人工智能导论学什么丨人工智能导论的答案在哪里

【人工智能导论学什么丨人工智能导论的答案在哪里】lot物联网小编为你整理了的相关内容，希望能为你解答。

同学们好，全国的老师好！

今天我们讲《人工智能导论》的第一课：人工智能的理论框架与应用。我们讲任何事情的时候都会说“从前”，我们现在也从“钱”开始讲。

这个50英镑的钞票上以前印了两个人的名字，一个是蒸汽机发明者瓦特，另外一个是博尔顿。大家都知道工业革命的启动和蒸汽机的发明密切相关，所以瓦特对人类世界的贡献非常突出，因此过去几十年英国50英镑的钞票上一直印着瓦特的头像。

2019年7月15号，英国的财政部宣布,英国的50英镑的钞票要换新版钞票。新版钞票正面印的图像依然是英国女王的头像，但是背面的图像换成了阿兰·图灵。阿兰·图灵（1912-1954）是计算机科学之父也是人工智能之父。他对计算机的发展做出了卓越贡献，他提出了图灵机理论，这个理论也是后来计算机诞生的基础。

1942年第二次世界大战正在进行，图灵当时设计了一台以他的理论为支撑的计算机，用来破译德军的密码。他不仅制造了世界上第一台计算机，而且还破解了德军的密码，从而使得第二次世界大战中盟军取得了胜利。

由于图灵是同性恋者，1954年的时候受到当时的英国政府的法律制裁。后来他很伤心，吃了一个沾满了氰化钾的苹果，咬了一口就死了。英国政府在最近几年才撤销了图灵的罪名。

苹果公司的logo上是一个被咬了一口的苹果。据说这就是为了纪念图灵而设计的，可见图灵的影响之大。图灵虽然去世了，但是美国计算机学会1966年以他的名字命名设立了一个奖项叫“图灵奖”。图灵奖地位非常高，甚至可以和诺贝尔奖媲美。全世界每年只有一个人或者一个团队可以获得图灵奖，所以图灵奖的地位在计算机界是至高无上、最重要的奖。

我们来看一看图灵机。图灵机是图灵对计算机的一种抽象，或者是对所有能解决的问题该怎么解决的一种抽象。

图灵机有两部分：上面是机器，下面是无限长的纸带。纸带上面可以写很复杂或很简单的符号，比如0或1，或是没有符号，这就是纸带上写满了符号，而且这些符号还能够被改写。这台机器有两部分，一部分是它的状态，另一部分是根据状态执行程序的代码。当读入到纸带上的一个数据之后，然后根据当前状态，再结合读进来的数据，执行相关的程序。代码也是有限的，代码是根据状态决定图灵机到底是在纸带上是继续往下读，还是在纸带上写一个数字，这个就是所谓的图灵机。大家可能听起来觉得有点理解不了，为什么是这么简单的一个东西？它运转起来是什么样的呢？

我们来看一个真实的图灵机。大家能看到图灵机里有一个很长的纸带和读写头，上面写的都是0和1。读写头可以去读上面纸带上的数字，同时也可以决定去写一个0和1。至于在什么地方写根据它的执行的代码和状态决定。可能大家觉得好像这个也没什么用，但是这个机器却和我们现在的计算机在本质上、理论上是一样的。图灵通过数学方法推导证明了这件事。大家可以这样想一下，它模仿了一个人。这个人拿了一支笔，它从笔记本第一行字开始往后看，看到每一个字符，然后修改了其中某些字符，或者在空白的地方又写了很多字符，这个人是由状态和控制逻辑所构成的。

这个人不断地在本子上写，理论上讲这个人可以在这个本子上写出所有的文化知识。图灵机就类似于这样一个会在本子上写字的人。图灵当时就用这个原理造了世界上第一台计算机。我们在座的人可能都认为1946年的ENIAC是世界上第一台计算机，但是1942年的图灵机比那个更早。这一幅照片来自于一部叫《模仿游戏》的电影，描述了图灵当时设计这台计算机破解德军密码的过程。

图灵还提出了一种测试计算机到底是不是足够聪明的方法。图灵当时说，只要用图灵机就可以造出一个足够聪明的机器，而这个足够聪明的机器会使得人已经分不清楚，它到底是真的人还是一台机器，这就是图灵测试。

分两个房间，一间房间里边装了一台计算机，另一间房间里面装一个人，在这两个房间之外还有一个人用网络去连接计算机或者人。外面的人不知道哪一个是计算机，哪一个是人。他试图通过对话的内容判断到底谁是人或者谁是计算机。如果有一天图灵机已经足够聪明，使得外面这个人根本分不清哪一个是真人，哪一个是计算机，这就说明计算机的智力已经达到跟人至少是相等的水平了。这就是著名的图灵测试。

“人工智能”的诞生

1956年，一群受图灵思想启发的人聚集到美国的达特茅斯学院，开了一个会，会议议题主要讨论两个问题：1.怎么才能让计算机足够聪明？2.怎么才能让计算机实现能达到图灵测试的这样的计算机并且把它造出来。这一群人在Dartmouth学院里面开了两个多月的会，会议的组织者最后为这次会议所做的主题取了一个名字叫“人工智能”。

人工智能“Artificial Intelligence”这个词就是在这次会议上诞生的。这些开会的人后来都成了大牛，几十年之后，当时开会的这些人又聚在一起。包括麦卡锡（“人工智能”概念的提出者，他后来也创作了人工智能的编程语言叫list语言），还有明斯基（明斯基提出了思维的基本理论，然后他建立了一个人工智能的模拟器，神经网络的模拟器），还有西蒙（西蒙是符号主义学派的创始人），然后还有纽厄尔，他是西蒙的学生，然后他们一起去做了符号主义学派）还有香农（香农是信息论的创始人）也参加了这个会。每年全世界只有一个人能够得图灵奖，后来这四个人都得了图灵奖。香农虽然没有得图灵奖，但是他的地位也是至高无上的，因为他是信息论的创始人。西蒙1978年得了诺贝尔奖。可以说这几个人创造了一个时代。

人工智能的内涵

我们来看一看，到底他们所说的人工智能是什么。

马文·明斯基对人工智能的定义是：人工智能就是让机器来完成那些如果由人来做则需要智能的事情的科学。这句话是个大白话，什么叫人工智能？如果让机器去做，所以它是人工的，因为它是用机器去做，所以它不是人的智能，它是人工智能。让机器去做。但做什么事情呢？做不是机械的事情，不是每次重复简单重复的事情，而是那些即使让人去做这个事情也需要用人的智力去灵活处理的这样的事情，所以叫人工智能。这是明斯基的的定义。

