科大讯飞胡郁：涟漪效应补足智能动力学，脑机融合感觉就像连体婴儿（北大AI课No.10）
新智元整理
整理：随一、熊笑
新智元启动 2017 最新一轮大招聘： COO、总编、主笔、运营总监、视觉总监等８大职位全面开放。
新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。加盟新智元，与人工智能业界领袖携手改变世界。
简历投递：jobs@aiera.com.cn HR 微信：13552313024
【新智元导读】北大 AI 公开课第十讲由科大讯飞联合创始人、执行总裁、消费者事业群总裁胡郁老师亲临现场，与北大人工智能创新中心主任、百度七剑客之一、酷我音乐创始人雷鸣老师共同参与，就人工智能技术及产业最新进展展开了深入的讨论和交流。
备受瞩目的北大 AI 公开课来到第十讲。本讲科大讯飞联合创始人、执行总裁、消费者事业群总裁胡郁老师亲临现场，与北大人工智能创新中心主任、百度七剑客之一、酷我音乐创始人雷鸣老师共同参与，就人工智能技术及产业最新进展展开了深入的讨论和交流。内容涵盖：
人工智能是什么，由哪些核心部分组成？
在人类发展历程中人工智能将扮演什么样的角色，当前人工智能的浪潮将如何改变我们的生活？
人工智能的核心技术将如何发展，科大讯飞引领的语音技术为何称为是人工智能的核心要素之一？
在人工智能时代里，未来商业的形态将发生哪些变化，带来哪些机遇，对创业者来说又应该做好哪些准备？
胡郁个人宣讲
谢谢雷鸣。很高兴能够来到北大与大家交流。我与雷鸣都希望能够推动中国人工智能产业的发展。在不同的时间，我们对于人工智能的理解也是不断进步的。今天，想和大家分享一下我、科大讯飞对于 AI 一些问题的认识。希望能够促进同学们自身的发展，以及对于产业的认识。
今天主要和大家分享 5 个问题：What，Where，How，When，Who。
第一个问题是 What，人工智能是什么？
前几年，有人认为 AI 是深度神经网络，是智能设备，是大数据，是机器人，但其实这都不是 AI 的概念。想讲解人工智能的概念，需要看一下科技的发展进程。其实，前一次科技发展，为后一次科技发展在做准备工作。比如，若没有解决蒸汽问题，就没有接下来的电子时代。若没有线电，非线电，就没有数字电路的时代。有了电子时代，才能够进入互联网时代，大概在上世纪90年代。最近，我们认为进入了人工智能时代。那么，建立在前三个时代的人工智能时代，到底是怎么回事。
我们从原点开始寻找，智能是什么，智能生长的环境是什么。130亿年前的宇宙大爆炸，产生了宇宙，经过逐步发展，才产生了人类。地球的生命是40亿年，大概在300-400万年前才有猿人。人工智能的产生与自然宇宙中的智能产生的历史相比，可以忽略不计。1946年，美国军方研制出ENIAC，标志数字宇宙的诞生。因此，真正的数字宇宙产生到现在才71年。最早，探讨数字宇宙中可能孕育出生命智能的人是哥德尔、冯诺依曼、图灵、毕格罗。相信大家对于冯诺依曼已经耳熟能详了，我们现在计算机的体系结构是冯诺依曼机，图灵提出图灵测试。
最近这本《Turing’s Cathedral》讲了四个人如何在数字宇宙中讨论智能。哥德尔在数学上证明了数字计算机可以计算任何问题，甚至包括智能问题。这四个人当时在普林斯顿研制一台计算机叫MANIAC，是世界上其他计算机的鼻祖。中国当时根据MANIAC建立了508号机，IBM也深度参与了这一项目。当着四个人讨论的时候，人工智能的名词还未被提出。
1956年，美国达特茅斯会议提出“人工智能”的概念，自然宇宙中产生人类智能，数字宇宙中产生人工智能。这一会议由两个重要的遗产：提出AI这一名词，参加人工智能的那群人。后来，这一群人中，产生4个图灵奖得主，1个诺贝尔奖得主。这一群人在2016年之前，基本都已经去世。有意思的是，在60年后，也就是2016年，人工智能在产业上得到了真正的发展。
很多人都在使用人工智能这个词，这个词最早由好几种不同的解释。一个是研究人工智能的一群人关心的“强”人工智能，他们希望能够真正破解人类产生人工智能的奥秘，并且让机器实现这一点，比如有一个机器就可以下棋、语音识别等等，同时拥有很强的学习能力。人脑的学习能力很强，但是我们现在的机器学习系统，可能需要给他看几十万张，上百万张图片，才能认识物体。持这一派观点的大多都是科学家，后面发展出符号主义，连接主义等人工智能的讨论。60年来，人工智能虽然输出很多理论，但是实际进展并不大。因为，我们并不清楚人脑是怎么运作的。计算机领域做应用的人认为的人工智能是希望用计算机的方法模拟人的智能的某一方面，比如下围棋。但是，完成这个系统并不能做决策，驾驶汽车等。目前，弱人工智能被普遍用到工业界中。因此，你会看到不同形态的机器人可以完成人的一项任务，或者一项任务中的一个步骤。2015年，当时华为2012诺亚方舟实验室主任，现任港科大计算机系系主任杨强老师说，计算机的真正可以思维的强人工智能是想实现从0到1的突破。而我们现在工业界（计算机应用界）做的人工智能只是让计算机的行为表现得像人工智能一样，即内部的工作原理是否与人一样，大家并不关心，他称为从1到n。
因此，人工智能的发展并不是一帆风顺的。这条曲线，更多描述的是人工智能应用的不同发展阶段。1956人工智能被提出后，大家认为AI很快能够满足大家的需求。人工神经网络（Perceptron）1957年被提出，第一个人工智能软件（做定理整理的LogicTheorist）也很快被提出。因为当时计算机速度很慢，存储量很小，同时，人们意识到人的智能思维过程不能单纯依靠符号表示。因此，人工智能不能很快实现。这一阶段，中国并没有参与。在20世纪80年代，个人电脑出现，美国在搞“星球大战”计划，欧洲在搞“尤里卡计划”，日本提出“第五代计算机”，即可以做出一个像人一样可以交互和思考的计算机。中国当时发起863计划，第一次开始进行研究人员的培养和补充。到了90年代末，互联网兴起，人工智能处于最不景气的阶段。当时AI专业毕业都找不到工作，因为人工智能解决不了实际问题。在那个时间点，中国已经储备了做人工智能科学研究的人才。科大讯飞是1999年成立。当时创业很艰难，当时提出3年要做100个亿，其实到今年，讯飞要做100亿还是有难度的。但是，互联网和移动互联网的发展为AI的发展奠定基础，这也让中美两国成为世界上唯二两个既拥有AI技术准备（庞大的科研人员）,又拥有互联网和移动互联网基础设施和产业构型的国家。如今，AI在全球的竞争，就是中美之间的竞争。
