1. 加大對人工智能基礎理論的探索
1.1. 劉海濱
- 1.1.1. 中國航天系統科學與工程研究院總工程師
1.2. 人工智能的發展不會一帆風順，技術進展緩慢、倫理道德衝擊、根技術儲備不足、應用不滿足實際需求等，都將給中國人工智能的發展帶來挑戰
-
1.2.1. 我國仍然是一個追隨者，不完全是一個創新突破的國家
-
1.2.2. 60%的論文作者是華人，工業界出現的眾多公司中也有很多來自中國
1.3. “新一代”有兩個標誌
-
1.3.1. 一是2006年7月加拿大多倫多大學傑弗裏·辛頓教授在《科學》(Science)上發表有關深度學習算法相關理論的論文
-
1.3.2. 第二個標誌是在2016年3月，AlphaGo戰勝人類圍棋世界冠軍李世石，引發了轟動效應，繼而引發了人工智能發展的高潮
1.4. 人工智能的勃興主要有三個方面的原因
-
1.4.1. 深度學習算法的應用
-
1.4.2. 硬件資源的強力支撐
-
1.4.3. 大數據技術的成熟，這是“舊人工智能”時代特別是神經網絡應用時代所達不到的
1.5. 投資重點
-
1.5.1. 網絡安全
-
1.5.2. 檢測人工智能生成的虛假視頻、音頻
-
1.5.3. 針對人機交互的人機共生項目，就是人和機器如何協調共處
1.6. 促進高端高效的智能經濟發展
-
1.6.1. 大力發展人工智能新興產業，包括智能軟硬件、智能機器人、智能運載工具、虛擬現實與增強現實、智能終端、物聯網基礎器件
-
1.6.2. 從追求智能機器到高水平人機、腦機相互協同的融合
-
1.6.3. 從分類推理處理的界面到跨媒體的認知、學習和推理
-
1.6.4. 從聚焦個體智能到聚焦基於互聯網和大數據的羣體智能，把更多的人的智能聚集結合起來，變成羣體智能
-
1.6.5. 從擬人化的機器人轉向更加廣闊的智能自主系統，如智能工廠、智能無人機系統等
1.7. 重點發展領域
-
1.7.1. 農業是人工智能可以大力施展拳腳的領域，包括農業的智能生產、智能農機裝備等
-
1.7.2. 在工業方面，製造業、工業機器人和智能家居是最受關注的
-
1.7.3. 在交通運輸業方面，當前對智能汽車、智能物流的研究與應用較多，但是對智能船舶和智能航空航天設備還需要重點關注
-
1.7.4. 在社會服務與保障方面，目前最受關注的是醫療領域，這一領域成果也比較顯著
-
1.7.4.1. 在智慧醫院、人工智能治療設備、醫藥監管和流行病智能監測等方面還需要進行深入研究和應用，包括養老、智能健康、健康管理可穿戴設備等
1.8. 思考和建議
-
1.8.1. 兩個創新
-
1.8.1.1. 第一，是網絡結構上，由三層結構發展至多層結構
-
1.8.1.2. 第二，是算法方面，以BP算法為基礎，建立了各種類型的算法，如卷積神經網絡等
-
1.8.2. 相較於人類發現飛行的原理，目前人工智能研究還沒有找到智能原理，還處於黑盒子狀態
-
1.8.2.1. 正是由於飛行原理的伯努利方程的發現，我們建造的飛行器性能才大大超越了目前地球上所有能飛行的生物的性能
-
1.8.3. 需要在人工神經網絡結構上進行創新，比如改變層次結構為“場”（人工神經場）結構，將量子力學和神經網絡結合等
-
1.8.4. 在算法方面，在機器學習機理上進行創新，能夠用非線性數學理論建立可證明的數學模型等
-
1.8.5. 應加大投入，認真研究人工智能發展歷史中的一些經典理論模型（如McCulloch和Pitts的神經元模型、Hodgkin和Huxley的神經生理學模型等），融合生理學、腦科學、認知科學等最新的研究成果，突破現有的條條框框，開展多學科交叉和融合的研究
2. 類腦人工智能及其倫理
2.1. 曾毅
- 2.1.1. （中國科學院自動化研究所研究員
2.2. 數據智能
-
2.2.1. 基於數據的人工智能(data-based artificial intelligence)，簡稱數據智能
-
2.2.2. 基於數據構建的看似智能的模型，其實質只是信息處理，是大規模的數據分析，與“智能”的本質無關
2.3. 人工智能研究從開始至今不過短短几十年，而真正人類的智能已經經過了數億年的演化，在演化過程中通過基因突變等獲得了不同的嘗試，生成了不同物種的腦
2.4. 數億年的演化使得人類大腦把人體系統的結構和機制有機地組合起來，使得人體系統表現出更好的魯棒性和抗噪能力
-
2.4.1. 在目前最理想的狀況下，深度學習系統在有足夠多的數據訓練，並且測試數據與訓練數據都理想的狀況下，能夠獲得與人類大腦同等水平的魯棒性和抗噪能力
-
2.4.2. 在任何客觀的現實世界中，理想的狀態都不存在
-
2.4.3. 腦結構與機制的結合使得高度魯棒性和抗噪性可以從我們構建的類腦模型中涌現出來，這並非特定的函數設計所能實現的
2.5. 人的決策是通過若干腦區的協同來實現的
-
2.5.1. 人腦至少可以分成近250個腦區
-