人工智能首先要对外界有感知，如果它只会思考，没有输入也不会输出，那就没什么意义了。所以我们认为它要看得见、听得见，才有人工智能。不仅要看见要听见，而且要看得懂、听得懂。这就需要人工智能具有感知能力。第二点，人工智能要有记忆、思维，能记得住、想得通。思维是智能的根本的原因，是一个动态的过程。思维又包括逻辑思维、形象思维和突然之间恍然大悟的顿悟思维，这就是我们的思维。然后还要具有学习新知识的能力，适应变化的能力，所以我们要适应环境的变化，积累经验，要不断地在失败中总结，在成功中学习，所以人工智能要有学习能力。人工智能不仅要具有思考的能力，还要具有行动的能力。最终我们的智能要外在体现，至少讲出来让人知道，机器 运转起来符合人类的需要。所以我们要对外界做出相应的反应。实现控制，实现运动都是一定的反应。所以我们认为人工智能就是要用计算机充分地模拟人的眼睛、鼻子、耳朵等感官。所以人工智能要有感官的能力、有大脑、有思维和记忆、有学习能力，同时还要手脚协调，这样才是人工智能的完整系统。

人工智能是交叉科学，它和很多学科都有关联，和脑科学也有关联。我们要知道大脑到底是怎么工作的，人是怎么学习的、怎么思考的、怎么说话的、怎么推理、判断、做逻辑都要知道，甚至连哲学问题也要明白。比如：我从哪里来？我到哪里去？我们这次疫情期间有这样一个段子：现在小区的保安都变成了哲学家，见到任何一个人都要问这样的问题“你是谁？你从哪里来？你到哪里去？”我们以前普遍认为人工智能是计算机科学的一个分支学科，但是现在我们国家现在已经把人工智能和计算机科学并列变成了一级学科。这个学科和其他的学科都有关系，这也说明我们国家对人工智能本质的把握是非常准确的。

我们来看一看，人工智能到底要研究什么问题？我们要研究怎么把知识建模，怎么把知识形式化？怎么去表示这个知识？怎么去推理？怎么去用它？怎么去感知外界？怎么去想问题？怎么去学习新东西？怎么去行动？怎么构建各种智能系统？这些都是人工智能需要学的各种理论的基础知识，外围比如智能机器人怎么维修，智能的摄像头怎么调试也是与人工智能相关的。我们国家人社部定义了一个新工种，叫“人工智能工程技术人员”。这一类工程技术人员用所学的知识解决怎么把人工智能和应用结合起来，或者说怎么去安装部署人工智能产品，怎么去维护、去调试、去维修这些系统。所以技师类的学校可以培养人工智能的工程技术人员，培养人工智能的应用工程师。高职高专的学校可以利用本科或者研究生博士做的人工智能的算法做一个APP，或者做机器人的应用，用他人的人工智能的算法做人工智能的应用，然后把应用投入到实际使用中，这就是我们高职高专的学生应该去做的事情。

本科生应该做人工智能软件的开发、核心算法的设计，但是本科生更多的是用人家做好的现成的算法去做一个软件的开发、软件的工程。硕士生设计算法、软件，但是算法的难度比本科生要高的软件。博士生创造新的算法，做有创造力的人工智能新的算法，去改进前人所提出的人工智能的理论模型。所以人工智能整个人才体系是金字塔体系，既需要博士也需要研究生，同时也需要本科和大专，还需要工程技术人员和技师类的技工类的学生。我们国家发了一个调查报告，报告显示：现在人工智能的人才缺口是500万人。目前人工智能人才培养能力还远远的无法满足这个需求。我们国家教育体系里人工智能专业最近这两年才成为本科专业，以前研究生才有人工智能研究方向。以前人工智能约培养研究生1000人/年，也就是说以前正儿八经的人工智能的人才只有1000多人。最近这两年国家允许几百所高校开设人工智能专业或者是人工智能应用的专业，或者是工程技术人员的专业，所以人工智能人才培养的规模一下起来了，即使如此，人工智能人才规模还远远满足不了现在市场对人工智能人才的需求。

人工智能的人才依然非常抢手。美国最厉害大学的博士生，比如说像加州大学伯克利分校、斯坦福、MIT，他们的人工智能博士生出来的工资是250万美金/年。在中国人工智能做的比较好的学校，像清华大学姚期智班的学生，出来以后工资普遍都是250万/年。前两天南京大学的周志华教授作的报告中讲到：现在人工智能人才的紧缺，已经到了杀鸡取卵的程度。

大学的教授们都被企业挖过去做人工智能的研发，也就是说人工智能人才不断地从教学机构、科研机构流失到公司里。所以我们要真正找到人工智能方面的高手越来越难。所以建立一个完善的、高水平的能够培养大量人才的体系显得尤为重要。

人工智能的发展阶段

人工智能的发展经历了三个阶段。第一个阶段，推理的阶段。

推理阶段从达特茅斯会议开始，以明斯基他们为主。开始的时候大家都普遍认为要实现人工智能就要学习数学家，学会让计算机推理，所以那个时候所有东西都是以推理为主的。塞缪尔当时做了一个推理的夕阳跳棋的程序。这个程序首先下赢了塞缪尔自己，后来又下赢了美国的一个州的冠军，这在当时已经是很大的一个成果了。1957年，西蒙和他的学生研究了可以做逻辑理论推理的逻辑理论机。这个机器能够求解通用的数学问题，后来《数学原理》中的200多个定理都能够自动被它完全证明出来，而且证明的水平非常高，甚至有的证明方法超过了人类，所以逻辑理论机当时引起了大家极大的关注。大家突然之间觉得人工智能好强，只要能推理，好多事情都解决。所以当时大家对人工智能抱有极大的热情，也出现了一些不切实际的幻想。诺贝尔奖的获得者西蒙在1965年曾说：20年内机器将能做人所做的一切。明斯基说：在未来3-8年的时间里将研制出具有普通人智力的计算机。机器将能读懂莎士比亚的著作，会给汽汽车上润滑油，会玩弄政治权术，能讲笑话、会争吵，它的智力将无与伦比。

这是当时大家对人工智能的种种不切实际的想法，但是正是由于这些过于乐观的预测限制了人工智能的发展，结果大家发现会推理的机器只能够在小范围内使用，我们生活中的大部分事情都是不确定的，不能用这样的办法来解决。比如我现在肚子饿不饿？这是一个模棱两可的问题，不是用推理就能解决的。生活中的很多问题都是常识问题，而很多常识的问题都不太容易形式化的变成一个推理的过程，往往是一个直觉、一个反应。后来发现推理机做出来的东西，差不多都是那一类东西，做那一类事情都挺强，所以遭到了一些科学家的质疑。最代表性的是剑桥大学的詹姆教授。他说，“人工智能研究不是骗局也是庸人自扰”。这是当时毫不客气的一个评价。从那以后人工智能就陷入了低潮。

