人工智能科研

人工智能的浪潮扑面而来，势必对社会生活的方方面面产生冲击和影响。人工智能的发展离不开人工智能人才的培养，可以预见的是，在未来的一段时间内，人工智能高端人才必将成为产业发展的重要支撑，也必然会深受市场追捧。2019年3月，教育部印发了《教育部关于公布2018年度普通高等学校本科专业备案和审批结果的通知》，根据通知，全国共有35所高校获首批“人工智能”新专业建设资格。在新增的35所高校首批人工智能专业中，哪些高校的人工智能学科实力更强？想必是许多人心中的一个疑问。从这个问题出发，本文统计了35所高校人工智能整体学科布局，基于全球领先的科研分析平台Scival分析工具，对其中15所高校在人工智能领域的科研实力表现、科研热点研究情况进行了统计分析，并采集了15所高校相关学科的师资与人才、项目与科研经费等状况的数据，以期一窥各高校人工智能学科的总体实力，为更好地认识各高校人工智能专业建设情况提供参考。一、整体学科布局人工智能作为一个新兴细分学科，其学科布局数据采集难度较大。计算机科学与技术作为其一级学科，其发展布局状况能够在一定程度上反映人工智能学科的现状，故此部分以计算机科学与技术为映射分析对象，通过梳理计算机科学与技术的学科整体布局情况，来间接了解人工智能学科发展的基础与趋势。表1为2018年新增人工智能本科专业的35所高校计算机科学与技术学科总体状况。表 1：2018年新增人工智能本科专业高校计算机科学与技术学科列表在2018年度新增人工智能本科专业的35所高校中，除安徽工程大学以外的34所高校均设立了计算机科学与技术的一级或二级硕/博学位点（学术型）。其中设立了博士点的有8所高校，分别为哈尔滨工业大学、南京大学、吉林大学、大连理工大学、山东大学、江苏科技大学、华南师范大学、南京农业大学。35所高校中参与了全国第四轮学科评估的高校有29所，其中A+一所（浙江大学），A五所（哈尔滨工业大学、南京大学、北京航空航天大学、电子科技大学、上海交通大学），A-八所（吉林大学、北京交通大学、东北大学、北京理工大学、同济大学、西安交通大学、西安电子科技大学、西北工业大学）。能否入选“双一流”学科也是衡量我国高校学科实力的重要参考因素。统计发现，35所高校中有7所高校的计算机科学与技术入选“双一流”建设学科名单，分别为浙江大学、上海交通大学、西安电子科技大学、东南大学、哈尔滨工业大学、南京大学、北京航空航天大学。表 1 所示高校中，计算机科学与技术学科进入ESI千分之一的有四所（浙江大学、上海交通大学、西安电子科技大学、东南大学），其中，浙江大学、上海交通大学、西安电子科技大学三所高校既被评为A+、A、A-，同时又进入ESI千分之一。下文各高校人工智能专业科研状况的分析，以第四轮学科评估结果为A+、A、A-或ESI千分之一的15所高校为对象， 分别为浙江大学、哈尔滨工业大学、南京大学、北京航空航天大学、电子科技大学、上海交通大学、吉林大学、北京交通大学、东北大学、北京理工大学、同济大学、西安交通大学、西安电子科技大学、西北工业大学、东南大学。二、科研实力表现图 1：近10年15所对比高校人工智能领域发文量比较从2009-2018近十年15所对比高校在人工智能领域的发文总量来看，各个高校前后紧跟，高校与高校之间的差距并不十分明显。十年总发文量5000篇以上的高校有两所，分别是哈尔滨工业大学5629篇位列第一，北京航空航天大学5433篇位列第二。但位于第一梯队的前三名哈尔滨工业大学、北京航空航天大学、上海交通大学发文量领先第4-10名较多。图 2：近十年15所对比高校人工智能领域年发文量比较从近十年各高校的年发文趋势来看，总体上人工智能领域的发文量从2009-2012年处于下降趋势，2012-2014维持平稳，2015-2018则迅速增长，期间2017年出现了暂时回落，年发文量的趋势也与人工智能热潮的兴起与发展相吻合。从各高校的表现上来看，哈尔滨工业大学在年发文量上处于明显的领先地位，不过近两年也有被东北大学和北京航空航天大学赶超的趋势，尤其是东北大学，虽然在发文总量和2015年之前的年发文量上表现一般，但2016和2018年表现迅猛，在2018年甚至超过了长期处于领先地位的哈尔滨工业大学。图 3：15所对比高校人工智能领域年被引次数比较从图3来看，各高校在人工智能领域的年被引的位次对比上，总体并不平稳，与年发文量的变化趋势相一致，这也在一定程度上反映了人工智能领域各高校之间相互赶超，总体上差距仍然不大。但较为明显的是，哈尔滨工业大学在论文被引上仍处于领头羊的地位。值得注意的是，在发文数量方面表现一般的东南大学，其论文被引却表现亮眼，2015-1017年被引量仅次于哈尔滨工业大学，并且2011年异军突起，这可能与其发表的少数几篇高被引论文相关。图 4：近十年15所高校人工智能领域国际合作、高被引论文、归一化影响因子比较从图4可以看出，在国际化方面表现较好的是南京大学，但总体上各个高校之间也差距不大。值得注意的是，东南大学在前10%高被引论文方面表现优异，这也验证了上文提到的其在年被引量上表现较好原因的猜测。在10%高被引论文方面，西安电子科技大学的表现仅次于东南大学。此外，从表示各个高校的归一化影响因子的圆圈大小来看，东南大学、南京大学、西安电子科技大学等表现较好，但各校之间差距不够明显。三、科研热点研究情况基于Scival开发的论文研究主题（Topics）以及主题的全球显示度（Prominence），以下尝试探寻15所对比高校目前在人工智能领域的研究前沿热点情况。人工智能作为计算机科学与技术的二级新兴学科，15所高校目前在人工智能领域产生过论文的Topics数量不多，且基本持平，约为32-34个。表 2：15所对比高校全球显示度排名最靠前的10个Topics表现由表2可知，目前国内人工智能领域在全球范围内，研究热度最高的关键词是“算法;计算机视觉;模型”，其次是“语义;模型;推荐系统”。哈尔滨工业大学、北京航空航天大学、上海交通大学等在“算法;计算机视觉;模型”上发文数量表现较好，哈尔滨工业大学在“语义;模型;推荐系统”上表现优异。此外，在“机器人;机器人技术;操纵器”上，哈尔滨工业大学表现优异，处于领跑地位。在“多代理系统;运动规划;机器人”上，北京航空航天大学领跑，其次是哈尔滨工业大学、东南大学、北京理工大学、西南工业大学等高校。