不同的人对于AI有不同的观点。而另一些真正做人工智能研究的人，比如Michael Jordan和YannLeCun认为，人工智能还远未达到能够威胁人类的地步，还有很多技术探索工作要做。人工智能威胁派想的大多是强人工智能，现在工业界取得突破的是若人工智能，这之间还有很大差距。
最近有两本书很有名，《人类简史》和《未来简史》。《未来简史》中提到一个观点，将来的人工智能是否会有意识。我在过去两年也提到，将来我们可能做出智能与人类一样，但是没有自我意识的智能体。在自然宇宙中，智能与自我意识是共存的，且两者之间强相关。比如，动物的智能越强，自我意识就越强。在数字宇宙中，智能体可能很聪明，但不一定有自我意识。如果将来能够把两者分开，一个没有意识的智能体还能灭绝人类吗？我们还不如担忧另一个问题，机器人是否会取代人类的工作，这是一个值得严肃考虑的问题。
目前，人工智能的发展如何？强人工智能看不到突破，但是弱人工智能已经发展的不错了。那么，与人比较，发展怎么样？ENIAC被发明出来后，军方希望用其计算炮弹的运行轨迹。人类的大脑最不擅长计算。我们将这种智能成为运算智能。
所有的棋类程序都可以用运算解决，因为他们是完全信息公开的博弈系统。2016年AlphaGo战胜了李世石九段，但这并不能说明问题。围棋的运算量很大，大概是10的170次方。按照目前的计算机运算能力，大概在10-15年之后，才能算完。现在AlphaGo运用了其他技术，比如感知智能才算完。但是本质还是计算。AlphaGo学习了16万盘人类的对弈过程，自己又生成3000万盘。人类不可能记住3000万盘中的每一步对弈经验，机器能够记住，并能够推算后面10-30步。
从运算能力和重组能力来讲，人类早不是机器的对手。但是从感知智能（能听会说，能看会认）和运动智能（能抓会扔，能走会跑）来看，最近很多的技术都是与这两个智能相关。在感知方面，人类有眼耳鼻舌声，机器的进步也很快，深度神经网络应用于图像和语音；在运动方面，我们过去用智能控制的方法。
中科大以前的校长提到，人的大脑局部有量子效应的，量子效应也可能使得人的大脑在放电中产生智能。各种说法都有，这是一个未探知的奥秘。我个人推崇的是“鸟飞派”。最早的人类学习飞行是像鸟一样粘很多次毛，跑到高处往下跳。发明飞机之后，钱学森的导师冯卡门研究了空气动力学（air dynamics），研究鸟的羽毛为什么能够产生升力，主要是羽毛的横截面在空气的流动过程中能够产生向上的升力，这个升力很复杂，有多种现象。现在人的飞机比鸟更先进。大脑受脑壳的物理限制，大脑不能很大，结构也不能特别复杂。但是其中的结构，存储记忆的方式，以及放电行为的传递，是非常有意思的。
如果我们能够研究智能动力学（intelligence dynamics），我们可以将智能和意识分开。因为两者产生的机理可能不同。若搞清楚，我们可以将智能的东西单独剥离出来，做出超脑，不受到自然宇宙中神经连接的物理限制。关键是是否能够将智能动力学搞清楚。目前，我们正在研究视觉、听觉、各种感知的机理，我们希望能够突破，但是能够需要10年甚至更久。目前的产业界，人工智能为何能够工作，主要因为3大法宝：首先是深度神经网络。虽然在数学上不beauty，但是随着数据量增加，性能能够不断提升。但是想提醒的是，现在神经网络有用，并不代表二三十年后，没有其他算法能够超过他。随着认识的加深，可能之后有新的算法超越深度神经网络。现在，应该有其他科学家坚持其他机器算法的语言。其次，互联网和移动互联网的普及有利于获取真实的统计大数据。在统计模式识别中有一个基本的假设，training data和testing data要同分布。训练的数据需要来自于使用环境，互联网和移动互联带给大家这种条件。比如，现在的讯飞输入法，用户会将语音数据上传，可以降低数据收集成本。
另一个很重要的是“涟漪效应”，这是互联网思维在核心技术研究中的应用。为什么现在的实验室，不能提出最好的算法，主要是没有大数据和涟漪效应。在移动互联网下，因为软件免费，用户愿意花时间用这些产品，且不会产生抱怨或反抗。当推出一个不好的人工智能算法（包括图像、语音、自然语言理解）时，就像水滴滴在水面，只有一小部分人才会用到。一旦使用，数据会送到云计算服务器，云计算服务器可以立即学习更新。当水波扩大到更广泛的人群时，系统的性能已经提高。水波的振幅就是系统的误差。当水波扩散，振幅越来越低。当水波纹扩散到第1000万人时，10000001个人是第一次使用这一系统，他会觉得系统很好。利用涟漪效应，可以把不熟的、需要在真实环境中训练出来的系统，真正培养出来。在实验室中，可以做人工智能的算法。
正是有了以上对于人工智能的分析、定义和决策，公司在2014年推出 “讯飞超脑”系统。我们希望能够突破感知智能和认知智能，能理解会思考，这样才可能真正解决问题。
我们如何构造讯飞超脑系统？若将人类的大脑皮层摊开，大约是类似于餐巾布的厚6层的部分。大脑皮层的不同部分处理不同信息，比如视觉、听觉，再汇聚到概念层面。眼睛看到一只猫，会映射到“猫”的概念，大脑会做好准备，听到的猫叫是怎么样的，摸上去是一个毛茸茸的动物。人类可以将这几方面完全联系到一起。《On Intelligence》这一本书详细解释了人工智能与脑科学的关系。讯飞超脑有感知智能，我们做了viewing machine，reading machine和listening machine。我们的路线是采用深度学习。深度神经网络应用于语音识别最早的公司是科大讯飞和谷歌，之后的6、7年间，深度神经网络被应用于合成、自然语言处理、翻译等各方面。深度神经网络现在已经有很多开源工具，比如TensorFlow，Torch，Caffe，最重要的还是对于深度神经网络的理解。深度神经网络中线怎么连接，构型如何，重复之间的反馈，如何协调不同节点之间的关系，对于性能的提升很重要。掌握这些，并与脑科学连接在一起，才可能达到最佳效果。