2.5.2. 這些腦區是自組織協同的，可以去應對不同的任務，也就是説，人腦的自組織原理才是最重要的
-
2.5.3. 人類的認知功能至少有150項，到目前為止，全世界的人工智能頂多挑戰了其中的30項，剩餘的絕大多數很少有人去研究
2.6. 所有的規則都是在線學習的，機器人學習的速度剛開始跟人類似，後面則比人快，因為其計算能力比人強
2.7. 傳統鏡像測試判斷物種是否具有自我意識的假設實際上是不嚴謹的
- 2.7.1. 實現機器的自我意識是我們重要的努力方向，很顯然這還只是初步自我感知的開始
2.8. 未來智能的兩個方向
-
2.8.1. 從機器向擬人化發展
-
2.8.1.1. 機器的擬人化(humanization)使得機器越來越像人，使它能夠與未來的人類更好地交互
-
2.8.2. 從人類向機械化方向發展，擴展人類的智能
-
2.8.2.1. 人類也在通過延展認知能力提升着自身，所以這部分工作叫作mechanization，就是機械化
2.9. 兩個方向需要回答的科學問題出發點是不一樣的
-
2.9.1. 從機器智能的角度出發，我們需要回答它們到底是誰、我們到底怎麼構建一個具有智能的生命的問題
-
2.9.2. 從人類的角度出發，問題是我們人的大腦是怎麼工作的、我們是誰
-
2.9.3. 未來，有意識的超級智能生命體的發展不是割裂的，不是兩個方向無關的努力，而是兩個方向朝着統一的目標深度融合探索的未來
2.10. 未來的超級智能體很顯然會超越現代人類智力水平，其風險和倫理問題將是非常關鍵的一環
2.11. 看似智能的大數據分析、大規模信息處理，那我們就應該老老實實地講和做這件事情，而不是去冒充人工智能，否則的話，會對我國人工智能的科學發展造成本質干擾和深遠影響
2.12. 沒有一定程度自我意識的智能模型才是最危險的
-
2.12.1. 具有自我意識的類腦模型具有自我識別的能力、擁有動機與價值觀的能力、區分自己和他人的能力、看待他人和看待自己一樣的能力，以及與他人共情的能力
-
2.12.2. 機器人如果不能識別自己、不能為他人建模，那麼它為了完成任務就可以犧牲所有人類的意義，因為它根本不理解人類和它們之間的關係
2.13. 人工智能的模型可以演化，你可以植入，它就可以構建一個接口，使得你植入的部分被包圍，未來這個被植入的部分就不能正常工作
- 2.13.1. 可以自組織出一個網絡，在輸入和輸出的層面掩蓋一切變化，使得判斷模塊仍在繼續工作，但實際上從整體的模型角度，它已經不再符合人類的規定了
2.14. 未來生命研究所(Future of Life Institute, FLI)阿西洛馬會議制訂的23條原則，看上去覆蓋得比較全面，但仍有很多重要的要素被遺漏
2.15. 中國在人工智能倫理方面的研究的問題
-
2.15.1. 缺乏相對全面和長遠的考量，沒有對全方位風險的預測
-
2.15.2. 中國準則如何與國際上各版本協同
2.16. 提出的倫理準則在技術上是不可行的，而倫理與治理研究人員對技術上的潛在風險又不理解，就會對未來社會形成潛在危險與嚴峻的挑戰
2.17. 未來的人工智能系統構建於我們人類的智能之上，它的機制與人類是一致的，它從演化的角度可以出現更多的利他行為
- 2.17.1. 從人類基礎之上發展起來的，那麼它至少已經有了很多的利他行為基礎及協同發展的動機
3. 生態系統構建極為重要
3.1. 汪玉
-
3.1.1. 清華大學電子工程系副教授、黨委副書記
-
3.1.2. 北京深鑑科技有限公司聯合創始人
3.2. 一開始的互聯網，個人電腦(personal computer, PC)需要連線才能接到網絡裏，所以PC的數量不會超過全球人口
3.3. 在移動互聯網端，目前全球手機的量已差不多接近或超過全球人口，這得益於中國的很多手機公司在印度、非洲、拉美等地區的大力推廣
3.4. 當前最通用的一種做法，是用CPU或GPU去實現各種功能，因為它們（CPU或GPU）是一種通用處理器
3.5. 當前的人工智能，並不是造出一個新的行業，而是一個外加(plus)的過程，即“人工智能＋”
3.6. 數據不可能在一家做算法的公司或做芯片的公司，只有做應用的人才掌握所有的數據
3.7. 高層次人才的稀缺
3.8. 風投資本對創業公司的選擇盲目跟風
3.9. 數據中心和輔助駕駛
-
3.9.1. 未來所有人的數據都在雲上，所有的數據都放在App背後的數據中心，因此數據中心的競爭將會非常激烈
-
3.9.2. 數據中心可用的芯片種類必將是非常非常多的，無疑，這將是人工智能領域的兵家必爭之地
3.10. 對硬科技創新型小企業，需要不一樣的扶植態度，這裏不僅包括政府的扶植，還包括大企業對小企業的容忍度與合作
3.11. 長期穩定的產業投資策略
-
3.11.1. 人工智能本身就是長週期的項目，要真正做出與大腦類似的東西，需要十年甚至幾十年持續的投入
-
3.11.2. 產業資本、政府、研究機構能不能做到長期的穩定投入，也是至關重要的