后来大家很快意识到推理是有用的，但是生活中的大部分问题都不是严格推理就能解决的。之所以不行是在于它的知识不够，它对很多东西都不懂，所以我们要把人的知识告诉人工智能，让它掌握足够多的知识，这样就有可能让人工智能像人一样聪明，所以这个阶段叫知识工程。

1976年，当时著名的教授费根鲍姆做了一个智能的医疗系统，把专家的经验做成专家系统，利用推理的能力又积累了很多知识，然后给人看病，这个智能系统在某些特定的范围内发挥了很大的作用。不仅这样，当时还用这样的专家的方法做了计算机的视觉、机器人、自然语言理解、机器翻译。后来发现这些工作水平都不是很高，根本达不到人的水平。只是一些比较简单的知识和推理的结合，和真的人差得太远了。人所掌握的东西实在是太复杂、太完善了，计算机模仿的只是人的一点皮毛。所以这个时候大家对这个阶段的人工智能自然而然又失望了。之所以失望就是因为专家系统只能在一个专家的很狭窄的范围内去用，人类的一些常识仍然没有办法解决。而且知识获取很困难，它必须要有很多专家把它形式化出来，然后不断地去用形式化的方法描述它，方法单一，通过推理来实现，也没办法访问现在的数据库等等各种问题。

我当时读书的时候是1988年，那时候我们学校有一个老师，他们到我们南京的八一医院，八一医院是全军的肝病研究中心，那边有一个看肝病的非常知名的专家，我们学校就跟他合作做了一个诊断人的肝癌的这样一套专家系统。所以就需要专家不断地把他的这些知识描绘清楚。然后我们计算机的专家，再把这些专家所描绘的语言转换成计算机的语言，最后写成专家系统，用来给人看病。但是我们后来发现其实真正的看病的时候要考虑的因素，不是你事先都描绘的那些因素，有些因素可能是原来就考虑不到的。所以这样的专家系统是有局限性的。这个阶段结束之后，大家觉得还是对人工智能很失望。所以这个时候大家又想了一种新的办法，人去教计算机。

这个时候就提出了机器学习的方法，让计算机自己去学习。所以这个时候就出现了第三阶段。1982年，Hopfield就提出了一种简单的神经网络。1986年，Rumelhart、Hinton他们提出了BP反向传播的神经网络。1995年，又有人提出了支持向量机，这种数据挖掘的方法，机器学习的方法。总的来说，这个阶段出现了各种各样的机器学习的算法，这些算法曾经也证明了在有些领域里边非常成功。但是与人的智力相比，还是差得远。

机器学习的本质是通过算法使机器从大量的历史数据中学习规律，从而对新的样本做出智能识别或者预测未来。比如传统的机器学习方法都是要靠专家写算法，教机器怎么从一个本来要人的智力去处理的事情，从这个数据里面去提取数据的特征，然后用我们的算法对这个特征进行分类，从而实现这种学习。这是以前的机器学习的方法的共性, 以前叫模式识别。例如我们要识别一个银行的支票上的手写的签名字体。我们首先要把支票上的这些所有签名的地方给找出来，把签名的文字和支票原来印的字区别开来，也就是把底层的东西区别开来，把底层的这些线条都找到。找到之后，我们做一些预处理，把错误的信息过滤掉，尽量的完整的保留下来，识别这个信息，然后去找签名里边的特征。一个人签自己的名字基本上每次签的时候都有一些地方是保持一致的。比如在拐弯的时候，喜欢拐直角还是拐斜角，等等。每个人签名有固定的习惯，所以这个时候就把能够表示签名的这些特征，把这些特征提取出来。再由签名的专家辨别签名的经验，把他们经常关注的这些点做成特征，然后把它提取出来。然后选择最能代表签名的这些特征，做推理。我们就要判断这个特征是哪一类。通过判断他签名的特征判断到底是不是这个人的特征。大家可以看得出来，虽然我们让机器自动学习，给了它以前很多人的签名，但是真正的这些算法是由专家总结签名的规律，专家去筛选特征，然后把它做出来的，这就是以前的模式识别的方法。

这个方法在过去的二三十年里是主要的方法。但是现在看来也是非常痛苦的、不太有效的方法。虽然我们总结了很多的经验，但是识别的准确度一直处于60%-80%，无法达到更高的标准，大家就陷入了一个僵局，所以2012年之前人工智能陷入了压抑的状态。那个时候不管是机器学习的方法还是神经网络的方法，大家都没有看到前途，以前这些方法遇到了很大的瓶颈。

我们再来观察一下人的大脑到底是怎么形成的。人的大脑不是用模式识别做出来的，没有人去给人去写各种算法放在人的脑子里边。人在刚出生的时候，大脑里有很多神经元，但是神经元之间没有什么连接。随着人的成长，比如刚出生的一个月大婴儿逐渐学习了很多知识之后，大脑神经元开始连接了；到了9个月大的时候，连接变得更多了；到了两岁的时候，连接变得像成年人一样的多了。可以看到，在不断的学习的环境中，人类大脑的神经元逐渐形成连接，两岁之前这段时间成长速度非常快。

人是怎么学习的呢？1981年两个获得诺贝尔奖者David Hubel 和Torsten Wiesel总结出了人的大脑学习的经验。比如人的眼睛看东西的时候，到底怎么形成对东西的认知的？他们用很多猫做试验，把猫的头盖骨给打开，一部分猫没有死，然后给猫看不同的图案，比如给猫看一条直线或者一条竖线，然后再去测猫脑子里不同部位的电流，结果发现看斜线和看直线的猫的头部的不同的地方的电流是不一样的。通过试验发现，人大脑的不同区域对眼睛看到的不同内容会有不同的集合，有的地方信号比较强，有的地方信号比较弱，也就是说在人的大脑中，不是每个神经元都起一样的作用，而是形成了功能分区。这个功能分区在学习的过程中，映射到神经元的连接里。

既然是这样，人的一个神经元是怎样的呢？神经元就是一个细胞体里边有个细胞核，然后有很多从别的神经元来的信息，传给了这个神经元，然后神经元经过了简单的处理，把信号传给了其他的神经元。从别的神经元获得了很多信息，经过简单的处理，再传给了别的神经元。我们能不能模仿这样一个神经元呢？于是数学家就设计了一个叫感知机这样一个东西。感知机用数学公式把相关信息，根据每个神经元连接的权重，把它乘在一起，最后加在一起，然后把它输出，变成了一个信号传给别的神经元。也就是说我们现在不去考虑人到底怎么思考的，我们先考虑神经元是怎么造出来的。人的大脑是由很多大脑皮层构成的，考虑到了每个皮层里边都是有很多层的神经元，神经元之间都有很多连接，不同神经元的信号会输送出下一层的神经元，我们把这些连接都画出来，然后用数学公式去算一个神经元的信号传给另外的神经元，到底应该传多少信号过去。最后一层层传最后再输出出去，最后就能够模仿人的大脑的思维过程，这就是我们的方法。

