這輩子第一次。。。和10後的對話。。。太有意思了😀
以下文章來自創新工場微信公眾號。
………………………………
“10後”對話李開復:十萬個為什麼,你怕了嗎?
“人工智慧會摧毀人類嗎?未來能當人類的老師嗎?”
“人工智慧這麼厲害,我們給它斷電好不好?”
幾天前,在科幻作家郝景芳的新書《人之彼岸》發佈會上,創新工場創始人兼CEO李開復,與十幾位小朋友進行了一場有趣的對談。
期間200萬名家長通過多家直播平臺觀看了整場對話,不少家長說“開復老師原來這麼幽默”。
以下是開復老師和“10後”小朋友們的對話記錄,由WePlan童行計畫整理。
▌小朋友ASK:人工智慧會毀滅人類嗎?
開復老師答:人工智慧可以執行人的指令,舉個例子,如果現在我的面前有一輛無人駕駛汽車,我可以告訴它我要去某地,開到目的地它就會停下來。
但是如果我忘了告訴它,馬路中間有人的時候要刹車,它就會傷到人——也就是說,如果人給出的要求不夠清晰,車對人類就會有威脅。
所以這是因為機器不夠聰明嗎?如果人工智慧傷害了人,有可能是因為背後的人沒有把它教好,也有可能是因為駭客惡意地跑進去,所以我們開發人工智慧還是要很小心。
其實,人工智慧就是很多很可愛的小機器,我跟它說,你去下圍棋,它就會去下圍棋。它贏了,我就可以把它關掉了。
人工智慧雖然很聰明,但它跟小朋友一樣聽話,你們覺得這樣乖的人工智慧會毀滅人類嗎?
▌小朋友ASK:人工智慧會不會讓人類失去工作?
開復老師答:人工智慧一般只會做一件事情,它會把這件事做得非常好,但是別的事它統統都不會。
舉個例子,你們家裡面可能都有洗碗機,洗碗機比你洗碗洗得還好,但是洗碗機只能做這一件事情。
如果有小朋友問,哪怕人工智慧只做好一件事情,會做這一件事情就會取代一種人,最終人類總會全部失去工作,是這樣嗎?
其實並沒有,機器人還需要人教它如何做事情。我們的飛機、汽車也可以變成人工智慧,因為它會學習,可以變得越來越好,但是它本身不會發明飛機、汽車。
機器人是沒有創造性的,它只會把人發明的東西做到極致。
▌小朋友ASK:為什麼機器人只能記一樣東西,不能記兩樣東西?
開復老師答:假如我邀請你來我家,說,週三來我家吃晚飯好嗎,你說開復老師我週四要考試,那你是答應我,還是拒絕我了?(小朋友:肯定是拒絕,因為他週三得複習,不能熬夜。)
小朋友都能想出來的,機器人就想不通,如果我問機器人你跟不跟我一起吃飯,他可以給我可以或者不可以的答案,但機器人最笨的地方是問不了為什麼。
你要問機器人吃晚飯行還是不行,他可以給你答案,如果你說得委婉一點,它就蒙了。人的大腦,能夠跨領域思維,機器人就不行。
▌小朋友ASK:為什麼機器人是誰創造出來的,它就得聽誰的話呢?
開復老師答:比如我是教這個機器人怎麼走路的,如果它以後走路傷了人,我是要負責任的,所以它只能聽我的話。
如果萬一有壞人告訴它,你見到一個小朋友就要踢他(她)一下,這樣是不是就很糟糕了?我不但要確定它能夠聽我的話,我還要確定它不能聽別人講不好的話。
誰創造的這個機器人,他就要負責任,一定不能讓壞人去侵入機器人。
▌小朋友ASK:如果阿爾法狗停電了,它怎麼跟李世石比賽呢?