综合来看，在全球显示度最靠前的10个Topics上，哈尔滨工业大学、北京航空航天大学、上海交通大学、浙江大学、北京理工大学发文数量占据前五。四、师资与人才资源师资是学科发展的动力之一，本文采集了15所对比高校人工智能专业所在学院的师资和顶尖人才师资配置的数据，可以在一定程度上反映各高校人工智能学科的师资力量。从表3可以看出，多数对比高校将人工智能专业设在计算机相关学院下，有四所高校单独设立了人工智能学院，分别是西安电子科技大学、西安交通大学、南京大学和吉林大学。相应地，单独设立人工智能学院的高校师资总数上不占优势，专任教师较多的高校有浙江大学、北京交通大学、哈尔滨工业大学、 北京理工大学、电子科技大学等。浙江大学所拥有的顶尖人才的数量最多，其次为上海交通大学、北京理工大学。表 3：15所高校师资及顶尖人才数量表*数据采集自各高校官网五、项目与经费资源各高校人工智能学科建设经费在公开渠道难以获取，本文以“计算机”为关键词筛选了2017-2019三年的自科立项的数据，以尽量反映各对比高校人工智能学科建设的经费资源情况。统计结果如表4所示。表 4：15所高校近三年计算机科学与技术领域自科立项数据图 5：近三年15所高校计算机科学与技术领域自科立项统计图由图5可知，近三年15所对比高校中，西安交通大学在计算机科学与技术领域所获得的项目金额资助最多，其次是北京航空航天大学，两所高校均超过3000万元，第三名为北京理工大学，经费总额比北京航空航天大学低了一千多万。在项目数量上，西安电子科技大学所获立项最多，为20项，其次是浙江大学、哈尔滨工业大学和电子科技大学。总结综上所述，人工智能作为新兴热门学科，近年发展态势较好。考虑到其对于国家战略和产业发展的支撑作用，人工智能在未来的发展前景也是广阔的。我国目前开设了人工智能专业的35所高校中，从各个高校的学科发展状况来看，哈尔滨工业大学、北京航空航天大学、上海交通大学在科研产出总量上位于前列；东北大学发展速度迅猛；东南大学、西安电子科技大学等科研产出质量较高；国内人工智能研究前沿主要集中于“算法;计算机视觉;模型” 领域；浙江大学、北京理工大学、上海交通大学等高校师资力量较强，学科发展基础较好。可以预见，在未来几年里，高校人工智能专业的新设将迎来持续的热潮，以满足人工智能产业战略部署的巨大需求。人工智能学科也将迎来更加广泛而深入的发展，未来各个高校人工智能学科之间的力量对比将走向何方，让我们一起拭目以待。

今年2月份，美国总统唐纳德·特朗普签署了一项名为“美国人工智能倡议”的行政命令，旨在促进人工智能发展。不过在近期公布的白宫财政支出中却显示：美国几乎削减对科研活动的资助。相比美国的“雷声大，雨点小”，中国在人工智能领域的钻研却始终保持着一股“闷声干大事”的节奏。在2017年国务院宣布的《国务院关于印发新一代人工智能发展规划的通知》中，已经定下了明确的战略目标。而今已是2019年，中国离这一目标还有多远？现在也有了答案。成绩如何？用数据说话位于华盛顿州西雅图的艾伦人工智能研究所（Allen Institute for Artificial Intelligence，Ai2) 发布了一项新的研究报告，显示中国的人工智能研究在质上也开始有了赶超美国的趋势。来源：WIRED、Ai2艾伦人工智能研究所通过自身创建的Semantic Scholar学术搜索引擎研究发现，自 2005 年以来，中国发表的人工智能论文数量已经超过了美国，而“引用次数前50％的人工智能研究论文”份额中，中国将在今年实现超过美国。来源：Ai2由此推演得出的预测还有，2020 年中国在“引用次数前 10％的人工智能研究论文”超过美国，2025 年中国在“引用次数前 1％最受关注的人工智能研究论文”超过美国。来源：WIRED、Ai2其中，现有的数据显示，被引用次数最多的中国学术机构前五名分别是中科院、清华、港中大、香港科技大学和上海交大，他们的论文被引用总次数均超过了10 万。来源：Ai2另外，如果继续沿着目前的趋势走下去，到2020年，两国将在顶尖人工智能出版物中占据同等份额。中国有望在2030年前成为全球人工智能领域研究领跑者。亮点不只是理论优势！中国在人工智能领域取得的成绩不只体现在科研论文的发布上，还涵盖了多个方位。专利申请根据《日经亚洲评论》统计结果，2016-2018年，中国人工智能专利申请量大幅超过美国，在电子商务、数据搜索和语言处理领域的人工智能专利不断增长。人工智能企业中国的人工智能企业数量排在全球第二，北京是全球人工智能企业最集中的城市。来源：《中国人工智能发展报告2018》投融资国内人工智能领域的投融资占到了全球融资总额的60%。来源：《中国人工智能发展报告2018》产业应用人工智能已在多个垂直领域形成“人工智能+”的行业应用终端、系统及配套软件。来源：《中国人工智能发展报告2018》由此看来，中国的人工智能研究已经由量变走向质变，逐步成为“人工智能创新中心”。在这一形势的推动下，全球人工智能技术竞赛也很可能随之进入下一个阶段。

来源：创事记欢迎关注“创事记”微信订阅号：sinachuangshiji编译/蒋宝尚 编辑/贾伟来源：AI科技评论作为斯坦福大学计算机科学系和电气工程系的客座教授，吴恩达一直致力于深度学习的研究。在不同的场合，他一再表示：深度学习还有很大的潜力，是一项被证明有效的技术，我们需要继续加大投入。为此他做了很多努力：其与达芙妮·科勒一起创建的在线教育平台Coursera影响了数百万的AI学习者；所开发的人工神经网络通过观看一周YouTube视频，自主学会识别哪些是关于猫的视频为人工智能领域翻开崭新一页。近日，MIT的 AI 科学家 Lex Fridman 对吴恩达进行了专访，在接受采访的时候，从在线教育平台Coursera谈到了初学者如何进入AI领域，并讲解了他认为的最高效的“学习姿势”是什么样的。另外，其还回忆了他的第一个博士生，并简单介绍了当时研究直升机的项目......专访视频如下，由于视频过长，AI科技评论在不改变吴教授逻辑的情况下，进行了有删改的编译。1、在线教育的早些时候我在香港和新加坡长大，第一次接触代码还是5、6岁的时候，当时我学习基础的编程语言，将一些代码编入计算机里，当时我也非常喜欢做一些编码实例。我在我的旧电脑上面实现我的想法，沉迷于将课本上的代码复现到电脑上，因为我觉着用编程帮助我玩视频游戏非常酷！