我们其实没有提出机器学习的算法，而是提出了一套模仿人的神经元的方法。先把“大脑”造出来，然后让它去学习，看这个能不能达到我们的想法，能不能真正的具有人的学习能力，具有推理的能力和人的常识。这个方法和以前的机器学习不一样，以前的机器学习算法都是人做的，特征也是人提取的，然后用不同的数据去训练算法，最后得到了一个模型，这是以前的机器学习的方法。我们现在造了一个“大脑”出来，看"大脑"好不好用。

深度学习的概念

加拿大多伦多大学的一位教授Hinton博士,非常痛苦的坚持几十年。他出名之前在学校里招研究生都很困难。Hinton最后提出了深度学习的方法，用多层神经网络去模仿人的大脑的这种思维方式。

他找到了一种行之有效的方法，能够让多层的网络计算收敛下来，这是他最大的贡献。但是即使他做出了这么大的贡献，还在《Nature》（《自然）》上面发表了一篇题为《深度信念网络》的论文，也没有引起太大的轰动。他的文章当时都不敢叫神经网络，因为大家都不认可，大家都认为神经网络是骗人的，所以他当时提出了“深度信念网络”。直到2012年，Hinton的一个学生参加了美国举行的图像分类的比赛，然后一下子就把比赛成绩从七十几分提到了九十几分，全世界立马就注意到了这种方法的巨大的威力。

深度学习是神经网络的一种研究，是用多层感知器构成的一个神经网络。用底层的特征不断地一层层往上学习，形成能够概览全局的判断，这就是深度神经网络要做的事情。我们刚才说的模式识别的方法特征是专家总结出来的，是专门针对这个特征做算法做出来的。而这里的特征是靠神经网络自己学出来的，方法是不一样的，而且这种方法更简单，我只要做好了“大脑”剩下的事情学习就不用管了，而且还更有效。

我们来看一下深度学习，到底怎么理解它的原理呢？举一个例子，比如说重量的单位磅和公斤之间的关系。假设有一个图灵机，然后我们用很多数据去训练它，把它训练成一个具有把磅转换成公斤的这种能力，显然它得具有智能。

首先给它一个数据去训练。最开始图灵机里有一个随机的参数，原来写的是1磅=0.6公斤，它脑子里记了一个随机数，所以它又用1磅乘以0.6，然后得到公斤数，所以最后就得到了1磅=0.6公斤。这就是通过一个输入的数据以及图灵机的输出得到的结果，但这个结果显然是有误差的。有误差不要紧，但是你要告诉它错了多少，这个很重要。所以我们就告诉它误差为 0.15，那么图灵机就要把这个参数减少一点。所以就把参数调到0.5，这时候我们又输入1磅，然后这时候算出来是0.5公斤，然后这时候我们再告诉它误差为 0.05。所以图灵机又调到0.4了，计算出1磅=0.4公斤。这个时候再告诉图灵机误差为-0.05。所以再把参数调到0.45，计算出1磅=0.45公斤。这个算出来发现误差是0.0036，这个误差已经可以接受了。

整个过程中我们就是通过不断调整参数，最终训练出了一个具有人工智能功能的、能够对磅和公斤之间做转换的这样一台机器。所以我们要根据输入的数据、城市、地段、面积、公摊以及价格，然后换算出房子位置的权重，大小的权重，装修好坏的权重。通过大量的数据把这些权重都算出来，最后能够准确的预测房价，尽量使得房价与真实的房价差更小，做到房价的准确的预测。

我们用神经元构成的网络来做，神经元就是这个样子的。我们刚才讲了，先输入数据，然后经过简单的处理，最后输出出去，所以我们用了大量的神经把它连接起来。

比如影响房价的因素有三个，每个因素都有权重，这些权重加权和加在一起，最后作一个变换，把它映射到一个区间内，最后输出出去，这就是一个神经元要做的事。为什么要做这个变换？因为数据有大有小，如果不把它统一到一个范围内，最后数据加在一起没法计算，所以我们把它统一在0-1的区间之内，就有价值了，所以我们要做一个区间的映射。

我们先做一个Sigmoid函数1比1加e的(-x)次方，当x无限大时，e的(-x)次方接近于0，1比1加e的(-x)次方无限趋近于1；当x无限小时，e的(-x)次方非常大，1比1加e的(-x)次方就接近于0。所以这个函数会把任何一个数都按比例映射到0-1范围内。而且还有一个特点，在某一段区域对函数变化比较显著，其他区域的变化就很小。

然后我们把大量的神经元连成网，每一个神经元都把它的末梢搭到其他神经元上面。以此类推，最后构成神经网络。神经网络可以抽象成这样：这是我们输入的信号，比如这个房子在哪个城市、在城市的什么位置、房间多大面积，这些信号都输进来。到了第一个神经元，神经元就把这个信号传递给第二层的神经元，第二层神经元是以房子的位置有关。这个位置的信息只与房子在哪个城市以及城市的什么位置有关，所以它的信号是来自于这两个神经元的，比如它的面积的信息可能它来自于另外的神经元，当然也有可能会与前面的信息有关。然后这时候它们在计算再出去，一层层的出去，最后我们得到它的结果，我们预测出来这个房价到底是什么区间？

比如说房价是1万块钱以内的输出，到这边是1。如果是1万-2万，这个是1，其他都是0。如果输出到2万到3万以上，这个是1，其他都是0。我们希望它这样输出，把房价的预测输出出去，这样就能得到对这个事物做一个分类。我们可以根据权重，通过Sigmoid函数映射到区间上，最后输出出去。下面这个也是同样的。这种运算很适合用矩阵运算来表示，矩阵运算大家都学过。

矩阵运算就是我们把第一个矩阵的行与第二个矩阵的列相乘，得到矩阵的一个位置的值，以此类推，所以我们用矩阵运算很容易去表示刚才我们的运算。我们刚才神经网络的运算的时候，对输入层而言，我们只要把输入的数据写在左边的矩阵，输出的数据input1、input2写在右边就可以得到权重矩阵。

我们可以用矩阵运算来表示刚才的神经网络的运算。这样全部一层一层把它算完，就得到最后输出结果，但这个结果不一定是我们想要的结果。所以我们必须要给它每一个输入数据。我要事先告诉计算机，告诉计算机现在的具体数值。

