林昕 朱小栋
（注：由于我在国外，林昕代我去参会。大咖云集，收获满满，以下由林昕整理，分享给各位。谢谢林昕。）
2019年08月30日
开场由上海市副市长致辞，介绍了上海和中国人工智能发展取得的成果，以及人工智能在发展过程中面临的机遇与挑战，并强调了要发展“负责任”的人工智能，在发展的同时也要尊重隐私，安全可控，注意人工智能伦理方面的问题。面对人工智能的浪潮，要保持激情，也要保持冷静和理性，要加快促进跨学科的发展。
报告1 人工智能的范式转变：
报告者：图灵奖获得者、卡内基梅隆大学教授——Raj Reddy
1. 未来AI将基于自动发现和机器学习
20世纪的AI：结合已取得的知识完成编码，采用规则的和统计的模型
21世纪的AI：自动发现并进行知识运用，借助机器学习，尤其是深度学习
2. AI的范式转变：
科学领域的前3个首要范式：实验、理论、仿真
第4个范式：由数据驱动的发现，将自动发现和运用数据驱动的知识源
深度学习就是基于神经网络的大数据学习
3. 借助深度学习，AI的最新进步：
语音翻译
语音对话：siri
自动驾驶
深度问答等
4. AI的进步，近期所带来的社会影响
举了两个例子：（1）通过大数据实现语音翻译，为30亿半文盲人士提供支持；（2）“守护天使”——一种个性化的定制智能体，能够主动发现以外事件并向人类发出警告，进行健康和教育辅助，增强人类幸福感。
5. 基于AI这种范式转变，上海可以利用人工智能创造未来：
（1） 打造全互联上海；
（2） 全民AI扫盲，制定AI培训计划，尤其是中年和青年；
（3） 将上海的AI成果进一步推向亚洲、非洲、太平洋。
报告2 人工智能为什么还没有意识？
报告者：中国工程院院士、中国人工智能学会理事长——李德毅
人工智能主要集中在讨论AI能够做什么，而很少讨论AI不能做什么，AI能够有意识吗，AI能够成为未来的生命吗？
1. 报告首先提出了一个问题：机器会思考吗？潜艇会游泳吗？
接着就“意识”这个词的概念，进行了一些生物学和哲学意义上的普及；认为人类智能使人类能够区分“我”和“非我”；人类智能的社会属性强调人类的所有智能是后天习得的。
2. 高级意识：
人脑首先有瞬间记忆，再触发短期记忆，随之触发长期记忆，相互作用和竞争，产生有意识的智能。
3.认为人类智能分为三大类：
（1）记忆：认知是基于记忆的预测，记忆是人类智能行为的基础；
（2）计算、处理、理解、推理、思维等
（3）交互：和他人，和自然的沟通
4.智能和意识的关联关系：
弱意识，强智能：如深度睡眠时的梦游；
机器人没有感知“自我”的意识，更不可能有高级意识和人类智能，人工智能只是脱离意识存在的智能，即是人类智能在生物体外的延续，机器是没有意识的，也不需要去理解人类智能，而只需要能够按照人类的需要，反馈人类认为的智能就可以了。
报告3 自我改善式人工智能将改变一切
报告者：瑞士人工智能实验室 IDSIA 科研主任——Schmidhuber
1.以神经网络为基础的人工智能够实现自我改写，从而达到自我改进，未来人工智能将会更廉价更高效，从而造福每个人。
2. Schmidhuber 最早提出了一种利用记忆功能来增强人工神经网络（模拟人类大脑的计算机系统）的方法，即根据之前获得的信息，添加解释文字或图像模式的循环（即LSTM）。
3. 主要介绍了LSTM及其应用；
大脑的神经元之间是会互相交流的，在执行任务时，神经元会影响其他与之相连的神经元，这些连接的强度会随着随着人们的学习会改变，这是长短期记忆网络获得启发的地方。LSTM在科技领域有很多应用，如谷歌的语音识别，苹果的siri，Amazon Alexa等。
4. LSTM在超人图像识别竞赛中取得了很好的成绩，以下图识别乳腺癌为例。
5. 在未来几年人类将创造出具有灵长类动物智能的人工智能系统。自然界需要数十亿年才能实现进化的目标，而人类只花了数百万年，未来通用人工智能是可能的，未来计划创造小型类动物人工智能，学习分层次思考和规划，例如乌鸦和僧帽猴。
报告4 人工智能的最后一公里
报告者：国际人工智能联合会议理事会主席——杨强
1. 报告首先介绍了一个AI在企业中的应用：
以微众银行为例：业务咨询——身份核验——资料审核——操作放款，这些应用离不开大数据的支持，但数据的收集是有限和困难的。并且不同平台之间的数据是割裂的，不能互相共享。
2. 数据隐私和安全的挑战，国内数据监管的法律体系也逐渐严格化、全面化，使得这样的数据聚合变得困难。