在大数据方面，每一个公司都应该有一个大数据的训练平台。讯飞与百度是国内用GPU做训练平台的最大公司之一。讯飞训练语音识别需要10的11次方个训练样本，其中的参数要更新10的9次方次。人脑是不需要那么多数据的，但是目前弱人工智能需要。这种性能在实验室里很难实现，也是目前公司成为研究的主力的原因之一。讯飞输入法现在可以支持方言，少数民族语言，中英、中日之间的翻译。2010年讯飞输入法刚上线，识别率只有55%，第二年就达到83%，去年达到97%。每一种人工智能算法都会按照这一途径发展。去年，讯飞取得了国际多项测试的第一，标志着中国在AI的技术和产业上做好了充分的准备。Challenge 是英语语音识别大赛，一个pad上有6个麦克风，2个麦克风，1个麦克风，距离4-5米远讲英语，讯飞去年参加比赛，将前年的识别率提升100%，做到了2.24%的错误率。在英语语音合成大赛上，讯飞连续11年保持第一。在去年的知识图谱大赛，讯飞也获得冠亚军。
同样一句话，爸爸没法拒绝他儿子，因为他很虚弱，这中间只换了一个词答案就完全不一样，这个测试叫常识，人类都知道的常识。比如说我们讲一只大老鼠爬上了一只小象的鼻子，虽然它讲了大老鼠和小象，但是我们的常识都知道小象比大老鼠要大很多很多倍。
这类常识需要很强的推理能力和知识的记忆能力，计算机是很难搞的，任何人类十岁的小孩就可以得到做到90分，机器在这方面就是打不了高分，这个测试第一年参加我们得了第一名，但是它的正确率只有58%，人类十岁的小孩可以做到90%，知识技能上机器人的挑战非常大。
另外还有一个我领衔的事情就是人工智能863这个项目就是高考机器人，这个项目当时刚出来的时候，很多人说这个项目肯定做不出来，因为高考是每年真考，高考卷子每年不可能从题库里面查的到，而且又是实打实的，一定要推出来，当时我们做了国内有一百多个专家参与这个项目，一开始很多人都说有两部分人，一部分人嘲笑我们，说这把吹牛吹大了，你们肯定做不出来，还有一帮给我们担心的，说这个题目是不是太难了一点，事实证明今年是第三年，我们现在语文做到90分，数学做到110分，地理和历史能做到40到50分，地理和历史比语文和数学都难，数学只要能看懂题后面都简单了，后面是逻辑推理，但是语文要写作文，现在我们也能写作文了，问题是看他每一句话都对了，放在一起就不太对。
这个就告诉我们人工智能挑战是非常大的，下一个问题就是什么时候人工智能会到来？
人工智能能用在什么地方，这个是我们现在都很想回答的问题，在我们看来人工智能主要是外在两个方面，第一个方面就是改变你所有的日常生活，人工智能使很多机器具备了和人自然交互的能力，包括用语音、红外可以和我们自然交互，人工智能因为可以学习，可以颠覆很多需要专业人士的领域，比如说医疗、教育，这里面很多需要专业人士。人工智能可以替代这些专业人士的某些技能。
简单看一下，交互大家都知道每发展十年，计算机任何类的交互时代都发生变化，刚开始是打二型字，后来用键盘，键盘我学了三个月才敲键盘，我父母肯定不会敲键盘，后来又发明了鼠标，现在有触摸屏，触摸屏现在大家都会用，我们家小孩两岁多都用触摸屏很顺了，但是触摸屏只能输入简单信息，复杂的信息不行。
我给大家讲一个故事，现在大家会发现，人类说有80%信息来自于眼睛，人类获取信息是这样的，正好计算机有一个显示屏，所以说他在表述一件衣服的时候，他衣服给你看一下就行了，因为计算机有显示屏，人类对图象的理解能够超强。如果人类想画一个画给电脑看怎么办，所以说只有两个选择，要么画一张，要么就跳一段舞，我估计你跳舞计算机看不懂。所以说人类想把自己的感觉传播出去最快捷的通道其实是讲话。人类如果自己大脑感受的东西你会发现唯一的办法是讲话，或者把它写下来。
而计算机这边接收端正好可以理解我们现在讲的话，就是它的智能水平，计算机现在对视觉的智能水平跟人相比差太远，计算机看到视觉里面的语意还提取不出来，这种情况下，我们会发现越来越多，包括现在这样的产品，我要讲在信息领域这是非常热的一个词，通过一个音响、耳机或者手环可以直接跟机器人对话，就像打电话一样，我们把这个叫做弱世界呈现语音交互，你看不到东西也可以打电话，就像跟家里人对话一样。还有一种情况你必须看到东西，比如说你给你女朋友或者男朋友买一件衣服，你会拿一个Pad给他看，这上面你觉得衣服怎么样，这样我们才能完成一次交互，而这种交互我们叫做强世界呈现语音交互，这个交互在家里面电视和手机或者投影跟车上的这种信息结合在一起，能够解决我们相当多的人机交互的问题，人机交互问题跟机器之间，讯飞现在有一个技术叫做AIUI可以自由跟机器进行对话，现在在讯飞语音云上有10亿的终端设备连接到云计算上，包括你们在座很多手机，每天使用次数超过35亿次，第三方创业团队有超过30万个创业团队在用我们的东西。所以这是一个非常大的数量，而且这个数量正在急剧上升，从去年到今年大概增加了100%到150%的速度，这里面有很多数据，包括讯飞输入法包括灵犀，灵犀最近我们会出很多的设备，包括耳机，还有我们的音响，我们的车载设备。
在家电里面现在智能家庭现在也在进入生活，用语音就可以跟他们交互了，包括在汽车里面的分析助手，最近我们在国内做的分析助手还被宝马专门买过去，就是为了分析我们语音交互的性能到底怎么样。
另外一个方面，在行业里面需要各种各样的专家，教育里面我们最需要的是好老师，我们恨不得给每一个小孩都配个老师，这个老师能看它的作业，因为每个小孩进度不一样，我们希望给他不一样的教育，不一样的题目，不一样的辅导，但是有那么多好老师吗？北京的学区房为什么那么贵？就是因为那个学区的老师好。医疗也是一样，如果你不想被误诊你要去协和，你要去301，而这里面也是一样，老师是稀缺资源，医生是遗缺资源，特别是那些好的，人工智能干什么，人工智能能够学习这些最好的医生、老师、法官、律师、公安干警的能力，然后机器学习去替代他们。