年龄稍微大点，我就和我的医生爸爸就阅读相关的专家系统和神经网络知识，那时在计算机里写代码，然后展示智能是真的很棒！高中的时候，我在办公室做助理实习，期间做了很多复印（photocopy）的工作，当时我就想，如果能写一些软件来造一个机器人来让一些工作自动化，那该多棒。从那时起，我的很多工作都围绕着自动化这一主题展开，直达今天。我仍然以自动化为中心，甚至今天的机器学习在写一些学习算法方面也非常出色。另外，我在Coursera上也尝试了将自动化应用到校园教学上面。我在斯坦福教授机器学习的时候，每年会有大约400名学生，每一年我都会在相同的教授，拍摄相同的教学视频，甚至讲相同的笑话。我在想为什么我不用在最后一年拍摄的教学视频，然后花更多的时间和同学们建立深刻的关系 ？这启发了我的思考，然后我们发起了第一步的行动。其实大多数人都不知道，我放在网上的教学视频大多是晚上10点到凌晨3点之前录制的。一开始的时候，压力很大，我们想过要放弃，但是有十万人注册，成千上万的人的期待促使我走向录音棚，走向办公室。开始录制之前都会调整我的讲课逻辑，调整欢迎致辞，开着麦克风，然后开始录制，每每都会到夜里两三点，但是创作内容的想法鼓励着我希望有很多人学习机器学习。我告诉我的团队，我们首要任务是做对学习者有利的事情，每当我往录音棚走去，我脑子唯一的想法是我能说什么，如何才能让学习者尽可能的了解机器学习概念。我认为我们做了对的事情，我一直在坚持基本原则，做对学习者最好的事情，即使学习者可能来自全球各地。我很想帮助任何对机器学习感兴趣的人进入这个领域，你可能会好奇，为什么要发给这么多的时间来解释梯度下降，其实回想一下学习的基本要求就知道了：任何进阶技能都可回溯到基础概念。当然，对人工智能感兴趣的人非常多，这里面可能包括开发商，程序员，他们可能来自世界各地。确定的是，感兴趣的人数还会随着时间的推移而增长，所有的这些东西都不会凭空而来，所有一蹴而就的成功都需要花时间才能实现。我第一次接触到在线教育是把我在斯坦福讲课的视频传到YouTube上面，随后也建了网站，建造网站的好处是让我可以进行迭代，让我们实现一些想法。当时非常兴奋，尤其开发了一个特别的登录功能，即可以让多个人同时登录此网站，能够让多人同时看视频。当前的一些网站大多不支持此项功能，毕竟如果你已经登录了，我再想登录，那么只有你注销才可以。当然也有许多失败的教训，其实如果有一些东西看起来很棒，然后没有人使用，那么它实际上并没有你认为的那么棒。2、机器学习会像教育一样普及整个机器学习运动的兴起，并不是凭空而来，越来越多的人在学习机器学习，进入这个领域的人还会影响他的朋友，所以这个AI学习者的比例还会不断的增长。尚不清楚AI开发人员占总开发人员的多少，但是占到50%以上的比例还是非常轻松的。毕竟AI不仅涉及机器学习建模，还要涉及机器学习基础设备、数据管道等。就像今天的开发工程师或多或少的都对“云”有些理解，但并不是都在工作里需要“云”。我认为这种现象以后在某种方式上会适用于AI开发者。曾几何时，只有一小部分人识字，也许你认为不是每个人都需要学会读和写，这些人只需要听就够了？但是当一个国家的人基本上都认识字的时候，这大大的促进了人与人之间的交流。在计算机方面，仍处于这个阶段，如果人人都认识代码，都晓得机器学习，这在某种程度上类似于识字教育普及。但随着机器学习和数据规模的上升，我发现的是，我认为在日常生活中，在工作中具体使用数据分析的人数非常多。如果你在经营一家商店，如果你能分析你的客户的销售数据，那么你的价值非常高。在某种程度上这些人是数据科学家，因此，我认为机器学习的数据迹象可能比软件工程更容易进入发达国家。3、无监督学习很重要！Peter是我的我第一个博士生，他有着评判性思维，当时他的博士学位研究主题是用强化学习控制无人直升机，直到现在你都可以在斯坦福网站上看到这些视频。这项研究非常难，有一些事情无法克服，例如当直升机倒飞时，你如何找出位置？如何定位直升机？我们尝试了很多方法，但显然问题出在GPS硬件上，当时想过用两个GPS定位，但没有成功。为了解读GPS信号，我们疯狂索复杂的专门硬件配置，经历了很多失败，最后解决方法采用在地面上安装摄像头解决定位问题。斯坦福那时候有很多强化学习的理论文章，但是实际应用并不多，所以我们的研究在当时非常有名。我们今天可能又回到了原点，强化学习的进展目前如此令人兴奋，但我们仍然在寻找更多的应用场景。我非常喜欢研究理论，我希望我所做的工作会对人们产生积极的影响。我还记得，多年之前，我们和一位数学教授讨论的时候，当他说道他想做的事情的时候，他的眼里充满了小星星，他说我之所以研究数学，是因为它帮助人们发现真相以及宇宙的美丽。所以，全力支持以及带着尊重看别人的观点非常棒，当我看到我的团队正在帮助人们的时候，也会非常有动力。这个世界上需要各种各样的人，我只是其中一个，并不是每个人都像我一样做事情，但是当我钻研理论或者实践的时候，如果我坚信这是一条帮助别人的道路，满足感就会非常强烈。我们也有忽略的东西，那就是早期无监督学习的重要性，在谷歌大脑的早期，我们在无监督学习上投入的精力远超有监督学习。当前我们所知道的大部分都是通过有监督的学习来实现，从绝对有问题的论点来看，人类获取信息的方式是通过查看图像、收听音频和感悟他在这个世界上的经历。所以无监督的学习非常重要，当然，这不是说有监督学习不重要，毕竟早在几年前，很多人认为这才是进步的方向。但是我们对“规模”的探索可能是正确的，毕竟规模能够为系统带来性能。我在斯坦福小组的名为Adam成员经过实验发现，我们训练的学习算法规模越大，效果越好。为此他还画了一个图，并说服了我：当模型的规模比在GPU上所做的大的多的时候，便能够得到一个非常好的结果。或许这是一种有争议的文化，当时有很多朋友都说我追求规模的举动非常糟糕。但是我发现，如果你想取得突破，你必须对你所做的事情有信心，在事情流行之前做一些事情，会让你更有影响力。4、数据集的规模和学习机制都很重要！其实数据集的规模和学习机制都很重要，当然这依赖于特定的问题，目前已经有几个数据表明，在基本错误率方面，我们正在接近或超过人类水平。如果我们看看最近使用你们的语言模型取得的突破，例如GPT-2和Bert，就会发现这是架构和规模的结合。我们已经在管理cold thing方面在逐渐成熟，例如版本控制。但是我们在管理数据集方面并不成熟，例如软件上一些乱七八糟的数据问题。