。在理论创新方面值得中国学习。

五、如何成为NLP强国

雷锋网：中国下一步该如何提升自己在NLP方向的研究或者应用？

周明：这要从几个方面来说。

首先，我觉得要抓住中国发展的良机。1）数字化转型。现在中国讲究数字化转型，各企业、各行业要数字化，有了数字化你才能有人工智能。但很多企业连数字化都没有做好，所以这里孕育着很多机会。2）AI 热潮。AI 热潮带动市场投资需求，人才、数据进一步发展，这是一个非常好的良机，所有搞NLP 的人应该乘势而上。

其次，要抓好普及。虽然我们国内有很多搞NLP 的高校，但是有很多学校还属于相对落后，对最新的技术理解不够，很多高校（尤其西部高校）基础相对薄弱，所以我们要搞好普及。CCF 专委会专门有一个工作小组，叫「走进高校小组」。响应CCF 的号召，我们自然语言学者也走进高校。我们已经去了很多高校（例如西藏大学），去讲授人工智能、自然语言的发展、最新的的技术等，呼吁更多的学生学习人工智能和自然语言。

雷锋网注：AI 科技评论公众号（ID：aitechtalk）某篇代表性的AI 文章的阅读分布，西部地区常常呈两位数（甚至个位数）的状态。这某种程度上也反映了国内AI 工作者的分布情况。

第三，拔尖人才的吸引和培养。首先，吸引国际拔尖人才到中国来，通过回国参加会议或者合作，了解中国的发展现状，加强和国内高校和企业的交流，最终希望能有一部分人才被国内的发展机会吸引从而留下来。另外更加重要的是，通过学校的学位培养模式，同时利用公司的实习渠道，来培养更多具备扎实的理论基础和实战经验的优秀人才，甚至高水平的领军人才。

第四，促进我们中国的研究走向国际化。包括CCF 办的NLPCC。过去几年都是在中国举办，未来我们也会考虑到新加坡、日本、韩国，甚至美国去开会，把我们中国原生的研究带到全世界去，尤其是要引领在国际中文计算领域的潮流。

第五，加强创新。包括1）理论创新。例如发展无监督的机器学习算法，利用上下文和用户画像来增强NLP 任务建模，综合知识和数据来提升NLP 系统的能力等等；2）开辟学科交叉的新领域，比如NLP 和图像和视频的交叉。还有深入研究NLP 在重要的垂直领域的广泛应用；3）产品创新，通过软硬件结合，结合具体场景，提升用户体验。

第六，要注重数据和工具共享，注重评测。CCF 以及我们的中文计算专委会目前已经专门成立了数据工作组，把数据分享给大家来使用，做训练、做评测等。比如NLPCC2017 所组织的词汇语音关系识别、短文本分类、单文档文摘、问答和用户画像吸引了很多学校和公司参加。

第七，促进产学研大协作。通过CCF 以及其他一些平台，吸引工业界的人士加入到我们的研究过程中，通过各种合作来促进公司的产业发展，也同时促进高校的学术发展。

最后，就是中国要考虑在国际会议和组织中发挥更大的影响力。包括多组织和承办国际一流会议，多争取担任国际一流学会的执委会委员、大会主席，程序委员会主席和领域主席，把中国的影响力更多地发挥出来。

需要指出的是，虽然中国NLP 发展势头良好，但是我们还面临很多困难。需要政府、学校、科研机构、公司、有关学会还有社会各界人士继续努力。尤其是加强理论创新、探索学科交叉和垂直领域的新机会，才能逐步从跟随者到引领着过渡。我相信，如果所有这些措施都能够很好地落实，下一步中国的NLP 一定会稳步地向更高的目标发展，最终一定会跻身于世界NLP 的顶尖水平。

5、石纯一教授简介

清华大学计算机系高性能计算研究所
现任所长：杨广文教授
高性能计算研究所由清华大学计算机科学与技术系原应用教研组和原微机教研组（现称为网格计算课题组）合并而成。学科专业为计算机组织与系统结构，是我系三个博士点之一，也是国家教委批准的重点学科博士点，在全国学科综合评比中名列第一。
师资力量李三立（院士，博导）郑纬民教授（博导）汤志忠教授（博导）王鼎兴教授
石纯一教授沈美明教授温冬婵教授戴梅萼教授
杨广文教授（博导）汪东升教授（博导）秦开怀教授（博导）黄震春
陈文光舒继武都志辉余宏亮
武永卫薛巍张悠慧