在教育里面讯飞现在已经为7500万师生在提供人工智能服务，中国是世界上唯一一个动发音水平进行测试的国家，我问了，上次我问过中国区的总裁，美国人都不测这个东西的，美式英语其实非常什么标准的。中国是世界上唯一一个国家能大面积的考口语英语的国家，其他国家根本考不了，因为没有那么多老师去改口语的卷子，为什么以前只改革听力，听力用机器改，口语需要老师听着你的口语听懂以后才能改，他不是判断发音准确程度的，他是判断语法的，但是中国现在可以，在广东、广西、安徽、江苏中国越来越多省在高考和中考四六级考试在加以考试，黄州惠州的学校他们的口语因为用了这个东西，每年口语成绩会提高1分，口语成绩一共才20分，中国是应试教育。
第三个中国是世界上唯一一个可以用机器来改，除了选择题以外所有题目的国家，手写的填空题、问答题和作文现在都可以机器来改，现在我们也在做这个工作。医疗里面也是一样，最因为好的医生看了这个片子是有经验的，他看了这个片子以后原始片子和最后记录会记录下来，我们讲的三大法宝，深度神经网络、大数据和涟漪效应就可以学习它，学了以后就可以替代医生中间的一些技能，这些东西就可以帮助县里面那些不是协和和301的专家，也可以拿到学习和301和协和专家技术的机器辅助诊断，从而提升整个国家医疗方面的整体能力，在智慧城市很多方面都是这样。其实这个也就是可以总结出：人工智能在各个行业里面可以让机器学习这些顶尖专家的知识，达到他们的70%到80%，甚至60%水平就够了，顶级专家的能力学到了这个程度已经超过了一般专家，远远好过一般人。人工智能到各个行业里面会改变这个行业的思维方式，原来一些用人可以做，但是这个行业需要10万人才能解决的问题，原来不可能，现在用人工智能有可能。
我们把工作分成几种类型，如果是所有的信息都完备的任务，比如说下围棋，机器随着运算智能，感知智能、运动智能和认知智能上提高一定会超过人类，但是信息不完全，比如说打仗得到的信息都是破碎的，甚至有很多是假的，这个时候人工智能不能够完全变成人类，需要人机协同，而无中生有从0到1，刚才讲的创造、自我意识，生产出艺术，这些方面人是绝对的主导，这个可能跟灵魂、自我意识有相当关系，而现在人工智能还达不到这一点。
最后，谁将弄潮人工智能时代？我经常碰到这样的问题。我觉得一个技术创新的公司应该能做到这几点，第一个核心技术创新要做到就做到世界第一，但不能挂羊头卖狗肉，其他方面做的最好，不是说技术排到世界前三四名就够了，一定要第一。但是很多学校可以做到这一点，清华大学、科大很多技术都做到世界上最好，但是技术有没有产业化，通过技术创新结合商业模式创新能挣到大钱，这种大规模的利益和系统创新。
我右边会画一个发动机，在机械工业时代，发动机就是所有产品里面最牛的那个，每个零件都需要一个核心技术创新才能创新出来，发动机世界上只有两个公司可以造，一个是GE，还有一个是生产劳斯莱斯那个品牌，其实也是生产航空发动机的。
最后一点也很重要，你说你这个企业很大，但都是在一个地区，你在中国很大，在新加坡就完蛋了，新加坡市场非常小，所以一定是要国际化的。如果真的有竞争力，真的能够给国家战略形成支撑的话，必须是国际有竞争力的，生意必须做到全球去。
从这个角度上来讲，在我们过去IT信息产业里面几次的革命都是技术创新所带来的，包括个人电脑上的Wintel体系，移动互联网时代的安卓+IOS+ARM整套的系统创新，这套系统创新里面需要我们刚才讲的源头核心技术系统创新，也需要我们讲的产品创新和微创新，比如说安卓和IOS里面操作系统手机做的很好，但是上面还需要很多的应用，应用要瞄准用户的痛点，要能解决实际的问题。而在人工智能领域也是一样，既需要能提供人工智能核心技术包括图象、语音、交互，包括我们刚才讲的认知智能和感知智能核心技术，又需要很多人用这些技术解决各个行业和用户所需要的实际问题。
在这一点上，其实我们能看到不同类型的公司，总结起来有两种：一种是登山型的公司，做源头核心系统的公司必须脚踏实地的一点点做。所以说在这一点上，我们看到有很多的中国的技术创新型的企业，比如说中国的航天，中国的航空、军工，中国包括高铁其实都是这么做的。包括华为，我觉得这一点华为做的很好，刚才我讲的这四条，其实在中国真正符合这四条的，如果你要是把它说的比较严格一点坦白来讲就是华为，但是华为有历史特性，因为在通讯时代发展起来的，我相信中国还能产生越来越这种公司。
登山型的公司就是山就在那里，你要慢慢一点点攀登，坐十年冷板凳子讲的就是这个精神，一点点研究公关需要大量的时间中的长征5号运载火箭，开发这个产品用了10年，这个产品之间的预演又做了10年，做这个产品用了20年，没有这样的韧力根本做不出来。
另外一个叫浪潮之巅，浪潮来的时候如果你不能够抓住这个机会，比如说像微信，微信没有任何核心技术创新，关于3G、4G的核心技术创新已经被华为、Google操作系统已经做完了，但是这上面仍然存在着我们讲的产品创新，微创新和应用创新的机会，这里面也能承受大量的商业生态，这种冲浪型的公司也是大量存在的，要抓住这种机遇，其实真正将来要做出大的工作可能要把这两个结合起来，要不然你利用登山型公司提供的机会，要不然你就做登山型公司更多向整个行业提供体个各种各样的产品，或者把他们两个结合起来，这一点来讲每一个做技术创新的人都需要意识到你的位置和需要做出的选择。