高质量数据集也非常重要，举个例子，当我们与制造公司合作时，标签不一致的情况非常多。对于大型互联网公司，有很多数据，错几个标签没关系，但是对于小公司，并没有大量的数据，假如只有100个数据，却有10个错误标签，那么错误率就是10%，这对训练的影响会非常大。5、初学者如何进入深度学习领域？一个人是如何进入深度学习领域的呢？虽然大多数都是自学但是仍得益于专业化的设计。什么是序列模型？什么是注意力模型？是不是非得微积分才能理解这些概念，其实如果只在电脑上操作两个矩阵相乘只需要高中知识就够了。当然了，深入学习还需要线性代数的支撑，需要了解非常基本的知识，了解一些编程。但是有人已经做了机器学习的调用，所以进行深度学习非常容易。初学者在学习人工智能的时候，应该多实践，了解算法之间的不同之处，一开始不要费心去收集数据。在学习的过程中要进行自我测试，花时间修改架构，尝试新东西，高效的构建神经网络，但规模也不要太大，神经网络的规模要在你可支出的范围之内即可。你可以在前六个月建立一个完整项目，眼光不要只放在数据这一个小的方面。必须着手构建实用的机器学习的系统思维框架，打个比方，我们在学习编程的时候哦，必须必须学习一些语法，Python也好，C++也好。但同样重要的是，也许编码中更重要的部分是理解如何将这些代码融合在一起。什么时候应该在函数列中放置一些东西？你什么时候不放置？什么样的框架能让程序员更加高效？我记得当我在卡内基梅隆大学读本科时，我的一个朋友会先试着用代码来调试他们的代码。他每一行都要注意语法错误。语法错误是可怕的，应该学习如何调试。另外，机器学习程序中调试的方式与二进制搜索方式非常不同。非常擅长调试机器学习算法的人，会让某些东西工作起来的速度很容易就快了10倍，也许是几百倍，他们调试的过程非常高效。与学习数学类似，深度学习的一个挑战是，有太多的的概念。如果你忽略了概念，那么你就可能弄不清后面要做的事情的前提条件。因此，在深度学习的专业化学习中，要尽量打破概念，最大限度提高可理解性。这样的话，当深入学习时，就会有足够的信心。另外，我发现，如果我尝试教给学生最有用的技巧，并让他们即刻使用，就会缩短他们“强制”学习的时间。现在的世界变化太快了，也许几年的时间就会天翻地覆，但我认为我们还需要更多的进行强化学习。深度学习令人如此兴奋，但人工智能团队不应该只使用深度学习，我的团队就会使用一系列的工具。有时候我们使用PC电脑，试图在PC上找出解决问题的原因，有时候使用代理模型，有时候使用草稿，这里面或许会有一些对行业有巨大影响的内容。多样化的技能可以帮助我们发现更适用解决问题的工具。在学术方面我也有期望。假如我只做学术，并且有无限的预算，不用担心短期的影响的话，我会把所有的精力都花在研究无监督学习上，因为无监督学习是一个美丽的想法，它让人兴奋。举一个自监督学习的例子：我在网上抓取了一些无标签的图像数据，数据的种类各种各样，那么我会将每张图片旋转、翻转，然后训练一个有监督的神经网络预测图片原来的方位。因为旋转了图片，所以产生的有标签的数据就是无限多。研究人员已经发现，通过无标签数据和捏造标签数据集，然后训练一个大型的新网络，采用隐藏层表示并使用迁移学习能够将其转移到另一个强大的算法上面。无监督学习越来越重要，并且在现实世界里发挥着作用，尤其是在计算机视觉领域，此概念融合其他学科的概念会让人兴奋。我对稀疏编码也非常感兴趣，我看到过一个慢特征分析，其想法可以追溯到我们十年前的工作内容，但当时我们都被监督学习所分散精力，所以希望研究者可以围绕主题探索更多的工作，以便能够出圈。6、养成学习习惯是重要的学习技巧！对于初学者来说，大概是16周可以完成深度学习专门的课程，也有的人在不到一个月的时间完成学习、也就是说，这取决于个人情况，我们在Course上面提供了非常专业化的课程，非常容易获得，也很实惠。如果学生经济困难，那么就可以申请经济援助也是可以的。在学习深度学习和机器学习的时候，养成学习习惯是关键，因为这意味着规律性。对我自己来说，我养成了每周六和周日花点时间看书或学习的习惯，习惯会让人变得更容易。所以就像你刷牙的习惯一样，不会认为那刷牙的那两分钟所做的事情是烦人的。记住，学习者不需要有认知负担的习惯，但要做到这一点一开始会非常困难。确信自己能够养成不需要做决定的习惯，学会坚持不懈！读研究论文是一件非常好的事情，“不读论文”的能力可以来自一年里每周都读论文，当你读了一百篇论文之后，你会学到很多。关于学习的技巧，提倡手写笔记。对于我来说，当我深入研究某件事时，我会用手写下来。当然，视情况而定，不是每个人都适用，例如很多人在通勤途中的学习，书写就非常不方便。但是总的来说，手写笔记可以提高记忆力，能够让人们更多的回忆知识点，促进了人们的长期注意力的集中。然后在写笔记的过程中，注重总结，可以写的慢一点，但要对学习的内容深层次总结。在学习过程中，实际上课程作业是人们进入新领域并学习概念知识的一种非常有效的方式。博士生如果想投入研究，实际上最好的做法，是在开始几年的花时间奠定基础，虽然头几年的工作效率比较低，但是长远来看，确是非常棒。从小事做起，循序渐进，不要一上来就处理大项目，可以拿小项目练练手。当然，最关键的是先迈出第一步，然后再迈出一小步。7、关于博士学位，关于找工作研究者应该获得博士学位吗？机器学习中最令人着迷的事情就是即使你没有博士学位也能做一些有影响力的事情。当然了如果有人被麻省理工或者斯坦福等顶尖高校录取，那么也是一次极好的经历。另外，如果有人想成为一所顶尖大学的教授，那么就必须拥有一个博士学位。另外，我建议你得到一份工作的时候，要问谁是你的经理？你周围的同龄人都有谁？因为我们都是社会生物，我们往往变得更像我们周围的人。如果你为优秀的人工作，你会学得很快。如果一家公司不告诉你与谁一起工作，或者说是轮换制度，我觉着这可能是一个令人担忧的答案，因为这意味着你无法与优秀的人一起工作。8、如何建立一个成功的人工智能创业公司很多初创企业的失败都来自于产品制造，因为他们的产品没人想要。我本身倾向于结果以及客户驱动的商业模式。只有当客户决定给你的产品伸大拇指，还是小拇指的时候，才能决定你的成败。在短期可能会得到各种用户的青睐，最重要的还是长期，所以当你创办一家企业的时候，要问自己一个问题：客户会有什么想法？我们所有人都应该只做我们认为能创造社会公益、推动世界前进的事情。