開復老師答:有人說想要打敗阿爾法狗,就讓它斷電。我們可以買一個技術叫做UPS(不斷電供應系統),它像是一個很大的電池,只要UPS大電池有足夠的電,能夠撐三四個小時,就打不敗它了。
當然,如果沒有大電池,你給它斷電了,阿爾法狗就算是認輸了。
問答環節之外,李開復還圍繞人工智慧時代的教育,做了一個簡短的分享。他認為,人工智慧時代,最核心的是要學會問兩個問題:“為什麼”和“為什麼不”。
▌李開復:人工智慧時代,要學會“為什麼”和“為什麼不”
我認為在人工智慧這個時代,教育是很大的挑戰。我覺得教育最核心的其實就是要學會問兩個問題:“為什麼”和“為什麼不”。
在人工智慧領域的經歷,讓我不擔心人工智慧會毀滅人類
其實我從小就接觸和學習電腦,我會教當年很大很笨的電腦下黑白棋,後來覺得不過癮,就教它學會語音辨識——識別1000個字。那時候就覺得,電腦技術離普及還很遠。
工作以後,我先後在蘋果、微軟、Google三個公司都做過人工智慧的研發工作。後來,我出來創辦了創新工場,幫助很多創新公司研發了很多人工智慧產品,比如無人駕駛的飛機。我們教機器人聽懂人的語言、股票交易、貸款風險評估、人臉識別,研發自動駕駛的送貨小車。
那現在這一代人工智慧和以前有何區別呢?關於這個問題,我建議大家去看景芳的新書《人之彼岸》第三章到第八章,你會發現,其實人工智慧就好比聽話的小朋友,會按照大人的指示去做一件事情,而且做得非常好。所以,我們不用擔心人工智慧毀滅人類。
“愛”與“創造”是人類獨有的、不會被人工智慧替代的
人與人工智慧是共存的,人工智慧它只會優化,不會創造;它只能解決一個人給它定義的問題,它其實不會真的思考,也不會舉一反三,也不會創造新的事物,也不會愛與溝通,所以我們覺得未來共存的情景,是人應該更多的去追求創造與愛,讓這些成為人生活的目的。
本來今天人生活的目的就是被扭曲的,大部分的人工作的動力就是創造財富或受人尊重。造物者把我們帶到這個世界上,真的就是重複這麼一個枯燥的事情嗎?還是說希望我們做一個真正有意思的事情。人工智慧是點醒了我們,回到我們尋找生命有意義的事情上,而不是勤奮工作就是你生命的意義。
AI是工具,就好像別人用word,你還在寫字,在起跑線上你就已經輸了。所以我們不用去在起跑線上同AI競爭,我們要儘早接受、擁抱、學習這一工具。我們要往創造和愛的道路上走,與AI和平共處。
未來我們應該如何學習?
第一個建議是:多問老師“為什麼是這樣”,知道“為什麼”才能舉一反三。也要問“為什麼不”,比如“為什麼人工智慧不會毀滅人類”的思考角度,會讓我們對這個問題有更立體、思辨的思考。
第二個建議是:做自己最愛做的事情。未來搶你工作的除了人類,還有機器人,所以只有做自己最有興趣的事情,才可能有競爭力。你會每天花很多時間去思考、嘗試這件事情,讓自己更有可能超越其他人,超越機器人。
▌郝景芳發起“童行”計畫,做面向未來的兒童教育
《人之彼岸》是《北京折疊》的續篇。《北京折疊》寫於2013年,在2016年獲得了雨果獎,郝景芳也成為了第二位獲得雨果獎的亞洲作家。
《人之彼岸》由兩部分組成,前半部分是非科幻思考,是兩篇關於人工智慧的科普文章,分別探討了人工智慧目前的能力和缺陷,以及在人工智慧時代,人類應該如何學習。後半部分是六篇中短篇科幻故事,從不同的視角描繪人工智慧世界的未來圖景。
當晚,郝景芳還發佈了面向AI時代的共用教育項目“童行”計畫,希望通過對“共用教育”的實驗和探索,實現優質的教育內容惠普共用的目標。
小朋友們和李開復的對談,就是“童行”計畫的第一期。此外,“童行”計畫還邀請了《三體》作者劉慈欣、北大知名經濟學家何帆等人,他們將陸續與小朋友面對面,分享思想、智慧、知識和經驗。
同時也有1部Youtube影片,追蹤數超過2萬的網紅呂聰賢,也在其Youtube影片中提到,word 2016教學...