最后一条，现在创业很热，我经常讲在学校里面创业，大家技能上在产业上看的东西都已经足够多了，外面又有那么多的精神导师给大家讲这个创业故事那个创业故事，搞的大家内心很澎湃，大家不要忘记一点，真正要去创业会面临非常多的压力，而这些压力会直接决定你的日子过的好不好，你的心情舒不舒畅，所以说这个是我们这么多年来，包括我自己的一点点小的感受，就是说经常我们都讲要什么样的心态去创业，有说我一定要干出一个名堂来，不然这个创业就白创了，在别人面前就抬不起头来或者什么之类的。其实你应该想一下，你小时候去玩耍的时候是什么样的心态，这个例子是真正的给奥运冠军辅导的心理学家告诉我的，他说奥运冠军如果在一个大赛上真正想拿到冠军过程必须是放松的，因为一紧张，老想着金牌自己拿动作就会变形，当然反而会失去这个机会，但是如果能够放松，放松是我们小时候玩的时候有几个条件：你去玩的事情一定是你喜欢的，你不会说我小时候去玩，爸妈让我去玩还玩一个不喜欢的事情。第二个，去玩的时候如果不是一个人，你叫一帮小伙伴，那帮人一定是你比较认可的，是你喜欢的，你不会找一帮你死对头去玩，那不是玩，那是打架。最重要玩的过程中，也许小小时候有很多游戏，玩完以后那个结果谁赢谁输不一定有人记得，但是那个过程你一定记得，过程中你的乐趣你一定记得。我刚才讲的奥运冠军心理教练告诉大家的是你在这个过程中全身心的投入了，但是在这个过程中关注的是这个过程中的每一个时候的体验，你尽心尽力去做了，你反而更容易能够获得最后的成功，因为你的动作更能够达到你的极限，而不是因为受到各种各样的障碍使你动作变形了，我们讲欲速则不达。
这一点上，大家想一想你收获了什么，创业也许没有成功，但是你的创业经历，给你带来的培养和很多过程一定是有价值的，这种价值你是随随便便参加一个公司，谋得一份职业或者学校里面永远学不到，这一点上来讲，大家马上进入到整个社会，进入到我们很多人都讲职场如战场，好像生死相搏的一个环境，其实我看远远不一定要这样，你可以继续享受蓝天和白云，但是我想北京也是比较难，也许到南方好一点。
最后，我非常希望大家能够用技术创新和自己在学校里面所碰到前沿的东西，能一起参与到整个国家和整个世界人工智能大潮当中来。
今天我跟大家分享就是这些，谢谢大家！
对话部分
雷鸣：非常感谢胡郁教授的精彩演讲，我觉得，一方面，讲的蛮透彻，把整个人工智能的发展，包括它的各个方向，5个 W 都讲得很透彻，全面的做了一个梳理。另外也很容易理解，把我们的思路重新串了一下。创业的部分我觉得讲的非常好。结合刚才讲的那些东西，我们探讨几个小问题。
第一个问题，我看刚才您提到讯飞拿了很多比赛的国际冠军，这个过程中你感觉现在对于弱人工智能而言，数据和算法在最后做出很好的结果上，他们各自处在一个什么样的位置？
胡郁：其实我觉得数据和算法是同样重要的，但是我现在感觉其实是这样，如果没有数据，你可能达到基本的门槛都很难，因为基本上，如果没有数据，我们原来讲的假设就不存在了。你训练数据的样子跟你在测试时候看到完全不一样，再好的算法在残缺的数据面前都没用。但是，数据量一旦到了一个门槛以后，真正发挥作用的可能就是算法了，这个时候，在数据量达到一个门槛之前，重要的是数据，在数据量达到门槛以后，不同的算法之间的差异就会看得越来越明显，所以我觉得它是分阶段的。
雷鸣：第二，你也提到讯飞有一个超脑计划。高考这个事情，一开始大家觉得很荒唐，现在我看进展还是蛮不错的，你觉得按照中国的高考制度的话，什么时候能考上北大清华？
胡郁：我觉得要想赶上在座的各位没有十年恐怕很难。
雷鸣：另外，你提到图灵测试，测试方提出来严格的测试，如果想达到 10 岁小孩的水平还需要多久？这里面最关键的一些点是什么？技术上的挑战是什么？我也在想，如果我们想达到10岁小孩水平的话，是不是需要更多知识，甚至说我们要发展到所谓的强人工智能或者说通用人工智能技术的突破才可以呢？
胡郁：是这样的，可能大家觉得达到 10 岁小孩（没什么大不了的），那 10 岁到 30 岁怎么样？这里是一个有意思的事情，这个需要反过来看，我们人类0到6岁是最无忧无虑的时候，因为不用上学，整天就玩。但其实人的智能里面最难的部分就是0到6岁完成的，就是你的认知、常识的建立、逻辑能力都在那个时候，但是那个时候是不用学的，在人类社会里面慢慢语言也会了，各种各样的东西都会了，不用到学校里面学，从6岁开始一直到大学都是人类最痛苦的时候，要记很多东西要考试乱七八糟的。但是对于机器来讲是反的，因为我刚才讲过，机器擅长的是运算技能，所以算和记这东西对他来讲不是难事，但是人0到6岁的能力对机器来讲是最难的，机器一旦掌握了0到6岁的能力，后面几十年对他来说不是事。
现在科学家真正在努力的，用现在讲的弱人工智能或者神经网络、大数据和涟漪效应的方法，看能不能突破我们讲的0到6岁认知技能核心的问题，这条路还是有这种可能性的，因为现在说实在的，虽然我们对神经网络大数据做了一段时间，但是对它很多的威力其实还没有摸透，它的模型再大到一定程度，它的数据量再大还没有完全搞清楚，这条线上还有很多的空间，而且我认为在5到10年之内应该可以看到结果，而且人工智能需要解决另外一个问题，强人工智能就是因为我刚才讲的0到6岁的智能还是一个结果，这个结果你说机器人通过弱人工智能，通过我们现在的方法达到这个结果是有可能的，但是达到这个结果的过程中塞给他的东西给我们人类完全不一样，你可能塞了现在小孩所需要学东西的10倍、百倍、万倍，强人工智能还要求在过程上跟人学习的过程一样。当你碰到一个新的东西，他还能不能学的那么快，这就是强人工智能或者通用人工智能想最后达到的目标，它的要求会更高一点。我觉得这是两个阶段。
雷鸣：我觉得这也是蛮有意思的一个部分。刚才讲，如果说在刚才这种类似于知识型问答的里面，虽然是常识，但是这个常识背后对应的数据量还是非常巨大的。让我感觉这个问题一定程度上等价于一个叫做开放对话的东西。意识这个问题有很多需要探讨的地方，我们随便聊一聊，意识跟智能真的是割裂的吗？我有时候在想一个事，回过头来讲像阿法狗比赛的时候，人类老觉得机器下围棋下不过人，人下围棋有大局观有灵感，后来证明大局观也是算出来的，运算能力强了。
胡郁：人的大局观没有那个能力，机器的大局观是计算出来的。