无论是在企业，还是在学术环境中，最有意义的方法一直是为人们服务。所以我个人并不想支持制造令人上瘾的数字产品，因为这些产品只要带着“有利可图”的属都能做到“上瘾”。当我还在百度领导人工智能小组时，我的工作分为两个部分。其一是建立一个AI引擎支持现有的商业模式。第二个工作是尝试启动公司新的业务线，即把公司的人工智能使用上。所以自动驾驶业务并入了我的小组。当时我就想建立人工智能基金，并从零开始系统地打造新的创业公司。我想这会是团队追求丰富企业空间的一种重要方式。这种机制对完成项目，推动世界向前发展有重要的影响。非常幸运的是，我建立了几个研究小组，也产生了一些积极的影响。接下来我会用更加系统的方式运营。工作室最开始是新的概念，现在可能有了几十个了，很多团队仍然试图想找出如何高成功率运行公司的方法。我的一些风投朋友也似乎越来越多的想创建一家公司，而不是投资一家公司，因为最迷人的事情始终是如何创建一家成功的公司。现在已经在给创业者提高成功率方面已经做得很好了，但是在全球范围内还处在早期的阶段。对大多数创业者来说，开一家公司真的是一件寂寞的事情，有太多的企业家不知道如何做出决定。例如在销售的时候，在投放广告的时候......企业家需要做出数百个决定，而在几个关键决策中犯错误会对公司的命运产生巨大的影响。因此，我认为工作室会给初学者提供支持，让创建公司不再是孤独的经历。此外，当面对一些关键的决策的时候，例如在雇用第一个工程副总裁的时候，雇佣标准是什么？如何雇佣？工作室至少在关键时刻能给这些人一些帮助。另外也希望帮助他们对关键决策的“时点”有意识。9、企业如何转型AI？一家大公司如何将机器学习融入到他们的工作中呢？人工智能是一项通用技术，它将改变每个行业。其实，我们的AI社区已经在很大程度上进行了改变，大多数软件互联网并不是顶级的，其只要具备合理的机器学习能力，就有很大的改进空间。软件互联网领域之外行业，例如制造业，农业，医疗保健，物流，运输，有非常多的机会，但很少的人在使用人工智能。所以我认为人工智能的下一步是改变所有其他行业。因此，我们需要更多的团队为这类公司工作，帮助他们部署AI。除了互联网软件行业，所有的行业都很有潜力，毕竟这是我花了很多时间在制造业、农业、医疗保健等方面才得出结论。举个例子，在制造业中，计算机视觉发挥了很大的作用：用深度学习训练一个算法，然后让其识别产品是否有缺陷，然后给出工厂如何改进的建议，以便提高产量和质量。事实证明，此过程遇到的实际问题可能与你猜想可能遇到的问题大不相同。在大多数研究中，首先数据集的规模几乎是不够的，另一方面还需要考虑工厂的实际情况，可能模型在训练集上效果很棒，但如果工厂改变了一些东西，例如灯的亮度，算法的准确率就不会很高。然而这些问题，学术界大多都没有讨论。我曾经在网上发表了一份《人工智能转型手册》，简单的介绍了每个公司在转型的时候应该避免的坑。而第一步实际上是从小事做起，但是很多公司的失败都是因为一开始“大而不实”。以谷歌大脑为例，当时很多人认为深度学习神经网络没啥用，我和我的团队从小事做起，建立了一个准确率高的语音识别系统，然后其他团队开始青睐深度学习。第二个例子是谷歌地图，我们使用计算机视觉从基本的街景图像中读取房屋编号，以谷歌地图更准确地定位房屋。也就是用深度学习来提高地图数据的质量。通过两次的成功，我们逐步建立了人工智能项目的发展势头，然后才开始了与谷歌广告团队进行对话、合作。虽然只前期都是小规模的项目，但让我们的团队获得信心。记得，我们当时只有一台GPU，但是却从如何探索多人共享方面学到了很多东西，这也帮助我们团队思考如何将其扩展到更大的部署。建立和部署机器学习是非常困难的，在电脑中运行notebook文件和在具体实际情况中部署之间有着巨大的鸿沟。很多人低估了算法部署到生产所要花费的精力，一些算法在测试集上做的很好，但是用在实处却不起作用，例如把工厂附近的树木砍掉，测试集会发生变化，算法是否能发挥效力不得而知。在学术界，当测试集和训练集之间的概率分布是不同的时候，如何处理尚未得到好的解决办法。当然，迁移学习正在为这方面工作做努力，但是我们真的不擅长处理此类事情。如果你看看软件系统中的代码行数，机器学习模型可能只占整个软件系统的5%甚至更少，那么如何完成接下来的工作，并使其更加系统和可靠呢？需要明确的是，良好的软件工程是基础，也是构建小型机器学习系统的基础。10、我们应该考虑什么样的AI道德？拿自动驾驶来说，最大的问题不是“电车难题”是，最大的问题是当一辆车横穿马路时，最大的问题是你应该做的是刹车而不是撞上它。另一个道德问题是财富不平等，人工智能和互联网正在引发权力集中，因为数据拥有可以高效的分析数据，会影响众多产业。互联网很多行业有“赢家通吃”的动力，同时这些动力影响着其他的行业。所以重点是如何确保财富得到公平分享呢？如何帮助失业的人？除了教育之外，我们可能还需要做更多的事情。然而偏见也是一个严重的问题。故意对遥远的未来可能出现的问题的事情大做文章，而不是把重点放在当前硬件方面的问题上，会掩盖我们今天已经存在的问题。11、我最自豪的事情！我也犯了很多错误，但是每次改正，我都会想为什么不早五年，甚至早十年想到这一点呢？有时候我读了一本好书，我希望我10年前就读过这本书，要是10年前就读了可能我的生活是如此的不同，尽管这是最近发生的。在我们发现的过程中，不断地发现那些事后看起来如此明显的东西，它总是比我想要弄清楚的时间要长得多。我最自豪的满足和幸福的就是我的女儿，但我没有花足够的时间来陪陪她。帮助别人也能使我得到满足，对我来说，生命的意义是希望别人实现他们的梦想，我希望试图通过使人类作为一个整体更加强大来推动世界的前进。所以，当我知道别人因为我变得好一些的时候，我也会非常自豪和幸福。