word 2016 文 繞 圖 在 李開復 Kai-Fu Lee Facebook 八卦
創新工場“AI蒙汗藥”入選NeurIPS 2019,3年VC+AI佈局進入科研收穫季
本文來自量子位微信公眾號
……………………………………………………………………
NeurIPS 2019放榜,創新工場AI工程院論文在列。
名為“Learning to Confuse: Generating Training Time Adversarial Data with Auto-Encoder”。
一作是創新工場南京國際AI研究院執行院長馮霽,二作是創新工場南京國際人工智慧研究院研究員蔡其志,南京大學AI大牛周志華教授也在作者列。
論文提出了一種高效生成對抗訓練樣本的方法DeepConfuse,通過微弱擾動資料庫的方式,徹底破壞對應的學習系統的性能,達到“資料下毒”的目的。
創新工場介紹稱,這一研究就並不單單是為了揭示類似的AI入侵或攻擊技術對系統安全的威脅,還能協助針對性地制定防範“AI駭客”的完善方案,推動AI安全攻防領域的發展。
NeurIPS,全稱神經資訊處理系統大會(Conference and Workshop on Neural Information Processing Systems),自1987年誕生至今已有32年的歷史,一直以來備受學術界和產業界的高度關注,是AI學術領域的“華山論劍”。
作為AI領域頂會,NeurIPS也是最火爆的那個,去年會議門票在數分鐘內被搶光,而且在論文的投稿錄取上,競爭同樣激烈。
今年,NeurIPS會議的論文投稿量再創新高,共收到6743篇投稿,最終錄取1428篇論文,錄取率為21.2%。
▌“資料下毒”論文入選頂會NeurIPS
那這次創新工場AI工程院這篇入選論文,核心議題是什麼?
我們先拆解說說。
近年來,機器學習熱度不斷攀升,並逐漸在不同應用領域解決各式各樣的問題。不過,卻很少有人意識到,其實機器學習本身也很容易受到攻擊,模型並非想像中堅不可摧。
例如,在訓練(學習階段)或是預測(推理階段)這兩個過程中,機器學習模型就都有可能被對手攻擊,而攻擊的手段也是多種多樣。
創新工場AI工程院為此專門成立了AI安全實驗室,針對人工智慧系統的安全性進行了深入對評估和研究。
在被NeurIPS收錄的論文中,核心貢獻就是提出了高效生成對抗訓練資料的最先進方法之一——DeepConfuse。
▌給數據下毒
通過劫持神經網路的訓練過程,教會雜訊生成器為訓練樣本添加一個有界的擾動,使得該訓練樣本訓練得到的機器學習模型在面對測試樣本時的泛化能力盡可能地差,非常巧妙地實現了“資料下毒”。
顧名思義,“資料下毒”即讓訓練資料“中毒”,具體的攻擊策略是通過干擾模型的訓練過程,對其完整性造成影響,進而讓模型的後續預測過程出現偏差。
“資料下毒”與常見的“對抗樣本攻擊”是不同的攻擊手段,存在於不同的威脅場景:前者通過修改訓練資料讓模型“中毒”,後者通過修改待測試的樣本讓模型“受騙”。
舉例來說,假如一家從事機器人視覺技術開發的公司希望訓練機器人識別現實場景中的器物、人員、車輛等,卻不慎被入侵者利用論文中提及的方法篡改了訓練資料。
研發人員在目視檢查訓練資料時,通常不會感知到異常(因為使資料“中毒”的噪音資料在圖像層面很難被肉眼識別),訓練過程也一如既往地順利。
但這時訓練出來的深度學習模型在泛化能力上會大幅退化,用這樣的模型驅動的機器人在真實場景中會徹底“懵圈”,陷入什麼也認不出的尷尬境地。
更有甚者,攻擊者還可以精心調整“下毒”時所用的噪音資料,使得訓練出來的機器人視覺模型“故意認錯”某些東西,比如將障礙認成是通路,或將危險場景標記成安全場景等。
