1. 倫理研究

1.1. 劉哲

• 1.1.1. 北京大學哲學系副主任、長聘副教授

• 1.1.2. 《中國機器人標準化白皮書》

1.2. 法律規制具有一定的滯後性，當人工智能和機器人帶來的現實問題還未出現的時候，是很難從法律方面進行監管的

1.3. 從英美這些國家的做法來看，它們意圖把倫理價值融入人工智能和機器人技術設計初期，而不是等事情發生了再去敲打

1.4. 倫理難題

• 1.4.1. 對於工業機器人，大家首先關注的是它的安全問題

• 1.4.1.1. 協作型機器人出現之前，發生過一些嚴重的機器人事故，各國都有

• 1.4.1.2. 就業人員的素質不是一兩天就能夠培訓出來的，也不是單純靠技術知識灌輸就可以獲得的

• 1.4.2. 在工廠和車間中，當機器人和人進行協作作業時，工人在生產流程中被安排在什麼樣的位置是非常重要的

• 1.4.3. 當協作機器人大量進入工業生產中時，人與人之間的協作交流機會會大大減少，這容易造成很多人員心理方面的問題，也是需要我們重點考量的

• 1.4.4. 如果把大量機器人派到戰場上，這是否會大大降低發動戰爭的門檻，而並非減少戰爭？

1.5. 即便在人類社會中，我們的道德規則體系之間也常常相互衝突

• 1.5.1. 包括兩類現代倫理體系—義務論和後果主義這樣的倫理原則衝突，也包括古典美德倫理和現代倫理的衝突

• 1.5.2. 不僅涉及東西方文化差異，還涉及非洲和拉美這些地域的文化差異

• 1.5.3. 如果人們在價值體系、所訴求的道德原則以及行為準則方面，均展示出巨大的文化差異，在這種情況下，應該為機器人嵌入什麼樣的倫理原則？

2. 量子人工智能

2.1. 鄧東靈

• 2.1.1. 清華大學交叉信息研究院助理教授

2.2. 研究現狀

• 2.2.1. 人工智能裏面一些優化問題可以用量子退火機(quantum annealer)來解決

• 2.2.2. 量子人工智能主要是用量子算法解決一些經典的人工智能問題，這樣數據是經典的，算法是量子的

• 2.2.3. 可以用人工智能解決複雜的量子問題

• 2.2.3.1. 求解量子多體哈密頓量的基態能量問題，也可以藉助人工智能的方法

• 2.2.4. 算法是量子的，數據也是量子的，但這一領域目前還沒有實質性進展

2.3. 清華大學交叉信息研究院段路明教授課題組提出了量子生成模型，是量子學習算法理論方面的一個突破

• 2.3.1. 證明了量子生成模型，相比於經典生成模型，在表示能力、預測能力、學習能力三個方面，都可以有指數加速

2.4. 對抗神經網絡是機器學習的前沿熱點問題，在機器學習會議上，大概有多於一半的論文都在討論生成式對抗網絡

2.5. 量子霸權

• 2.5.1. 如果我們有一個量子計算機，當完全可操控的量子比特達到70多個的時候，這時有一些問題用經典計算機是完全沒有辦法解決的，哪怕是使用神威·太湖之光超級計算機

• 2.5.2. 只有量子計算機能解決這些問題，這就是“量子霸權”​

2.6. 量子人工智能研究國內剛剛起步，人才基本沒有，不是稀缺，而是奇缺

3. 產業環境

3.1. 張濤

• 3.1.1. 華為產業戰略與政策部高級產品經理

3.2. 人工智能四大獨角獸企業（曠視科技、商湯科技、寒武紀、依圖科技）的核心人員均有美國硅谷的背景，他們基於學術界的理論算法研究，藉助美國本地基礎訓練數據庫進行快速研究孵化，孵化完成後將算法帶回國，在風險投資的助力下，快速進行產業化，並得到相應的財務回報