2017年7月，国务院印发了《新一代人工智能发展规划》 ，人工智能正式上升为国家战略，十九大报告明确提出，要“推动互联网、大数据、人工智能和实体经济深度融合” 。本期青塔统计了国内人工智能领域相关国家级实验平台，共大家参考。国内涉及人工智能领域的国家级实验室目前有6家，分别是认知智能国家重点实验室、深度学习技术及应用国家工程实验室、类脑智能技术及应用国家工程实验室、智能技术与系统国家重点实验室、视觉与听觉信息处理国家重点实验室、模式识别国家重点实验室。认知智能国家重点实验室2017年12月，科技部批准依托科大讯飞股份有限公司建设认知智能国家重点实验室，将推动在全球范围内进一步整合认知智能领域的源头核心技术、科技人才和行业数据资源，助力我国在认知智能的技术和产业走在世界前列。该实验室始终坚持在深度学习、语法和语义分析、知识图谱 及其自动构建算法、常识推理、机器阅读理解、知识问答、知识表示和推理等认知智能核心算法上突破现有技术瓶颈。目标通过本实验室引领和支撑本领域企业核心技术研究成果在实践中进行广泛的实践检验，特别是在人机交互、教育、医疗、司法等领域取得突破性进展，在国际领先的原始创新基础上，以技术创新和应用创新为人工智能产业的快速增长提供核心动力。深度学习技术及应用国家工程实验室为了解决中国人工智能基础支撑能力不足等问题，2017年2月中华人民共和国国家发展和改革委员会正式批复，由北京百度网讯科技有限公司牵头筹建深度学习技术及应用国家工程实验室，实验室共建单位包括清华大学、北京航空航天大学、中国电子技术标准化研究院、中国信息通信研究院。该实验室将着重发力深度学习技术、计算机视觉感知技术、计算机听觉技术、生物特征识别技术、新型人机交互技术、标准化服务、深度学习知识产权七大方向，建设“国内领先、世界一流”的深度学习技术及应用研究机构，从研究突破、产业合作、技术成果转让、人才培养等方面提升中国人工智能领域整体竞争力。类脑智能技术及应用国家工程实验室2017年1月，国家发改委正式批复同意由中国科学技术大学作为承担单位，建设类脑智能技术及应用国家工程实验室。这是我国类脑智能领域迄今唯一国家级科研平台，居于全国领先地位。实验室是合肥综合性国家科学中心重要建设内容。实验室的成立填补了中国类脑智能领域创新能力工程实验室的空白，实验室未来的发展也将进一步提升人工智能技术的科研水平和核心竞争力，有效促进中国智能产业的跨越式发展。围绕提升我国信息处理技术的类脑程度与智能水平的迫切需求，建设类脑智能技术应用研究平台，支撑开展类脑认知与神经计算、类脑多模态感知与信息处理、类脑芯片与系统、量子人工智能、智能机器人等技术的研发与工程化。通过建立脑认知和脑模拟技术研究与试验平台，形成国内一流的科研环境，培养和汇聚类脑智能高端技术人才，主动承担国家和行业重大科研项目，在智能信息处理、智能机器人、类脑芯片与系统等重点研究方向不断取得关键技术成果并推广应用，构建类脑智能技术与应用领域自主知识产权和标准体系，形成可持续的产学研系统创新机制，为推动类脑智能的技术进步和产业发展提供技术支撑。智能技术与系统国家重点实验室智能技术与系统国家重点实验室依托于清华大学，实验室于1987年7月筹建，1990年2月通过国家验收并正式对外开放运行。主要从事人工智能方法的基础与应用基础，包括智能信息处理、问题求解、计算语言学、智能控制、模式识别与神经网络。人工智能应用与系统集成技术，包括智能机器人、智能人机交互，以及声音、图形、图像、文字与语言处理等。承担了多项国家重点科研任务，一些研究已达到国际水平，如：”具有交互和自学习功能的脱机手写汉字识别系统和方法”、”人工智能问题分层求解理论及应用”先后获得了国家科技进步奖和自然科学奖。视觉与听觉信息处理国家重点实验室视觉与听觉信息处理国家重点实验室1988年正式通过国家验收，是北京大学建立的第一个国家重点实验室。实验室以实现高度智能化的机器感知系统为目标，紧密结合国民经济和社会发展的需要，在机器视觉与听觉信息处理领域开展具有多学科交叉性质的基础与应用基础研究，同时注重以原创性的研究成果推动技术创新，实现科技成果转化。1．在机器视觉领域开展图像处理、模式识别、图像与视频压缩、生物特征识别与信息安全、三维视觉信息处理、智能人机交互等研究；2．在机器听觉领域开展机器听觉计算模型、语音语言信息处理系统、人工神经网络及机器学习等研究；3．在智能信息系统领域开展计算智能、多媒体信息的数据组织与管理、数据挖掘和网络环境下海量信息的集成等方面的研究，为视觉与听觉信息处理提供工具和环境；4．视觉与听觉的神经计算模型和生理心理基础研究主要从生理与心理学的角度探索视觉与听觉的感知机理，为视觉与听觉信息处理提供基本理论和方法。模式识别国家重点实验室模式识别国家重点实验室，于1984年由国家计委批准筹建，1987年通过国家验收并正式对外开放。依托于中国科学院自动化研究所。实验室以模式识别基础理论、图像处理与计算机视觉以及语音语言信息处理为主要研究方向，研究人类模式识别的机理以及有效的计算方法，为开发智能系统提供关键技术，为探求人类智力的本质提供科学依据。成立二十多年来，我们始终将“面向国家战略需求，瞄准国际学科前沿，开展模式识别领域的基础和应用基础研究，建设国际一流的国家重点实验室，使其成为国内外著名的科学研究、技术创新和人才培养基地，为我国信息高科技的发展提供知识、技术与人才储备”作为实验室的发展目标，努力将实验室建设成为一个高水平的、国际化的科研基地。

据对全球人工智能知识产权情况检索分析，全球有效专利数量排名50强中，IBM、中国科学院、微软、国家电网、百度、Google、西安电子科技大学、三星等专利数量分列前十，在专利强度的排名中，西安电子科技大学列我国高校第一。人工智能产业正在全球范围内飞速发展，据统计，2008年后，全球在人工智能领域的有效专利家族约6万个，专利数量约10万件，而中国在人工智能领域申请的专利数量已经超越美国，引领了人工智能相关专利的申请。在全球有效专利数量排名中，IBM、中国科学院、微软位列前三，我国西安电子科技大学、浙江大学、清华大学三所高校进入了前十，其中西安电子科技大学列第七位。图源：网络专利强度通过统计专利家族数量、权利要求个数、说明书页数、被引用的次数等来进行估算，从“质”的方面反映专利实力。人工智能领域专利强度排名前十为微软、Google、IBM、百度、三星、中国科学院、高通、Intel、西门子、Magic leap；我国高校中，西安电子科技大学列专利强度排名第一位，其专利集中在计算机视觉、深度学习领域，科研实力在该领域全国居首。进入人工智能时代，西安电子科技大学主动布局、厚积薄发，成立了部属高校首个人工智能学院，以其雄厚实力引领我国人工智能领域的研究和发展。近五年，西电在人工智能领域获得三项国家自然科学奖；教育部近日公布的人工智能科技创新专家组34人名单中，西电有郝跃院士、焦李成教授两人入选；2018年，西电人工智能学院学子在IGRSS与ECCV两个国际顶尖学术会议的赛事中摘得桂冠。一直以来，西安电子科技大学面向国际学术前沿、面向国际重大需求而科研、育人，其人工智能学科的未来发展令人期待。（通讯员 王丹 张丹 田臻 马晶晶 来源西电新闻网）