為了達成這一目的,這篇論文設計了一種可以生成對抗雜訊的自編碼器神經網路DeepConfuse。
通過觀察一個假想分類器的訓練過程更新自己的權重,產生“有毒性”的雜訊,從而為“受害的”分類器帶來最低下的泛化效率,而這個過程可以被歸結為一個具有非線性等式約束的非凸優化問題。
▌下毒無痕,毒性不小
從實驗資料可以發現,在MNIST、CIFAR-10以及縮減版的IMAGENET這些不同資料集上,使用“未被下毒”的訓練資料集和“中毒”的訓練資料集所訓練的系統模型在分類精度上存在較大的差異,效果非常可觀。
與此同時,從實驗結果來看,該方法生成的對抗雜訊具有通用性,即便是在隨機森林和支援向量機這些非神經網路上也有較好表現。
其中,藍色為使用“未被下毒”的訓練資料訓練出的模型在泛化能力上的測試表現,橙色為使用“中毒”訓練資料訓練出的模型的在泛化能力上的測試表現。
在CIFAR和IMAGENET資料集上的表現也具有相似效果,證明該方法所產生的對抗訓練樣本在不同的網路結構上具有很高的遷移能力。
此外,論文中提出的方法還能有效擴展至針對特定標籤的情形下,即攻擊者希望通過一些預先指定的規則使模型分類錯誤,例如將“貓”錯誤分類成“狗”,讓模型按照攻擊者計畫,定向發生錯誤。
例如,下圖為MINIST資料集上,不同場景下測試集上混淆矩陣的表現,分別為乾淨訓練資料集、無特定標籤的訓練資料集、以及有特定標籤的訓練資料集。
實驗結果有力證明,為有特定標籤的訓練資料集做相應設置的有效性,未來有機會通過修改設置以實現更多特定的任務。
對資料“下毒”技術的研究並不單單是為了揭示類似的AI入侵或攻擊技術對系統安全的威脅,更重要的是,只有深入研究相關的入侵或攻擊技術,才能有針對性地制定防範“AI駭客”的完善方案。
隨著AI演算法、AI系統在國計民生相關的領域逐漸得到普及與推廣,科研人員必須透徹地掌握AI安全攻防的前沿技術,並有針對性地為自動駕駛、AI輔助醫療、AI輔助投資等涉及生命安全、財富安全的領域研發最有效的防護手段。
▌還關注聯邦學習
除了安全問題之外,人工智慧應用的資料隱私問題,也是創新工場AI安全實驗室重點關注的議題之一。
近年來,隨著人工智慧技術的高速發展,社會各界對隱私保護及資料安全的需求加強,聯邦學習技術應運而生,並開始越來越多地受到學術界和工業界的關注。
具體而言,聯邦學習系統是一個分散式的具有多個參與者的機器學習框架,每一個聯邦學習的參與者不需要與其餘幾方共用自己的訓練資料,但仍然能利用其餘幾方參與者提供的資訊更好的訓練聯合模型。
換言之,各方可以在在不共用資料的情況下,共用資料產生的知識,達到共贏。
創新工場AI工程院也十分看好聯邦學習技術的巨大應用潛力。
今年3月,“Learning to Confuse: Generating Training Time Adversarial Data with Auto-Encoder”論文的作者、創新工場南京國際人工智慧研究院執行院長馮霽代表創新工場當選為IEEE聯邦學習標準制定委員會副主席,著手推進制定AI協同及大資料安全領域首個國際標準。
創新工場也將成為聯邦學習這一技術“立法”的直接參與者。
▌創新工場AI工程院科研成績單
創新工場憑藉獨特的VC+AI(風險投資與AI研發相結合)的架構,致力於扮演前沿科研與AI商業化之間的橋樑角色。
創新工場2019年廣泛開展科研合作,與其他國際科研機構合作的論文,入選多項國際頂級會議,除上述介紹的“資料下毒”論文入選NeurlPS之外,還有8篇收錄至五大學術頂會,涉及影像處理、自動駕駛、自然語言處理、金融AI和區塊鏈等方向。
┃兩篇論文入選ICCV
Disentangling Propagation and Generation for Video Prediction