基于这样数据融合的挑战，2016年谷歌首先提出了“联邦学习”：建立模型，使各个数据的拥有方，在数据不出本地的情况下，通过加密的模型实现共享。这个建立模型的过程就叫联邦学习。
3．模型需要分布式机器学习算法和各种加密算法
4.有三种模式实现联邦学习：
（1）横向联邦学习：
不同机构拥有同一用户的不同特征，将这些数据横向联合。
（2）纵向联邦学习：
不同机构之间虽然不共享用户特征，但共享用户ID。
（3）联邦迁移学习：
不同机构之间既不共享特征，也不共享ID，通过挖掘更深层次的抽象特征聚合。
6. 基于微众银行举了一个联邦学习的企业风控模型的例子，一方是互联网企业，拥有用户数据；另一方是金融企业，需要建立准确的用户信贷模型，可以利用纵向联邦融合这两个机构的数据。
7. 联邦学习既能利用大数据，又能保护用户安全和隐私，强调联邦学习已成为AI在学术界和工业界的趋势，要注重搭建联邦学习的生态环境。
报告5 未来将是多智能体的时代
报告者： 牛津大学计算机科学系主任——Michael Wooldridge
1.计算机未来的五大趋势：泛在性、互联性、委派性、人性化、智能化。
2.“智能体”，就是变成了一个“助手”的智能软件。它不是被动地等着我们下指令，而是积极主动地跟我们合作、工作，帮助我们解决问题。它改变了人类跟计算机互动的方式。大家可以在口袋中随身带着这样一个智能体。
3.计算领域一些有名的案例：云计算、对等计算、普适计算、语义网、物联网、网格计算、多智能体系统，都体现了这五大未来趋势。
4. Michael Wooldridge认为在五大趋势中，人工智能的未来在于智能体之间的相互互动。目前更多的是智能提跟人的互动，而未来智能体之间的互动将会变得更重要。
报告6 关于机器学习未来的一点浅见
报告者：南京大学计算机系主任——周志华
1.机器学习成功的背后离不开三点因素：
（1） 有效的模型，目前即深度神经网络；
（2） 数据的有效精准标注；
（3） 学习的环境较为稳定。
2.周教授提出“学件”的思想，学件 = 模型 + 规约，学件像硬件一样可以在市场上供人挑选。如果用户想做机器学习应用，只需运用学件即可，而不需自己从头重新建立模型。
3.在人工智能领域，学件 = 数据 + 算法
报告7 由“深”到“暗”：人工智能范式转换
报告者：加州大学教授——朱松纯
1.大部分产业界认为人工智能=大数据+计算能力+深度学习，但朱教授认为这只是人工智能的冰山一角。
2.“认知智能”
现在的人工智能普遍是“大数据+小任务”范式，这对数据提出了很高的要求；
以识别椅子为例，大数据会收集各种各样的椅子，来让神经网络学习这些特征，达到很高的准确率。但艺术家的创造力会带来意外，艺术家会设计千奇百怪形状的椅子。
3. 未来AI将是“小数据+大任务”范式。
仍以椅子为例，AI不再将椅子视为一种物体，而将其视为一种满足人类需求的功能，从人与椅子之间的空间形态，受力情况，价值函数等判断这是一张椅子。
类似地，AI通过观察人使用物体的场景和方式和意图，未来将实现从物体外在分类到对物体功能的理解。
4. 有了感知人工智能和认知人工智能以后，“通用人工智能”可能吗？关键是从大数据的视角转换到大任务视角，因为生活中的场景无穷无尽，不可能针对每一个任务去收集海量数据。
报告8 世界正在进行一场技术革命
报告者：宾夕法尼亚大学商学院副院长——蔡天文
1.大数据涉及到生活的方方面面，AI在个性化医疗方面的发展，将给社会带来很大福利。以“类风湿性关节炎”为例，个性化医疗的关键在于预测每种医疗方案的治疗效果。
2.大数据可以量化不确定性。
3.怎么在隐私和准确性之间找到平衡。关键在于怎么量化隐私。
4.准确性和速度怎么平衡，往往这两个目标不可兼得。
5．人工智能最大的挑战是人才的短缺。
报告9 浙江大学校长吴朝晖：
1. 人工智能可分为三个板块：
（1） 感知人工智能：基于大量的数据，对数据有很大的依赖性；
（2） 认知人工智能
（3） 强人工智能：未来人工智能的发展方向。
2.要加强多学科的交叉融合，目前的人工智能在计算机、认知心理学、脑科学、神经学实现了较多的融合，未来在社会学、农学等学科仍要加强交叉。
报告10 数据科学的十大挑战
报告者：哥伦比亚大学教授——周以真
1.数据生命周期：生成——采集——处理——存储——管理——分析——可视化——阐释，而隐私和道德问题贯穿全过程。
2.数据科学的十大挑战：
（1）对深度学习的科学理解
（2）因果推理
（3）宝贵的数据
（4）多个异构数据源
（5）不完全的噪音数据
（6）可靠的人工智能
（7）适用于数据密集型应用的计算系统
（8）
（9）隐私
（10）伦理