人工智能是最近几年新兴的领域，更是引起了全球的关注。据麻省理工科技评论发布的最新报道，明确表示中国在人工智能领域的研究论文发展速度要比之前想象的更快。中国人工智能科研：2005至2018年，发表论文数超2.7万篇从上表中我们可以清晰的看出中国人工智能领域发表论文数量从2005年开始逐年上升，至2010年论文数量已经突破到3万篇，随后在2010年到2017年期间平均发文数保持在2万篇以上，2017年后发文数量急剧上升，并有持续上升的趋势。多所高校的研究成果被世界顶级协会录用清华大学的研究成果被世界顶级的计算机视觉会议CVPR，计算语言学会年会ACL录用，浙江大学的研究成功被国际人工智能协会AAAI录用。中科大论文引用超25万从“人工智能论文中国被引及专业排名情况”表中可以看出中国科学院总论文引用数已超过25万，位列第一。其次是清华大学，总论文引用数超过21万，计算机专业排名第一。之后的香港中文大学，香港科技大学，上海交通大学的总论文引用数均超1万，计算机排名均在前30.最后的香港城市大学，西安交通大学，香港理工大学，哈尔滨工业大学总论文引用数均超0.85万。研究能力受广泛认可，高校科研转化能力强表中很清晰的显示出各大高校人工智能领域专利申请数量。从中国，韩国，美国三国的数据比较中不难看出中国在该领域的专利申请数遥遥领先其他两国。就中国各高校比较，中科院最多，其他高校紧追其后。看完以上的数据比较，你对中国的人工智能的发展有和想法呢？图片来源：京领新国际

本文转自【光明日报】；2020年，突如其来的新冠肺炎疫情给我国经济社会发展带来冲击。另一方面疫情也催生了一些新产业新业态。在疫情防控和复工复产过程中，我们看到，生物医药技术在病毒检测分析和疾病诊疗过程中发挥了核心作用。以医疗机器人、影像分析、大数据分析、智能红外测温和面部识别等为代表的人工智能技术为疫情防控提供了强有力的技术支撑。 尤其是在复工复产过程中，人工智能在以下几个方面可凸显出更大作用：在病毒感染检测方面，人工智能可更多应用于CT影像分析技术，自动影像分析可配合核酸检测提高检测和诊断的准确率；在员工返岗方面，为保障交通运输途中的防护安全，除了一般的戴口罩、测温等防护措施，智能红外测温、面部识别等技术有助于提高安全检查的效率，保障人员流动的有序平稳；在生产和办公中，员工管理可采用自动测温、面部识别、口罩检测、空间距离检测、行为检测等技术对员工行为进行自动监控，用机器人完成巡检、客服等工作，降低病毒传染风险；在生产管理方面，应用人工智能技术，可提高物流、人员和资源管理、工作调度的信息化和智能化水平，优化管理流程，提高工作效率，降低资源消耗。 2020年全国两会召开在即，在统筹推进疫情防控和经济社会发展、完成决战决胜脱贫攻坚目标任务、全面建成小康社会的过程中，人工智能技术可发挥更大作用，也将是热门议题。面向长远的经济发展和技术创新，针对目前科技创新对社会和产业支撑不足的情况，我有以下建议和期待：第一，改革科研评价体系。当前，以论文为导向的研究对满足社会应用需求的不足日益凸显，需要更加强化面向科学问题和实际应用问题的成果评价体系。第二，推进高新技术应用。为推动高新技术转化为产业，技术研究者要着力将高大上的技术转化为实用易用的产品，降低技术应用的门槛。第三，全面推进人工智能教育、科研和应用。人工智能技术对推进各行业产业水平和社会治理能力将发挥关键作用，然而，人才缺口大、技术不够接地气等因素不利于创新和应用，要大力推进人工智能教育、科研创新和应用落地。第四，加强产业化人才培养和激励。产学研合作中面临的主要问题是研究和产业之间仍然脱节，要加强产业化人才培养，并对技术转化工作制定有吸引力的激励措施。

编者按新冠肺炎疫情发生以来，全国学会积极响应中国科协号召，发挥组织优势和专家优势，团结带领广大科技工作者积极投身疫情防控的人民战争、总体战和阻击战，在疫情防控和复工复产工作中发挥着重要作用。在第四个全国科技工作者日到来之际，科协改革进行时推出“学会抗疫风采录”栏目，为您展示全国学会及学会干部职工、会员的优秀事迹，敬请关注。中国人工智能学会在中国科协和民政部的指导下积极行动，以坚定的思想服务大局，勇担使命挺身战“疫”；以实际行动驰援一线，与医护人员共渡难关；以AI战“疫”，鼓励广大会员和AI从业者科研攻关；以崇尚科学的精神为利器，消除疫情防治带来的负面影响；以凝聚智慧建言献策，为有效解决当前面临的一些突出问题提供决策参考；以平台及资源优势，免费提供丰富多彩的人工智能学习资源；以智能科技手段，助力复工复产；以加强国际间的合作，互通疫情防控的经验。坚定思想 服务大局新冠肺炎疫情防控阻击战打响以来，中国人工智能学会坚持党建引领，紧紧依靠科技工作者，把疫情防控工作作为巩固拓展“不忘初心 牢记使命”主题教育成果的实践战场。学会党委发出《中国人工智能学会党委关于疫情防控时期加强科技工作倡议书》，倡议全体党员、会员和广大科技工作者践行科学家精神：统一思想，抗疫不松懈；诚信科研，底线不失守；多措并举，科研不耽搁。学会各级党组织、广大党员、会员积极响应，凝心聚力服务大局，为打赢疫情防控阻击战贡献出自己的力量，以行动谱写对党和人民的忠诚，用实干诠释科技工作者的担当，让党旗高高飘扬在科技阵地。勇担使命 挺身战“疫”学会积极投身打赢疫情防控阻击战，充分发挥引领作用和组织优势、吹响号角，先后发起《万众一心迎挑战 众志成城战疫情》和《AI（爱）国担当 共抗疫情 驰援武汉》的倡议，并参与发起《战“疫”有我，为决胜攻坚提供科技志愿服务》和《加强医学影像人工智能行业合作，协同阻击新冠肺炎疫情》的联合倡议。学会动员AI科技工作者积极行动，利用专业优势，通过数据研究为医疗机构和政府决策者提供有价值的参考，为打赢疫情防控阻击战提供坚实的技术支撑，并为我国人工智能进一步发展不断探路。驰援一线，共渡难关涓涓细流汇江海，丝丝真情映初心。在抗击新冠肺炎的关键时刻，学会广大会员纷纷献出爱心，以实际行动驰援一线，所募集的437699.67元善款最终用于定向支持疫区重点医院——华中科技大学同济医学院附属同济医院。