这时把数据输进去，计算机预测出来一个结果，如果错了，我要告诉它错了多少，这个时候它再去反过来去调答案，改变它的权重。最后把误差告诉计算机，然后再把误差按照权重分配给前面的这一层，如果还有更多层的话，再分配给更前面的层，把误差根据权重传回去，这个叫“误差反向传递”。往回分也是要根据权重分，权重大的就多分点，小的就少分点。所以最后分的权重是把两个全都加在一起，然后在用它承担了多少权重除以总权重，就是应该分的误差。最后隐藏层的误差等于输出层的总的误差，第一个误差再乘上它分的权重，还有第二个输出的误差，再乘上它分的权重，最后才能得到我的这个节点应该分多少误差，这样就把误差算出来了，所以误差的也是通过矩阵运算来实现。和最后的输出误差相乘，和权重矩阵，矩阵里面分母不完全相等。所以我们就知道了误差，再根据刚刚我们刚才1磅和公斤的关系的方法调整参数。如果这边多了，我就把权重减少一点，这边少了，我就把权重加一点。

但是我们现在比较复杂，因为我们可能最后的误差和很多因素都有关，不是一个因素，而这些因素经过复杂运算之后得到的。所以我们采用的方法叫梯度下降法。好像我站在一个高山上面，站在一个地方，我现在想让我的位置低一点，但是往哪个方向走是低一点。这时候我就看我的脚下的方向，朝着脚下梯度最陡的方向，也就是梯度最大的方向走。这样的话，往这个方向走，可能我下降的可能性最大，这叫“梯度下降法”。如果我在山的这一边，我就直接因为它的斜率是负的，所以我是要把斜率给降下来，所以我加上斜率就行了，所以我们把然后他就往下走，然后权重就下来了。

在这边它斜率是正的，所以我们减去正的斜率，这样我们就把它降下来了。我们就不断的往下降，我们从山上一步一步往下走，一步步往下走得越来越矮，最后走到了。这个时候误差越来越小，就相当于把这些权重调小了。直到我们已经很满意了，所以这个时候就不用再调了。最后的误差达到一定的范围内，训练就完成了。

当然有时候会出错，有时候往山下跑的时候，你正常的时候这样走得很好，结果有的山比较怪，有的山有个坑，你掉进去之后，你发现你在这个位置往哪个方向看，都比你现在位置要高。其实你现在还没有下到底。遇到这种错误该怎么办呢？由于训练数据很多，这一次训练的权重调不好了，但是我还有别的数据，别的数据它可能不是每个数据都会调到那坑里去的，别的数据的训练有的就跳到别的地方，所以数据越多我们掌握的情况就越多。我们的权重越能符合真实的情况。所以谷歌发了一篇论文，专门讲了这个问题。当你要把它的准确度提高的话，越往上就越难。到后来可能数据量增加了十倍，准确度才提高了1%。

我们刚才看到人工智能采用了机器自动学习的方法，从而使得机器能够从各种数据里学习数据的规律，还不需要人去干预它，就使得人工智能一下爆炸式发展了，发展的速度非常惊人。

人工智能的崛起

首先把大家吓一跳的就是2016年的Alpha Go的围棋比赛。在当时所有人都不相信计算机会胜过人，当时Alpha Go跟李世石的这场围棋比赛，悬赏了100万美元奖金。

这是当时要举办比赛的新闻发布会，这个人是李世石，他当时很开心，说谷歌公司来给我送钱来了。他认为AlphaGo肯定下不过他，所以他当时把女儿都带来了。这是谷歌公司的一个子公司“Deep Mind，深度思维公司”，这个创始人叫哈萨比斯。这个人很神奇，他8岁的时候就开始思考两个问题：人的大脑是怎么处理复杂问题的？能不能用计算机去模仿人的大脑？他8岁的时候就开始写程序、写代码。16岁的时候就做了一个叫“主题公园”的游戏，这个游戏风靡全球。然后他到18岁就进剑桥大学读书，学了计算机专业，之后到伦敦大学学了医学博士。他本科学的是计算机，博士是学的医学，两个完全不相干的专业，所以我们一般都认为这样学科跨的也太远了，医学和计算机完全就没有相关性。

他的目标：揭开人类大脑的秘密。一般认为这种跨专业的博士论文水平高不到哪去，但是他2012年发的博士论文曾经被MIT麻省理工学院的评论选为全球十大科技成果之一。他是一个跨专业的人才，我也非常建议现在的研究人员也要学会跨专业，因为我们现在所有的学生是在一个金字塔体系里边。我们每一个阶段学的内容都是一模一样的。然后到了大学里，我们开始有了不同的专业，到了研究生阶段就有了不同的研究方向，但是全世界跟你一样研究方向的人非常多。到了博士就有了一个研究点，但是全世界研究方向与你相同的人也有几千人，所以一个博士生想在这个点上突破、超越别人是多么不容易的一件事情。

所以我们要换一种思路。比如我们每个人多一点研究方向，不要局限在一个点上。如像哈萨比斯在交叉学科的方向去做研究。他是在医学和计算机科学之间交叉点上做研究，全世界跟他一样的点的人就很少。如果你能交叉三个方向，全世界跟你一样的人几乎就找不到。这个时候当你交叉了不同学科的专业知识，当然这个结合要自然的结合，你就成了这个领域唯一的人，你所创造的任何一个技术，任何一个应用都有可能是别人没做过的，都可能是一个伟大的突破。所以我们建议大家跨专业去研究。

我当时在清华大学的时候，清华电视台有个采访我的节目，节目标题叫做“成功=观察 思考 努力”，这个节目当时也是清华校内点播量最大的一个节目，很多人都看了这个节目。大家都觉得我说的有道理。因为我在讲所有人的学习怎么才能够有所创造。要善于观察，善于思考，只要是有用的知识，对你有关的知识，不要排斥，应该把它们融合在一起，然后多去想，去找结合点。那到底在哪创新呢？创新其实很好找，所有你感觉到不爽的都是可以创新的东西。所以我们要去解决我们现在社会的挑战问题。大家都感觉不满意的东西越是容易创新的地方。比如说新冠病毒我们很不满意。我们有没有可能在这里面有突破？当然有可能了，因为它是一个新生事物。现在很多问题都没解决，如果你能够在交叉的一个点上相结合去解决，当然就可以创新了。我们从2月份开始就跟着钟南山院士一起去做新冠病毒，我们用大数据、用人工智能去做相关病毒疫情的预测，这不就是很好的应用吗？我们也发了一篇高水平的论文，现在已经刊登出来了。当然我们预测的结果对国家意义也很大，所以钟院士在媒体上也讲了很多，就讲疫情下一步会怎么样。他刚开始讲的时候，所有人都不相信他讲的是对的，但现在的疫情，大家看是不是像他说的这样。所以做出准确的判断和预测很重要。这只是一个应用的结合点。