高性能所主要有以下研究小组：
集群计算
CPU设计
网格计算
网络存储
网格与集群计算
图形图像与可视化

人工智能与模式识别专业委员会
--------------------------------------------------------------------------------
一、成立时间：1986年11月
挂靠单位：北方交通大学计算机与信息技术学院
二、组织机构
主任：石纯一清华大学计算机系
秘书长：黄厚宽北京交通大学计算机学院
副主任：王珏中科院自动化所
刘大有吉林大学计算机学院
许卓群北京大学信息学院
周志华南京大学计算机系
赵沁平北京航空航天大学计算机系
黄厚宽北京交通大学计算机学院
委员：石纯一清华大学计算机系
刘大有吉林大学计算机学院
周志华南京大学计算机系
赵沁平北京航空航天大学计算机系
黄厚宽北京交通大学计算机学院
林作铨北京大学数学学院
王国胤重庆邮电学院计算机所
陈纯浙江大学计算机学院
刘开瑛山西大学计算机所
张天序华中理工大学图象所
张学工清华大学自动化系
史忠植中科院计算所
姜云飞中山大学计算机学院
于剑北京交通大学计算机学院
查红彬北京大学信息学院
尹宝才北京工业大学计算机学院
范明郑州大学计算机系
何新贵北京大学信息学院
何克清武汉大学计算机学院
李磊中山大学计算机学院
高文哈尔滨工业大学计算机学院
李凡长苏州大学计算机学院
唐常杰四川大学计算机学院
沈绪榜西安临潼骊山微电子所
杨静宇南京理工大学计算机系
曹元大北京理工大学软件学院
张松懋中科院数学所
张鸿宾北京工业大学计算机学院
焦李成西安电子科技大学电子学院
张伟烟台大学计算机系
蔡自兴中南大学计算机系
郑方清华大学计算机系
廖士中天津大学计算机系
怀进鹏北京航空航天大学计算机系
苗夺谦同济大学计算机系
王珏中科院自动化所
许卓群北京大学信息学院
孙吉贵吉林大学计算机学院
俞士汶北京大学信息学院
邱玉辉西南师范大学
周昌乐厦门大学软件学院
程虎中科院软件所
欧阳为民安徽大学计算中心
熊范纶中科院合肥智能所
潘云鹤浙江大学
陈小平中国科技大学计算机系
三、主要学术活动及作用
人工智能与模式识别专业委员会于1986年11月在太原山西大学成立，同时召开了第一届学术会议。专委会的前身是人工智能学组，都是由已故著名学者、吉林大学王湘浩先生创建的。专委会设有人工智能语言、知识工程、自动推理、机器学习、自然语言理解、分布式人工智能、智能机器人、语音识别、文字识别、计算机视觉、模式识别方法、人工神经网络等12个学组，专业领域覆盖了人工智能与模式识别的各个研究分支。专委会首任主任委员为王湘浩先生，1992年换届由浙江大学何志君先生担任，2000年换届由清华大学石纯一教授担任。
智能科学是当代最重要的科学领域之一，信息化-----知识化-----智能化是信息时代发展的必然趋势。专委会自成立之日起，就明确了自己的主要任务，即紧跟这一发展趋势，联系和团结国内人工智能与模式识别学科领域的广大研究人员，并与国际人工智能与模式识别专家学者合作，开展学术交流，组织学术会议，促进我国人工智能与模式识别的学术研究和应用研究，为我国的现代化事业做出贡献。
专委会成立十多年来，遵照这一宗旨，在中国计算机学会的领导下，进行了多方面的大量的工作。同有关团体和单位合作，组织了多次国际学术会议。为保证学术会议的质量和效果，1990年，专委会同国内近10个有关人工智能与模式识别的学术组织，包括中国人工智能学会、中国自动化学会模式识别与机器智能专业委员会、中国高校人工智能学术研究会、中国软件行业协会人工智能分会、国家“863”计划计算机软硬件技术主题专家组、中国中文信息学会人工智能与教育专业委员会、国防科工委计算机专业组等，协商确定每两年召开一次中国人工智能联合学术会议。这个系列学术会议至今已召开过六届，第七届联合学术会议将于今年11月召开。每次会上都有两院院士和权威专家做专题报告，都有一百多乃至数百人参加，会议收到了促进学术交流、加强同行团结的良好效果，专委会在其中起到了重要的作用。最近几年来，随着人工智能与模式识别学科在深度和广度上迅速发展，专委会组织和参与组织了更多的学术活动。如2001年共同主办了第六届中国人工智能联合学术会议，主办了第一届中国Rough集与软计算学术研讨会，Rough集理论创始人、波兰学者Z.Pawlak专程来华与会并作了大会报告。2002年共同主办第七届中国人工智能联合学术会议，主办了第二届中国Rough集与软计算学术研讨会，和中国人工智能学会机器学习学会联合主办第八届中国机器学习学术会议。明年将主办第三届中国Rough集与软计算学术研讨会，参与主办第九届Rough集、模糊集、数据挖掘与粒度计算国际学术会议。
专委会将在中国计算机学会的领导下，为团结广大同行、加强学术交流，为促进人工智能与模式识别学科在我国的发展而继续努力。
四、联系方式
联系人黄厚宽
地址北方交通大学计算机系
邮编 100044
电话 010-5168 8055
电子信箱 hkhuang@center.njtu.edu.cn

简介
领导机构
委员
专委活动