雷鸣：人是被训出来的，意识是不是某种函数呢？人类要在某种环境下得到生存或者更好的环境发展，我们看过一本《自私的基因》，它说我们整个人类社会进步，包括物种的进步，最后是基因本身要去遗传自己，我们只不过是一个载体。所以促使基因自己被复制，可能性最大的特征就会遗传下来，它提到一个很有意思的现象：一般成年动物都会保护小动物，甚至会牺牲自己的生命，看起来非理性，后来我们美化成母爱，基因解释说是这样，说动物经过变异，种群就会越来越大，下一代有更大的机会繁衍种群，如果不救自己的下一代，过去人类的寿命就是30多岁，后面没有生育的可能性，种群就会下降。这种东西更像是一种结果而不是原因，母爱是一种结果，是基因为了遗传自己，让你看到的结果。我在想自我意识是不是某种意识上也是一种更大的函数或者运算，只不过现在人类搞不清楚呢？
胡郁：这是完全有可能的，最近有一本书写的挺好的。美国有一个脑科学专家，叫作金，是一个韩国人，他写了一本书叫《连接组》，《连接组》就是模仿“基因组”，连接组里面也提到了人的意识还是智能。他认为这完全取决于我们一千亿个神经原里面连接的突触，甚至跟动态都没有直接的关系，当有一千亿个复杂的东西在那儿的时候，是搞不清楚的。我觉得我们现在脑科学要解决这个问题，我们想要搞清楚第一件事情，就是智能是什么，意识又是什么。他们之间到底是伴生的，还是他们只是在人的神经系统或者动物的神经系统里面可以同时产生的一种东西。这个在科学上是要研究的，科学有三个东西，一个东西叫做已知的科学道理，就是被证明的；第二个东西叫做合理的推测，刚才我们讨论的其实都是合理的推测，合理推测可以有好几个。最后一个就是要被证明的，有事实，后来被证明的一个东西。现在随着我们的前沿拓展，脑科学里面属于合理推测的一部分，并没有解释科学的东西，我们科学研究正是确定这个东西的过程。可以学习到一点，就是说这中间不管是合理的推测还是说最小已经被逐步证明的东西，我们要看实际的应用或者研究会产生什么样的效果。大家对这个问题保持好奇、跟踪前沿，想一想它对我们现在做的事情产生什么意义，这个是蛮有作用的。
雷鸣：对未知事物保持一个开放的态度，一切就有可能，你刚才提到现在人工智能后面转向机器学习，机器学习的分支深度神经网络或者 CNN 变得有点一枝独秀，使得现在我们很多时候在谈到人工智能的时候，感觉就是神经网络了，很多人就感觉这两个就快等价起来了，你刚才也提到了神经网络现在很火，不见得未来也会很火，或者有一些其他东西会大放异彩。你在学术上的很多研究，除了神经网络之外，有哪一些是你感觉在未来人工智能发展中，有可能也会大放异彩的方向，现在有没有一些什么痕迹？或者说有一些学者也提出一些自己的观点？
胡郁：其实在这个方面，我们可以看到有很多的学者已经在做这个方面的东西，比如说最近国内国际的都有了。我们在跟澳大利亚合作的一个教授，他做的就是利用符号系统。原来符号系统是人工智能里面非常老的一个系统，但是他现在这种符号可以把它跟统计的和深层学习的东西能结合起来，因为深度学习不一定只用在神经网络上，也可以用在符号推理，还有我们讲的决策等很多新的东西上。他们应该做工业界上还没有看到、但也有潜力的、还需要靠研究施行的，而且以后研究也有更好的条件了。因为大数据，因为很多的成熟东西已经在那儿摆着，所以要去试也比较方便，这是一个方面。
第二个就像国内南大的周志华教授，他们也搞了很多新的东西，随机森林这些有益的方式恰恰是研究界和理论界应该去做的，我对这个充满了信心。
还有一种是我自己比较看好的一种，就是现在不管用什么东西，不管是你学习的东西还是要变成模型的，样本和数据都要变成模型里面的参数。但是其实机器学习里面有一种叫基于样本的方法，比如说 KNN，这个 KNN 的意思是直接去记忆的学习，就是有几个样本点，它找到你将来的决策点和那几个样本点的距离，这非常有点像人列的记忆系统，就像我们以前讲的关于案例的判断。在这个系统里面，系统跟人脑一样工作，它应该把所有学习过样本的记忆经过某种方式的处理，能够把它直接留下来，可能直接用记忆处理，我们也在尝试这样的方式。把这些样本东西直接放在里面，样本是可以进行遗忘的。再把这两个综合起来，这些东西都在尝试过程中。
我个人认为我们讲研究脑的智能动力学也是这个东西，脑子的记忆能力非常强大，这些记忆能力怎么辅助我们进行人工智能的判决和决策，其实这里面还有很多需要研究的内容，而且这方面一旦有突破，把抽象出来的模型，就像人脑处理一个事情很多时候基于这几个事情归纳总结，还有一种基于样本的，比如以前这么干的，现在就这么干。这几个综合起来也是很好的方向，这个都还在探索。
雷鸣：很像我们说在心理学范围内研究智力，一部分是死记硬背的，另外一部分是整个的处理系统。现在深度学习里面有一种类似于记忆功能的，是不是也在尝试往这方向发展？
胡郁：是，也是相关的。
雷鸣：其实你在产业里面，我相信你们对 AI 对产业的影响的研究是很多的，咱们在医疗教育的各个方向都再往前走，你觉得未来 5 年你看到最有落地机会的，在商业上能够有比较大的前景的，在哪一些方面？你觉得未来5年能变成一个真实的产业，而不再是科研，能够落地的机会有哪一些？
胡郁：我们现在看到人工智能有几个大的方面：一个大的方面就是跟行业有关的，刚才我们看到的那些。其实教育领域前几年，和人工智能相关的都有一些比较热的内容，然后教育以外，比如医疗，是一个很大的有可能产生巨大的产业价值的地方，因为你想人工智能就是替代人工的，而这个人工肯定不是简单的人工。人工基本上分两种，一种就是大家可以想象的脑力劳动，脑力劳动里面有很多都集中在教育、医疗、法律、金融这些方面。而这些脑力劳动里面第一波慢慢会出来，其实有一个咨询公司，专门做过分析报告，把人类职业分成教育、医生、老师、律师、法官，然后管理者等各个方面，每一个职业有很多技能，比如说老师有十项技能，再看每一项技什么时候能被人工智能替代。现在要做的事情，我认为脑力劳动有一部分会被代替，这一部分代替会创造价值，不一定是节省现在的人力，我并不认为节省人力是一个方向，而是原来叫做没有被激发出来的需求。比如说教育里面，我刚才讲过了，需要每一个学生都有一个老师，他不是节省现在的脑力，现在有了这个东西把这个东西激发出来，我们把它叫做以前有一种需求叫0增长需求，以前增长不了，现在可以增长，这些方面，脑力是第一部分。