Alpha Go最后跟李世石下棋的结果：Alpha Go以4:1赢了李世石。这个比赛为什么意义重大呢？是因为在比赛之前，全世界的人工智能专家普遍认为：人工智能要想战胜人类，至少还需要10年。柯洁是中国的冠军也是世界冠军，柯洁认为，“计算机战胜李世石的可能性不到5%。”聂卫平认为，“机器和人比赛下围棋，我认为机器是一点机会没有的，我对人工智能有极大的怀疑，你们都是忽悠。围棋，电脑绝不可能战胜人类。”李世石认为，“除非出现不可理喻的低级失误，否则我绝不会输，人工智能向人类发起挑战还属于起步阶段。”也就是说在比赛之前所有人都一面倒地认为人工智能不可能具备像围棋这么复杂的智力，不可能现在这个阶段就突破了。比赛一开始，所有人就傻眼了。中国的一个围棋高手叫古力认为，5个九段一起上或许能赢。因为Alpha Go全局几乎完全零失误。柯洁评价：Alpha Go确实是有史以来我见过的最强大的对手。

AlphaGo最大的意义在于它改变了人类对人工智能的看法。所以才会形成现在的局面，所以你今天才会来听人工智能的课，因为它实在太伟大了。早在1997年的时候，IBM的一台超级计算机叫深蓝。当时就靠强大的计算能力下过了当时的国际象棋大师卡斯帕罗夫，如今不就是换了一种棋，也没什么，但是实际上区别很大。

因为国际象棋的格子比较少，而围棋的格子比较多，围棋的格子是19条横线和19条竖线，一共361个交叉点。这就带来组合爆炸的问题。组合爆炸的问题使得围棋的落子的可能性是10的171次方，宇宙里的原子总数是10的80次方，所以即使把全世界所有计算机拿过来算一盘围棋都算不出来，因为计算量特别大。

但是Alpha Go是怎么赢的呢？Alpha Go的诀窍在于三点，第一，向人类的大师学习，看人类的高手怎么下棋的；第二，就是学会了之后自我对战，在对战中自我成长，自学成才；第三，它还形成了全局观。它看到任何一局的盘面，一眼就知道谁会赢，能算出赢的概率。这使得它大大的减少了穷举、搜索时间的需求，所以它能够用很少的时间战胜人类。在2016年Alpha Go跟李世石下围棋的时候，当时用了1000多台机器，到了第二年Alpha Go就开始自学成才，只用了一台机器，就把柯洁干掉了。柯洁下了三盘，柯洁当时下到一半的时候就出去哭了20分钟才回来。柯洁说，“我现在是为我自己哭泣，但是我也是在为人类而哭泣。”你想围棋这件事情，人类多么认为是不可能被计算机战胜的一个领域，但是计算机居然用人工智能的方法就取得了突破性的进展。

人工智能的进展也带来新的问题。美国未来学家库兹威尔写了一本书《奇点临近》。库兹威尔预测人工智能的进步会不断地加速，聪明的机器会设计更加聪明的机器，从而使人工智能到达一个拐点，成为远远超越人类智能水平的一种存在。我们大家可能对未来学家一般都没什么好感，但是库兹韦尔同时也是谷歌公司的工程总监。他过去说了很多话，现在证明大部分都是正确的，所以这个人非常了不起。现在，美国也有奇点大学。

在2011年，IBM公司的人工智能的Watson参加了美国的智力竞赛，战胜了美国的两位冠军。

人工智能的应用

这个是人工智能现在能做到的，现在技术已经成熟的，比如说特斯拉的无人车，已经行驶了几百万英里，而且出错的概率比人类要少得多。这也是

伊隆·马斯克，特斯拉是伊隆·马斯克开的公司，这也是他开的公司，他做的返回式火箭，能够让火箭发到太空之后再返回来，从而节省了100倍以上的成本。他现在正在做火星移民，他认为人工智能在不久的将来会有危险，所以要先为人类选好备用的定居点，当然这个也不一定会发生。我们现在已经能这样飞了，站在一个平板上就飞走了。大家可以想象一下，如果没有人工智能，敢这样飞吗？如果重心一歪，不就掉下来了吗？

人工智能做的机器人。现在也很惊人，这是机器人在森林里边走路。这是仓库里的机器人，双11这么多货物之所以能够快速的到达你手上，是因为仓库里都使用了大量的人工智能机器人。这个是特斯拉的工厂，100多台机器人，生产了所有的特斯拉汽车，这是一个机器狗正在越障碍。

现在几乎所有的无人机都带人工智能，所以这是两个无人机在编制一个绳子桥，用手势控制无人机的飞行。这三个无人机一起在拉一张网去接东西，你扔个东西它跑过去接住。这个是把一杯水放在无人机上，它到处飞，水不会洒出来。这个是把一个乒乓球打过去，无人机会给你弹回来。这是把一个无人机剪掉几个翅膀，看它掉下来的时候会自动保持平衡。所以现在的无人机都带智能功能。

当机器开始思考人类又该如何？

大疆的无人机占全球的民用无人机70%的市场，大疆的每一架无人机里边，都有一个人工智能芯片。我们现在已经进入到了一个深度互联 人工智能的时代。这个时代我们称做第四次科技革命。人类以前有三次科技革命，第一次是1760年的蒸汽机的发明；第二次是1870年的内燃机和电力；第三次是1940年的计算机和原子能；现在人类进入到第四次科技革命，这个时候是以人工智能为代表与深度互联，我们每个人都连到网上，每个人每天眼睛盯在手机上的时间，超过了在书本上的时间。我们已经进入了一个全新的时代。

这个时代我们要防止的是什么？机器已经开始有一点思考了，我们人类要有更多的思考，要避免出现各种问题，这不是杞人忧天，但是我们要早做准备，这种可能性是存在的。百度的创始人李彦宏这样讲，“你们不用担心人工智能，我们百度是中国做人工智能做的最高水平的公司，我们现在的人工智能水平只相当于人类的三岁小孩子的水平。” 但是李彦宏没有讲另外一句话，人工智能从3岁到30岁不用等27年的，它的进步的速度是非常快的，所以我们要有所防备。

我们所做的一些工作

接下来，我再介绍一下我们所做的工作。我们公司在南京的中国云计算创新基地，这个基地创建于2011年，当然这个基地也是我们协助建立起来的。我们这家公司叫南京云创大数据科技股份有限公司。中国大数据应用联盟成立人工智能专家委，我被选成了专家委的主任。

我们公司的理念是“与聪明人一起做精彩的事”。我们要用新的技术，用大数据、用人工智能的技术去优化世界，让世界变得更好。我们从摄像头、从环境的传感器、从地震的传感器和对人的感知获取数据，用云计算去承载物联网采集到、感知到的数据，然后用大数据挖掘和分析数据，用人工智能去学习这个数据，从而反过来去优化这个世界。