https://arxiv.org/abs/1812.00452
這篇論文的主要工作圍繞一個視頻預測的任務展開,即在一個視頻中,給定前幾幀的圖片預測接下來的一幀或多幀的圖片。
Joint Monocular 3D Vehicle Detection and Tracking
https://arxiv.org/abs/1811.10742
這篇論文提出了一種全新的線上三維車輛檢測與跟蹤的聯合框架,不僅能隨著時間關聯車輛的檢測結果,同時可以利用單目攝像機獲取的二維移動資訊估計三維的車輛資訊。
┃一篇論文入選IROS
Monocular Plan View Networks for Autonomous Driving
http://arxiv.org/abs/1905.06937
針對端到端的控制學習問題提出了一個對當前觀察的視角轉換,將其稱之為規劃視角,它把將當前的觀察視角轉化至一個鳥瞰視角。具體的,在自動駕駛的問題下,在第一人稱視角中檢測行人和車輛並將其投影至一個俯瞰視角。
┃三篇論文入選EMNLP
Multiplex Word Embeddings for Selectional Preference Acquisition
提出了一種multiplex詞向量模型。在該模型中,對於每個詞而言,其向量包含兩部分,主向量和關係向量,其中主向量代表總體語義,關係向量用於表達這個詞在不同關係上的特徵,每個詞的最終向量由這兩種向量融合得到。
What You See is What You Get: Visual Pronoun Coreference Resolution in Dialogues
https://assert.pub/papers/1909.00421
提出了一個新模型(VisCoref)及一個配套資料集(VisPro),用以研究如何將代詞指代與視覺資訊進行整合。
Reading Like HER: Human Reading Inspired Extractive Summarization
人類通過閱讀進行文本語義的摘要總結大體上可以分為兩個階段:1)通過粗略地閱讀獲取文本的概要資訊,2)進而進行細緻的閱讀選取關鍵句子形成摘要。
本文提出一種新的抽取式摘要方法來模擬以上兩個階段,該方法將文檔抽取式摘要形式化為一個帶有上下文的多臂老虎機問題,並採用策略梯度方法來求解。
┃一篇論文入選IEEE TVCG
sPortfolio: Stratified Visual Analysis of Stock Portfolios
https://www.ncbi.nlm.nih.gov/pubmed/31443006
主要是對於金融市場中的投資組合和多因數模型進行可視分析的研究。通過三個方面的分析任務來幫助投資者進行日常分析並升決策準確性。
並提出了一個全新的視覺化分析系統sPortfolio,它允許使用者根據持倉,因數和歷史策略來觀察投資組合的市場。sPortfolio提供了四個良好協調的視圖。
┃一篇論文入選NSDI
Monoxide: Scale Out Blockchain with Asynchronized Consensus Zones
https://www.usenix.org/system/files/nsdi19-wang-jiaping.pdf
提出了一種名為非同步共識組 Monoxide 的區塊鏈擴容方案,可以在由 4.8 萬個全球節點組成的測試環境中,實現比比特幣網路高出 1000 倍的每秒交易處理量,以及 2000 倍的狀態記憶體容量,有望打破“不可能三角”這個長期困擾區塊鏈性能的瓶頸。
▌獨特的“科研助推商業”思路
國內VC,發表論文都很少見,為什麼創新工場如此做?