第二个部分还是体力方面的。我给大家举个例子，家庭服务机器人，现在能够用的是扫地机器人，因为扫地机器人的动作最简单。其他的动作，我们讲过，运动智能没有突破之前，难度还比较大。下一步，我们看到波斯顿动力已经做了一些，这会替代掉一些园丁家庭看护和老人看护的工作。这个是第二个方面。
第三个大的方面，其实我想讲的一部分就是关于人机交互，人机交互能够用在非常多的领域，有一部分的机会是来自于做人机交互智能本身，还有一部分就像以前做的搜索，当交互方式发生变化以后，其实很多获取信息的方式会发生变化，这种信息发生变化不一定是智能本身，而是因为这种交互方式所带来的不管是硬件还是服务所带来的一种变化，而这种变化里面有可能很多东西都会重整，重整的方式跟原来我们讲的触摸、键盘、鼠标都不太一样。所以我认为是有很多的这种交互和交互所衍生带来的机会，不一定盯住交互本身，我觉得应该盯住它所引发的那部分，比如说搜索、O2O新的形式，某种新的形态是有可能的。
雷鸣：我觉得胡郁讲的特别好，交互这个我也在想，其实如果大家还记得，在移动互联网早期的时候，有一个大论战，说移动互联网到底会替代掉固定互联网，产生无数的比如说移动搜索巨头，移动聊天巨头什么的，还是说移动互联网只是互联网的延展，原来的巨头还是巨头？ 苹果最开始的智能机，就是因为键盘变成触摸，智能手机背后就会带来很多游戏的玩法。很多东西都变了，就能再产生很多新的东西，有意思的东西。
下面我们转向同学的一些问题，我们先讲一个来自于上课的同学提出来的问题，这个同学问，像语音、图像这些是不是现在更像是取代了人类的眼睛、耳朵？其实就是信息的获取IO，我们叫机器交互的人类IO化。对大脑的研究比较落后一点，所以现在提出一个脑机接口的问题，把电脑和人脑来对接一下，人工智能是不是只是在人类的 IO 上，机器有一个进展，真正的大脑或者特定能力还需要很久？对脑机接口这个事情未来是有很大的使用前景呢？还是说比较困难？
胡郁：第一个问题，其实我们讲IO，人脑的眼睛和包括眼耳鼻舌这些感官系统，其实真正的看，你就知道人的感知智能和认知智能是分不开的，虽然我们分成感知智能和认知智能，真正人的感知和认知是一起的。举个例子，大家知道人眼有一个特性叫视而不见，或者叫做你带着目的去看和见是不一样的，意思就是说其实我这个细节没有展开，现在我们用的人脑里面有一个关注度模型，这个关注度模型就是当我看这个教室的时候，脑子里面带着一个人脸去看和泛泛去看，人脑的工作机理和神经运作方式完全不一样，所以我们讲的IO是把它简化到机器一样的那种运作方式去，但是从脑的工作原理来看完全是分不开的，甚至是认知驱动的感知来进行这种操作，它是高度的融合在一起的。
而我们现在讲的感知智能和认知智能突破就包含这样的内容，只有这样才能真正做出来跟人脑一样高度智能的东西出来，而不是原来简单的分割，这一块我们对这方面认识不够深入和清晰，有一本书叫《人工智能的未来》，里面解释很清楚，应该每个人都看的懂。
第二，脑机接口很有意思，我们刚刚讲的人工智能是在一个数字宇宙里面产生的一个系统，里面所有的规律都按照数字宇宙的规律来，虚拟世界和数字宇宙的东西和自然宇宙里面的世界是有接口的，这种接口在计算机体系里面叫做数字化和模拟的转换，但是缺少一个人跟它接口，是要通过电脑鼠标外面控制，这个信息传递量是很大的，很多人幻想人脑电生物的接口能不能跟机器直接进行共享信息，这个一直以来是一个梦想。大家可能很难想象这东西，但我跟你们讲一个问题，你们都能想的出来。实际上有很多连体的婴儿，这个你们知道吧？有很多连体婴儿，两个人的大脑是连在一起的，在生物系上就是两个神经系统，两个大脑系统可以跟人对接，他们能够感受到对方身体甚至脑子里面想的什么东西，现在把其中一个人的生物大脑换成一个大脑，如果你的生物里面的放电能够跟电脑里面这些数据能够直接打通，你可以想象一下。当然现在很难想象出来，其实它有可能做到。
在很多的科幻小说里面都有叫辅助系统，或者是伴脑，或者伴随系统的存在，它可以帮助你弥补人类智能特别是运算智能比较缺的那一块，所以我觉得这一块是非常有前景的。但是它不一定像现在这样来控制，现在有很多人想用脑电波来控制，脑电波因为受制于人类大脑物理的特性，它的响应时间是一个刚性的延迟，真正你脑子里想大概有一两百毫秒或者是几百毫秒的延迟，想让它做实时控制基本上不可能，还不如手去敲，因为捕捉时间的问题。
所以说在这一点上这个方向很有前途，具体怎么去用，我觉得前段时间大家也讲人工智能会毁灭人类，我觉得还是有炒作的成分在里面。
雷鸣：我们人类有一个很有意思的现象，过去其实我们人类进化很慢，社会发展很快导致一个问题，我们去看新闻，可以看到大部分都是坏的新闻，战争、飞机坠毁这种东西，因为人类大脑对这种极端的问题有一个非常强的预警，这是你不受自己的理性控制的，你一听说哪死人了，整个人就是睡着了也会清醒起来，怎么回事？它是生物学上的现象，导致我们有一个很有意思的现象，我们认为飞机很不安全，很多朋友不坐飞机，觉得飞机太不安全了，动不动就要掉下来死的。其实坐飞机和出门被车撞死来讲，被车撞死的可能性更大，因为新闻上给你造成一个不对等轰炸，使你觉得我天天看到飞机掉下来，出门没有见人撞死，新闻媒体有这样一个作用。
来自于微信交流群的一个问题，他提到软硬件之间有一个互相促进的作用，您觉得现在语音识别这一块，我们依赖的架构是 GPU 架构还是 CPU 架构？还是什么？你觉得未来对语音识别或者人脸识别来说，哪一种硬件架构会是一个方向？对于 IO 这一块。
胡郁：大家要把它分开来看，我们讲的人工智能分成两块：学习和执行的。对人脑来看，你看书的时候在学，看完书以后考试是执行，即使在人造的人工智能系统里面分开来看，学习系统是一个高并发的一个东西，你把训练样本放进去，把结果告诉它，进行有监督训练，它就不断的来优化。我们刚才讲的 GPU，就是处理机群把它的模型训练出来，参数训练好，训练好了以后，要拿到一个实际的执行体上去执行，执行的时候，他要求不是把数据往里面倒腾，他要同时为几千万人、几十亿人提供服务，跟人脑完全不一样，人脑同时只为一个人服务。在这种情况下，这两个都是超计算体系，超计算体系不一样，训练的时候因为高并发，GPU在这里面占的比例更高，GPU要把带宽用一些算法做成并行化的数据算法，这个并行算法以前不需要用高并发的，以前我记得我们用 CPU 系统就可以了，不需要用GPU系统。