我们做的工作叫智能云感知。来自于摄像头的数据主要用在公安和交通上面；如果数据来自于环境传感器，我们主要用在环保上面；如果来自于地震传感器，我们用在地震预警上面；如果来自人，我们主要用在做医疗和教育方面，这就是我们怎么去解决真实世界的问题。

在公安方面我们做了两个城市，一个就是南京，一个是宜昌。我们把南京城市的摄像头全部连接进来，构建了智慧南京的一个公共的基础设施，从而使得预防犯罪成为可能。因为我们把各个角落的摄像头都整合起来了。南京的市民都喜欢用一个App叫“我的南京”，里面有一些功能，比如说叫交通大数据，一点开能够看到路上堵不堵，那个功能就是我们做的。我们五六年前在宜昌做了一个雪亮工程的试点，我们把乡镇、区、县、市、省、国家，所有体系的摄像头都打通了，一体化了，最后实现了一个全覆盖的监控网络，从而保障了我们城市的安全。

01

把摄像头连进来只是第一步，我们需要让人工智能去理解这里面的数据，我们做了一个技术叫大规模人脸识别。这个技术使得我们能够去追踪街上的每一个人，即使这些人都在运动状态下，也能对他进行识别，所以这个是非常有意义的工作，这样的话就能够及时的发现犯罪分子。

　这是我们在上海外滩的马拉松比赛，每一张人脸都能被识别出来。它的后面我们设计了一种特殊的机器，这个机器有60个处理器，每个处理器能够处理1200万人的人脸数据，一台机器一秒钟就能做7亿次人脸比对，所以我们两台机器就能识别中国所有的人，所以它的意义是非常大的，我们解决了一个前所未有的这样一个问题。传统上用GPO去做的成本是我们的成本的四十倍。

　当这样的技术可以用来追踪一些情况。比如说我们在南京的夫子庙大街上，有一个摄像头，通过摄像头我们看到街上走过去的每一个人，这个人里边有的人我是认识的，有的人是不认识的，红色的是以前见过的。点一下红色的人之后，我们就能看到这个人曾经在哪出现过。所以街上走的每一个人他从哪里来？到哪里去？我们都知道，所以我们解决了一个哲学问题，我是谁？我从哪里来，我到哪里去？这个技术对维护整个社会稳定起到非常重要的作用。

　　另外我们还开发了模糊人脸识别的技术。这个技术使得我们容易识别一些犯罪现场的嫌疑人。我们试了13件案子，其中破了9件，所以模糊人脸识别的技术对于提高破案率非常有帮助。

02

还有一种情况就是有可能走过去的人根本看不见，只有一个影子过去了，这个人我们有没有可能把他识别出来？所以我们发明了一种新的技术叫视频DNA。我们把这个人在走过去的时候的数据生成了这个人的DNA数据，这个数据蕴含了这个人在时间和空间上的所有的特征。这个特征其实数据非常丰富，我们传统技术首先把这个人重心、身高、频度提取出来，这种方法就是我们所说的机器学习的方法。这种方法我认为根本不可行，我们做不出来什么好的效果。而我们用人工智能的方法去做，做出来效果就好很多。

这是我们刚才所提取到的这个人的视频DNA的数据，我们把这个数据生成了一个三维的数据立方体，让人工智能去学习这座山。我们就告诉它这是谁，等到下一次再见到这样的山的时候，人工智能就知道他是谁，不一定要看到他的脸就能把他识别出来。

03

我们把这些能力做成了一个设备，叫智慧路灯伴侣。我们现在虽然做了很多智慧城市建设，但是其实城市还没有真正的实现智慧。目前全国超过300个城市启动智慧城市，其实智慧城市是城市能够自主将该管的事项管理，因为绿灯在公共领域随处可见，覆盖密度大。为了将现有的路灯升级成为智慧城市的建设连接点，可直接挂在到既有路灯上的智慧路灯伴侣，以人工智能技术将普通路灯升级为智慧化的城市基础设施。

我们也用人工智能去解决智能交通的问题。现在很多停车场都使用了车牌识别技术，但是在高速公路上识别车牌相对比较难，高速公路上拍照的时候经常会有反光导致看不清楚车牌。有时车牌比较脏，比较远就看不清楚。像这种或者比较远比较暗，所以我们交通部门就针对高速公路上快速行驶的车辆，搞了一个车牌识别比赛。在这个比赛里边，我们要看谁的车牌识别最准确，业界很多知名的企业也都参加了比赛，已经比了两年多了，到目前为止，每年我们都是第一名。

我们也用这样的一个技术去解决高速公路上的车辆的追踪的问题。比如高速公路上即使让车跑得更快一点我们也能通过人工智能去识别每一辆车，这样的话我们就能追踪到每一辆车的轨迹，大家可以看到识别的结果都是比较准确的。

同样我们也用这样的一个技术去解决铁路的安全的问题。大家知道我们高铁为什么每天晚上是不开的，是因为我们要保障高铁线路的安全，每天晚上我们有35,000公里的高铁轨道需要有人去检查一遍，这个工作量是非常庞大的，我们能不能用铁路沿线的摄像头自动的去发现铁路有什么异常呢？比如说有没有螺丝钉松动？有没有什么异物？有没有铁轨变形、有没有沉降、有没有被水淹、有没有人闯入？等等，这个都可以利用人工智能去自动的去发现和预警。

这是我们跟上海铁路局合作的一个事情。这是南京南站附近，人工智能会自动去判断道路上的这些螺栓到底是不是正常的。这样就减少了很多人工，同时也使得预警变得很迅捷。

我们也同样可以用人工智能技术去优化城市的交通。我们设计了比Alpha Go更加复杂的一套系统。这套系统通过人工智能去自动的去推演，这个城市的红绿灯应该怎么组合才是最有效的。每一个红绿灯的时间该怎么调，全是人工智能自动计算出来的结果。通过不断的这种自我优化、自我学习，从而使得城市里的交通变得更加顺畅，所以这个是非常有意义的。我们希望通过人工智能技术的应用，让南京在高峰时段的车速提高80%，我相信这一点是一定会可以实现的。所以我们现在目前正在准备开展小规模的试验。因为我们现在理论的模型，整个人工智能大脑，经过两年都已经做出来了。我们很快要在南京开始这样的试验了。

04

这个是智能医疗的这一块，我们和南京大学附属的鼓楼医院合作，做了癌症的前列腺癌的识别，准确度非常高，通过人工智能识别比医生的水平要高很多。我们做了人工智能的系统，现在目前已经做了六种功能，可以对肺癌、对宫颈癌、前列腺癌、对各种癌症进行识别，而且做出来的准确度都非常高。所以它的用处非常大，所以人工智能在很多领域它都是很有价值的。甚至在很多地方都比我们医生都还要更聪明一点，做的更准确。这是对组织细胞做分类，等等。我们在这一次新冠疫情期间，我们在2月6号收到了，广州呼吸健康研究院，这个机构也是我们国家呼吸疾病的国家重点实验室，国家呼吸疾病的临床医学中心，然后我们国家高级别专家组织的组长单位，他们邀请我们，我带着我们公司8个人参加了疫情预测的工作。