为了向“逆行而上”的医护工作者提供有力援助，学会根据院方需求，将使用部分捐款购置的6台导航和服务机器人送抵一线，剩余捐款则进行定向捐赠。在机器人的“协同作战”下，缓解了医护人员的工作压力，提升病区隔离管控力度，降低了交叉感染的风险。协同攻关 以AI抗疫防疫战也是一场科技战。在这场战役中，学会分支机构、广大会员、地方学会勇担使命，与时间赛跑开展协同攻关，为疫情诊断、远程医疗、药物筛查、科学防疫等提供科技保障。值得一提的是，学会众多单位会员逆“势”而动，充分发挥企业战“疫”的作用，积极投身一线、潜心科研、踊跃捐款捐物，凝聚起科学抗击疫情的强大能量，切实保障抗疫前方与防控后方的民生需求。也正是因为有了人工智能科研人员、从业人员的爱与坚守，才使AI技术在这场疫情阻击战中发挥了重要作用。（滑动查看更多）崇尚科学 树立新风面对新冠肺炎疫情这场没有硝烟的战争，学会坚持科学传播、健康传播和理性传播，针对疫情设立了微信公众号抗疫专栏，以多元的形式做细、做实防疫科普宣传，提振防控信心。同时，学会认真总结每一阶段宣传工作，并及时挖掘宣传科技工作者在防控斗争中的先进典型和感人事迹，凝聚共克时艰正能量。面对战“疫” 斗争中层出不穷的谣言，学会引导公众传播真知，坚定抗疫信心，崇尚以科学的精神为利器消除疫情防治带来的负面影响。勠力同心 精准献策随着疫情防控形势的不断变化，学会专家积极针对疫情期间复工复产的痛点、难点，以及疫情后智能产业发展的关键点。学会专家先后提出了《关于克服疫情促进行业发展的对策与建议》《关于围绕区块链在应急物资和紧缺物资管理配置中应用的建议》《关于疫情后产业创新发展的对策与建议》和《关于“强化我国人工智能基础理论研究与产业发展”的对策建议》。这些凝聚智慧的建言献策，具有较强的操作性和实用性，为有效解决当前面临的一些突出问题提供决策参考。共克时艰 云端充电战“疫”特殊时期，全国人民足不出户为阻断疫情传播作出贡献，学会发挥平台优势快速行动，集结高校学者、企业专家等人工智能领域的精英针对不同群体，免费提供了丰富的人工智能学习资源，让公众“宅”在家中也能利用网络平台在云端充电。一周一讲的“CAAI云课堂”以直播的形式为学会会员和AI从业者架起了一座知识的桥梁；学会线下的品牌讲学“人工智能大讲堂”移步线上，为对人工智能感兴趣的“初级学者”打开了线上智能大门；“AI创新讲堂”邀请AI从业者，为受众解析AI技术等在行业中的前沿应用；“停课不停学”线上公开课免费提供了优质的中小学AI与信息科技课程，让教师与学生在家也能轻松学。学会以丰富多彩的线上课程栏目，为疫期线上化知识服务按下“加速键”。推动经济 助力复工当前，新冠肺炎疫情新增患者得到有效控制，企业陆续吹响复工复产的号角，但疫情尚未结束，学会单位会员纷纷发挥智能科技力量，为物资运输、复工防疫等方面提供智能保障。不少单位会员重点针对有效降低办公环境交叉感染的问题，聚焦办公过程中的每一个环节，建立全面的疫情防范体系，利用智能科技手段助力企业有序复工复产。具有里程碑意义的2020年，是全面建成小康社会和“十三五”规划的收官之年，也是脱贫攻坚决战决胜之年，夺取疫情防控和经济发展的双赢意义重大。接下来，学会将坚持需求导向、立足实际，围绕学科进步、企业技术创新，助力企业成长和区域经济振兴，推动智能行业高质量发展。凝聚众智 全球抗疫随着多国新冠肺炎感染者数量持续攀升，全球抗疫进入关键时刻，“全球一盘棋、各国共进退”目前已经成为国际共识。学会加强国际间的合作，向多个国际组织致函，介绍中国人民众志成城抗击疫情的情况，表达了愿与国际组织密切沟通与合作的期许。随后，美国电气和电子工程师协会（IEEE）与国际粗糙集学会（IRSS）两个国际组织在回复中向中国人民及各战线上的科技工作者表示慰问，赞赏了中国为抗疫所作出的努力和所取得的成效，并愿意与学会加强沟通与合作，共同为全球疫情防控事业作出贡献。疫情犹如一场大考，要在大考中交出合格答卷，没有退路，更没有坦途。战“疫”仍未结束，中国人工智能学会将与AI科技工作者一道，咬紧牙关不松劲，共同迎接抗疫胜利的曙光。来源：中国科协科技社团党委 供稿优秀抗疫学会【1】中国科技馆发展基金会：凝心聚力，抗击疫情【2】中国数学会：发挥学科优势，助力疫情防控【3】中国地理学会：步步落实，有序推进疫情防控工作【4】中国细胞生物学学会：及时响应，全力投入疫情防控狙击战【5】中国康复医学会：康复赋能，集智聚力投身疫情防控【6】中国心理学会：为疫情防控贡献心理科学的专业力量【7】中国环境科学学会：发挥专业优势，助力疫情防控【8】中国汽车工程学会：积极援产，为抗疫提供物资保障

昨天，中国科学院文献情报中心与科睿唯安在北京召开《G20国家科技竞争格局之辩》系列报告发布暨研讨会，聚焦于G20国家的科技发展现状，追踪研究各国总体及人工智能领域的科研表现力和技术创新力，为中国建设科技强国和世界人工智能创新中心提供有价值的信息支撑和决策分析依据。而其中的《人工智能专题报告》指出中国科研实力不断上升，更是处于G20中上游水平，但配套的人才储备以及经费投入仍需加强。其实近两年来，我们都可以清楚地感受到AI人工智能、深度计算、机器学习已经成为科技巨头竞相重点攻关目标，同时各国政府都看到其未来重要性，有相应的布局与支持计划。《G20国家科技竞争格局之辩》指出，G20国家占据了世界科研论文成果总额的90%，意味着科研实力被这个20个国家牢牢掌控。其中中国的科研表现力提升迅速，科研经费投入、科研论文产出与学术影响力在2012-2016年均跃居世界第二位，其中关于化学、计算机科学、工程学、材料科学和物理学学科处于领先地位；同时中国在2012-2016年的专利申请量超过美国，居世界第一位。而在人工智能方面，中国同样是增速明显，在人工智能的四个分支领域，中国表现最突出的是机器学习、自然语言处理和计算机视觉三个领域，稍微欠缺的一环是在语音处理上，不过仍处于G20国家中上游水准。另一方面报告指出中国人才储备、学术研究力量、经费资助仍需努力，形成了“美国一家独大，英国、印度和加拿大等紧随其后，中国尚有明显差距”的竞争局面。目前G20国家在医疗、交通、教育和金融行业的人工智能研发及应用呈现百花齐放的景象，中国已经注重人工智能技术在行业上的应用于投入，并持续深耕，目前已经有相当一批产品已经进入商业以及公众生活等多个环节，加上早前乐观地估计中国2020年AI市场规模有望突破1600亿，可见人工智能前景非常广阔。