将来在云计算这一块，FPGA使它的效率非常高。在终端上将来可以进行。终端有可能变成一个神经网络芯片，神经网络芯片是一个专门为神经网络构型设计的有点像 CPU 加速的一个东西，但是它因为专门针对神经网络进行优化，可以兼容不同种类的神经网络，现在我知道有一些公司，包括英国的一些公司，包括英特尔他们也在做，所以说在云端的训练和运算以及终端的运算上，不同的地方可能用不一样的体系来进行。
雷鸣：我觉得回答还是比较透彻的，就是各有所长。训练的时候其实是一个，最后用的时候是一个，这个其实跟当年做搜索的一样，搜索的时候，建索引是非常大的一个体系，真正提供服务的时候这两个完全分离的，提供服务的时候要的是效率一定要快，算的时候一定要好。算的时候生成了一个索引结构，非常慢，这个结构可以用到搜索上，搜索是非常快的，因为海量数据以后就完全不一样了。
最后，我们再问最后一个问题，也是我们上课同学问的，这个问题挺有意思，说现在还有一个叫自动编程，你觉得这一块进展怎么样？我估计大家都害怕，我们本来就是码农，现在码农也当不了了，怎么办？你的看法是什么？
胡郁：坦白来讲我对这一块了解不多，但是我知道北大青鸟做软件工程体系的，还有包括梅宏院士做的这个，其实大家可能不知道，863高考机器人专家组的组长就是梅院士和我领衔来做，我知道北大在软件工程这方面很强的。但是编程这个事情呢，我今天还跟雷鸣在讨论，编程是一个逻辑性的东西，编程的语言为什么不是自然语言，而变成逻辑性的语言？因为这是两个事情。
一个是编程的目的是什么，编程的目的是为了完成在计算机里面一些可执行逻辑性的一些功能，所以说我认为自动编程是一个方向，第二个就是说编程用的语言是规范性的，不会随意性很大，所以不管是什么，它都是一个规范的。我认为如果编程是为了解决一些一般性的问题，比如说从一个原有的问题上转移到另外一个确定性的问题上，这个自动编程我认为是可以做的，当然我对这个细节不了解。但是编程里面最难的一点是人对于一个问题要想出一个解决方案来，他要知道怎么按照一个逻辑去创造性的解决问题，就看你怎么理解这个编程，我们做人工智能也编程，但是编程对人工智能来说是一个工具，最重要的是里面的算法，我相信自动编程解决不了我后面讲的问题，因为后面那个问题的根源来自于人创造性的想法。但是如果你说这个创造性的想法已经有了，但是把它转写成一个更高效的方式，或者是把它重新进行一个组合，我相信这种自动编程应该肯定是可以的，这种就是我们刚才讲的有一部分属于确定性的任务，这种自动编程很快逐步会实现的。
雷鸣：所以这一块我跟胡郁教授再重新把话再梳理一下，我感觉整体来讲，第一是说我们的一个编程可以分成两部分：一部分叫设计，另外一部分就是设计完了，流程图都有了，落实代码，对应到建筑上就是设计师和泥工，对应到我们写程序里面就是设计师和最后的所谓的码农，我们知道最近美国那边打击所谓的我们叫代码工人，就是以前外包的那些，其实是说在美国，设计流程已经很好了，由他们实现出来。
看起来就是说，如果说已经知道整个设计流程图了，仅仅把它代码化，这个工作将来很有可能不存在，机器可以自己做出来，但是设计这个事情，把现实完成转成一个计算机问题，这中间还是有很多所谓的智慧在里面，这个想法在百度时我们做排序系统，当时最早几版都是我参与主导设计的。 原来，可能是十个左右的参数，基本上规则都是人拍脑袋定出来的，后来我跟百度团队聊天的时候，他们已经扩到将近1万个参数，每个参数起什么作用他们也不知道，绝对是机器学习学出来的模型。这里面，将来凡是面临到大数据里面的东西，数据量充足的时候，很有可能那个模型就是被训出来的，我想表达的是以前传统的编程变了。
今天我看到一个新闻，也能给大家做一个参考，斯坦福大学 Jave 课从下学期开始就没有了，编程语言也在退出历史舞台，新的东西上来了，编程这件事可能变了。
时间问题，我们就到这儿，再次热烈掌声感谢胡郁教授！
视频回放链接：http://www.iqiyi.com/l_19rrct99br.html
课程介绍
“人工智能前沿与产业趋势”课程由北京大学开设，并面向公众开放。课程由人工智能创新中心主任雷鸣老师主持，共14节，每节课邀请一位人工智能领域顶级专家和行业大咖作为主讲嘉宾，就人工智能和一个具体行业的结合深度探讨，分析相应技术的发展，如何影响产业，现状及未来趋势、对应挑战和与机遇。所有课程相关信息、通知都会在下方的公众号发布。
课程参与方式
扫描下方二维码，加“小智”为好友，自动拉您进入课程交流群
扫码福利：
⊙ 直播、录播课程地址
⊙课程精华文字版
⊙人工智能交流群入群方式
⊙ 群内每日精选AI内容更新
⊙ 参与群内活动并有神秘大咖进群交流互动
新智元招聘
职位：客户经理
职位年薪：12 - 25万（工资+奖金）
工作地点：北京-海淀区
所属部门：客户部
汇报对象：客户总监
工作年限：3 年
语 言：英语 + 普通话
学历要求：全日制统招本科
职位描述：
精准把握客户需求和公司品牌定位，策划撰写合作方案；
思维活跃、富有创意，文字驾驭能力强，熟练使用PPT，具有良好的视觉欣赏及表现能力，PS 能力优秀者最佳；
热情开朗，擅长人际交往，良好的沟通和协作能力，具有团队精神；
优秀的活动筹备与执行能力，较强的抗压能力和应变能力，适应高强度工作；
有4A、公关公司工作经历优先；
对高科技尤其是人工智能领域有强烈兴趣者加分。
岗位职责：
参与、管理、跟进上级指派的项目进展，确保计划落实。制定、参与或协助上层执行相关的政策和制度。定期向公司提供准确的市场资讯及所属客户信息，分析客户需求，维护与指定公司关键顾客的关系，积极寻求机会发展新的业务。建立并管理客户数据库，跟踪分析相关信息。
应聘邮箱：jobs@aiera.com.cn
HR微信：13552313024
新智元欢迎有志之士前来面试，更多招聘岗位请点击【新智元招聘】查看。