这是我们团队在广州拍的照片。我们预测的结果对这次疫情是非常有帮助的。这是我们发表的论文，这个论文外面有很多报道。这个论文大家能看到，这是我刘鹏，这是我们公司。这个是我们跟广州医科大学附属第一医院联合搞的论文，我们这几个作者贡献都相同，所以我们做了这个工作。论文里面当然也还有钟南山院士也在内外里边，所以我们构建了一个比较准确的预测模型。

这个预测也是通过大数据的方法和人工智能方法做出来的。所以这个结果钟院士在媒体上讲的比较多，向国家汇报的也比较多。这个结果也有很多媒体报道，大家可以看到，钟院士讲，“根据我们团队在传统模型基础上加两个影响因素，国家强力干预和过春节后回城高峰消除后，预测高峰应该在2月中接近2月底，到了2月15号数字果然下来了，我们有信心4月底基本控制疫情。”我们这篇论文曾经投到了一些国外的权威杂志，这些杂志基本上都认为是不可能的。他们甚至说，“你这个文章不用发，我在这压几天，你们的预测数据就会打你们的脸。”但是现在发现疫情的走势跟我们的预测的结果几乎是完全一致的，所以做出准确的预测对于国家选择合适的策略也非常有帮助。

感谢在座的各位同学、各位老师，谢谢大家！

往期推荐*精彩阅读

○ STEC001期 ▏冯伟民：寒武纪生命大爆发

○ STEC002期 ▏吕述望：我的数字世界

○ STEC003期 ▏王松山：我一生在两家央企的实践、求索与思考

○ STEC004期 ▏姚国章：数字经济大潮面前我们何去何从○ STEC005期 ▏徐志耕：沉痛的历史带给我们沉重的思考

○ STEC006期 ▏刘 鹏：从喧嚣混沌的数字世界看未来

○ STEC007期 ▏张晓东：产业互联 智造未来

○ STEC008期 ▏郝泳涛：数字存在与工业4.0新解

○ STEC009期 ▏南小鹏：数字经济时代财富管理新思考

○ STEC010期 ▏邓民宪：“5.12”的震痛与警醒

○ STEC011期 ▏陈 尧：无人机与新时代

○ STEC012期 ▏张振亚：难忘的救援 深刻的反思

○ STEC013期 ▏顾志强：加强科学救援 提高救援能力

○ STEC014期 ▏姚国章：数字货币的是是非非

○ STEC015期 ▏秦 超：面对灾难 智者生存

○ STEC016期 ▏赵方嵩：“5·12”志愿者服务留给我们的启发和思考

○ STEC017期 ▏邢志祥：化学灾害事故应急救援的分析与启示

○ STEC018期 ▏陶思炎：当下文化发展的困惑与思考

○ STEC019期 ▏曾庆琪：转型时期中医文化的传承与创新

○ STEC020期 ▏陈同乐：流淌的历史，沉淀的文化

○ STEC021期 ▏赵绪成：真的，怎么都行——路过艺术人间

○ STEC022期 ▏杨六琴：从中国走向美国：关于策略的思考

○ STEC023期 ▏James Hook：Computer Science For A

○ STEC024期 ▏贺云翔：我们究竟为什么需要文化

○ STEC025期 ▏崔向群：怀揣科学梦想，献身国家为未来

○ STEC026期 ▏桂 冠：与科研为伴，与梦想同行

○ STEC027期 ▏Julia Macrae：Reflections on Critical Thinking

○ STEC028期 ▏郝泳涛：世界变迁启示和“AI 制造”的历史机遇

○ STEC029期 ▏龚永平：信息通信技术引领美好生活

○ STEC030期 ▏方益萍：城市规划理念的中外碰撞

○ STEC031期 ▏杜俊德：空间素养及地理信息系统应用创新

○ STEC032期 ▏张颢瀚：新时代中国社会科学的责任与担当

○ STEC033期 ▏史秀莲：时间银行：让爱牵手未来

○ STEC034期 ▏姚国章：“5·12”救灾中应急通信的教训与反思

○ STEC035期 ▏郭 亮：养老机构的困境与出路

○ STEC036期 ▏姚国章：我遇到的美国老人带给我的感悟与思考

○ STEC037期 ▏张利敏：国家最新留学政策解读及基于高考成绩的留学申请

○ STEC038期 ▏张 杰：未来已来 唯变不变—2019‘东沙湖论坛主旨演讲

○ STEC039期 ▏李 锐：上海社区养老智慧医疗的探索与实践

○ STEC040期 ▏陈 劲：全球创新趋势展望

○ STEC041期 ▏钟 珏：那些我和招生官不能说的秘密

○ STEC042期 ▏武润欣：“硬核”申请背后的“佛系”人生

○ STEC043期 ▏张国有：管理的挑战，国民经济的发展以国民素质为基础

○ STEC044期 ▏刘 骏：解码美国藤校和英国G5选才密码

○ STEC045期 ▏杜跃进：重新认识网络空间安全

○ STEC046期 ▏刘语瑭：用心陪伴，让平凡孩子找到自己的非凡

○ STEC047期 ▏郭万林：原创性自然科学基础研究对创新名城建设的影响

○ STEC048期 ▏朱国强：做有温度的智慧文旅

○ STEC049期 ▏王英杰：智慧文旅现状问题与出路

○ STEC050期 ▏钟永健：网络改变生活，科技助力供给侧改革

○ STEC051期 ▏张 淼：以年轻人的视角促进传统文化的活化传承

○ STEC052期 ▏龙 毅：数字科技助力全域旅游发展

○ STEC053期 ▏周 斌：5G开创智慧城市新天地

○ STEC054期 ▏黄宜华：大数据技术及其应用

○ STEC055期 ▏王 法：创见智能未来5G生态先行

○ STEC056期 ▏李金惠：全球环境治理当中的中国角色

○ STEC057期 ▏应汉杰：生物制造新技术的出现与生物技术的崛起

○ STEC公开课 001期 ▏姚国章：金融科技入门

STEC数字大学

利用新一代信息技术和创新思维，构建以“科学（Science）、技术（Technology）、教育（Education）、文化（Culture）”为核心的新型数字大学，由中南信息科技研究院、南京邮电大学数字经济研究所等机构共同打造。

监制出品 | 姚国章

编辑制作 | 李春红

以上内容为【人工智能导论学什么丨人工智能导论的答案在哪里】的相关内容，更多相关内容关注lot物联网。