• 3.2.1. 孵化過程中美國優於我國的產業環境

3.3. 美國在個人數據和隱私保護上做得比較好，包括未來將數據轉移至雲計算後的數據共享，美國已經有云計算服務相關的法規，對相關數據保護做了規定

3.4. 美國有良好的數據交換和分享機制，相對獨立的第三方數據分享機制和公司實體對產業孵化有很強的促進作用，值得我們借鑑

3.5. 美國有合理的公共數據共享機制

3.6. 我國人工智能發展兩大挑戰

• 3.6.1. 人工智能對數據的巨大需求與個人隱私保護以及數據主權之間的矛盾

• 3.6.1.1. 我們是全球最大的數字消費市場之一，但沒有相應的隱私保護機制

• 3.6.1.2. 我們有全產業鏈的生產製造體系，但很多核心生產設備還依賴進口

• 3.6.2. 如何建立有效的數據交換和共享機制，推動人工智能產業的孵化和發展

3.7. 四點建議

• 3.7.1. 明確數據主權和數據隱私保護，在進行相關規則制定時，要對當前產業鏈現狀進行綜合考量

• 3.7.2. 建立相應數據共享和交易機制。市場對數據有需求，但是沒有相關數據交易規則，企業不敢去從事相關數據的交易，因為後果難以承擔

• 3.7.3. 政府應考慮設定機制，將部分公共數據提供給產學研使用

• 3.7.4. 政府應基於某些場景推動建立公共訓練數據庫

• 3.7.4.1. 圖像識別的快速孵化就是因為美國擁有公共的數據集供訓練，國內初創公司依圖、曠視都是在美國進行了初始的訓練，然後在中國應用過程中不斷地完善

• 3.7.4.2. 我國也應該在眾多行業領域逐步建立數據訓練集

3.8. 防止發生數據壟斷，保持數據存儲中立性，並制定涵蓋人工智能數據流通、共享和交易全流程的相關法規

4. 十大最具成長性技術展望

4.1. 對抗性神經網絡

• 4.1.1. 對抗性神經網絡指由一個不斷產生數據的神經網絡模塊與一個持續判別所產生數據是否真實的神經網絡模塊組成的神經網絡架構，創造出近似真實的原創圖像、聲音和文本數據的技術

• 4.1.2. 有望大幅提升機器翻譯、人臉識別、信息檢索的精度和準確性，隨着三維模型數據序列能力的提升，未來將在自動駕駛、安防監控等領域產生可觀的應用價值

4.2. 膠囊網絡

• 4.2.1. 在深度神經網絡中構建多層神經元模塊，用以發現並存儲物體詳細空間位置和姿態等信息的技術

• 4.2.2. 使機器在樣本數據較少的情形下，快速識別不同情境下的同一對象，在人臉識別、圖像識別、字符識別等領域具有廣闊的應用前景

4.3. 雲端人工智能

• 4.3.1. 將雲計算的運作模式與人工智能深度融合，在雲端集中使用和共享機器學習工具的技術

• 4.3.2. 將龐大的人工智能運行成本轉移到雲平台，能夠有效降低終端設備使用人工智能技術的門檻，有利於擴大用户羣體，未來將廣泛應用於醫療、製造、能源、教育等多個行業和領域

4.4. 深度強化學習

• 4.4.1. 將深度神經網絡和具有決策能力的強化學習相結合，通過端到端學習的方式實現感知、決策或感知決策一體化的技術

• 4.4.2. 具有無需先驗知識、網絡結構複雜程度低、硬件資源需求少等特點，能夠顯著提升機器智能適應複雜環境的效率和韌性，將在智能製造、智能醫療、智能教育、智能駕駛等領域擁有廣闊發展前景

4.5. 智能腦機交互

• 4.5.1. 過在人腦神經與具有高生物相容性的外部設備間建立直接連接通路，實現神經系統和外部設備間信息交互與功能整合的技術

• 4.5.2. 採用人工智能控制的腦機接口對人類大腦的工作狀態進行準確分析，達到促進腦機智能融合的效果，使人類溝通交流的方式更為多元和高效，未來將廣泛應用於臨牀康復、自動駕駛、航空航天等多個領域

4.6. 對話式人工智能平台

• 4.6.1. 融合語音識別、語義理解、自然語言處理、語音合成等多種解決方案，為開發者提供具備識別、理解及反饋能力的開放式平台的技術

• 4.6.2. 能夠實現機器與人在對話服務場景中的自然交互，未來有望在智能可穿戴設備、智能家居、智能車載等多個領域得到大規模應用

4.7. 情感智能

• 4.7.1. 利用人工智能手段模擬表情、語氣、情感等類人化情緒響應，以打造具有情緒屬性的虛擬形象的技術

• 4.7.2. 可賦予機器設備更好的對人類情感的識別、理解和引導能力，為用户帶來更具效率和人性化的交互體驗，未來將在智能機器人、智能虛擬助手等領域得到更為頻繁和深入的應用

4.8. 神經形態計算

• 4.8.1. 仿真生物大腦神經系統，在芯片上模擬生物神經元、突觸的功能及其網絡組織方式，賦予機器感知和學習能力的技術

• 4.8.2. 目標在於使機器具備類似生物大腦的低功耗、高效率、高容錯等特性，將在智能駕駛、智能安防、智能搜索等領域擁有廣闊應用前景

4.9. 元學習

• 4.9.1. 將神經網絡與人類注意機制相結合，構建通用算法模型，使機器智能具備快速自主學習能力的技術

• 4.9.2. 使機器智能真正實現自主編程，顯著提升現有算法模型的效率與準確性，未來的進一步應用將成為促使人工智能從專用階段邁向通用階段的關鍵

4.10. 量子神經網絡

• 4.10.1. 採用量子器件搭建神經網絡，優化神經網絡結構和性能的技術

• 4.10.2. 充分利用了量子計算超高速、超並行、指數級容量的特點，有效縮短了神經網絡的訓練時間，未來將在人臉識別、圖像識別、字符識別等領域具有重要的應用價值和廣闊的前景