這背後在於其“VC+AI”模式。
最獨特之處在于,創新工場的AI工程院可以通過廣泛的科研合作以及自身的科研團隊,密切跟蹤前沿科研領域裡最有可能轉變為未來商業價值的科研方向。
這種“科研助推商業”的思路力圖儘早發現有未來商業價值的學術研究,然後在保護各方智慧財產權和商業利益的前提下積極與相關科研方開展合作。
同時,由AI工程院的產品研發團隊嘗試該項技術在不同商業場景裡可能的產品方向、研發產品原型,並由商務拓展團隊推動產品在真實商業領域的落地測試,繼而可以為創新工場的風險投資團隊帶來早期識別、投資高價值賽道的寶貴機會。
“科研助推商業”並不是簡單地尋找有前景的科研專案,而是將技術跟蹤、人才跟蹤、實驗室合作、智慧財產權合作、技術轉化、原型產品快速反覆運算、商務拓展、財務投資等多維度的工作整合在一個統一的資源體系內,用市場價值為導向,有計劃地銜接學術科研與商業實踐。
以AI為代表的高新技術目前正進入商業落地優先的深入發展期,產業大環境亟需前沿科研技術與實際商業場景的有機結合。
創新工場憑藉在風險投資領域積累的豐富經驗,以及在創辦AI工程院的過程中積累的技術人才優勢,特別適合扮演科研與商業化之間的橋樑角色。
於是,創新工場AI工程院也就順勢而生。
創新工場人工智慧工程院成立於2016年9月,以“科研+工程實驗室”模式,規劃研發方向,組建研發團隊。
目前已經設有醫療AI、機器人、機器學習理論、計算金融、電腦感知等面向前沿科技與應用方向的研發實驗室,還先後設立了創新工場南京國際人工智慧研究院、創新工場大灣區人工智慧研究院。
目標是培養人工智慧高端科研與工程人才,研發以機器學習為核心的前沿人工智慧技術,並同各行業領域相結合,為行業場景提供一流的產品和解決方案。
而且, 創新工場還與國內外著名的科研機構廣泛開展科研合作。
例如,今年3月20日,香港科技大學和創新工場宣佈成立電腦感知與智慧控制聯合實驗室(Computer Perception and Intelligent Control Lab)。
此外,創新工場也積極參與了國際相關的技術標準制定工作。例如,今年8月,第28屆國際人工智慧聯合會議(IJCAI)在中國澳門隆重舉辦,期間召開了IEEE P3652.1(聯邦學習基礎架構與應用)標準工作組第三次會議。
IEEE聯邦學習標準由微眾銀行發起,創新工場等數十家國際和國內科技公司參與,是國際上首個針對人工智慧協同技術框架訂立標準的專案。
創新工場表示,自身的科研團隊將深度參與到聯邦學習標準的制定過程中,希望為AI技術在真實場景下的安全性、可用性以及保護資料安全、保護使用者隱私貢獻自己的力量。
word 2016 文 繞 圖 在 新思惟國際 Facebook 八卦
💡 多篇論文的實戰經驗,系統化的教學!
之前上過坊間一萬多元的論文課程,唯一的印象就是老師留下連絡方式,說有問題可以連絡,以及論文投稿要從分數高的的先丟,再慢慢降下來丟,但許多重點和要訣卻沒有提到,收穫有限。
相較之下,蔡校長和陳一銘醫師直接講醫學研究論文和發表的重點,補充很多實際例子,圖文說明,而這些都是他們多篇論文的血淚經驗萃取出來的。
⚠ 10/13 最新梯次,名額告急!
席次有限,想報名的朋友,要抓緊時機趕快上車了~
立刻報名|https://mepa2014.innovarad.tw/event/
▒ 上完這門課,統計不再是負擔。 ▒
最令人期待的互動時間,由新思惟提供有趣的資料,讓學員實際操作,使用推薦的軟體搭配 PowerPoint 和 Word,新手也可以作出漂亮的圖片和表格,加上助教們也熱情的教學及補充,一直以來就是新思惟課程的賣點。
研究方法,經由陳一銘醫師整理分析後,竟可以簡單扼要,讓視統計為麻煩的我,得到希望。
▒ 兩年,八篇SCI 論文。▒
從 2017 年初第一篇 SCI 誕生到 2018 年中,共有 8 篇 SCI 論文被接受(扣除 1 篇已被 JCR 除名的 Oncotarget,囧…)。
記得 2016 年還在為第一篇 SCI 努力時,蔡校長曾對我說:「你這樣繼續努力下去,不久後應該可以破 10!」那時真的覺得他在嘴砲我,不過現在快自己打自己臉了…XD。
▒ SCI 天天有 ▒
📣 2018 年 6 月,新思惟研究校友共發表 41 篇!單月破 40 啦!
2017 全年共 300 篇論文發表,2018 年 1-5 月論文發表數已多達 161 篇的工作坊!平均每月超過 30 篇論文發表,協助多位校友突破困境、得到被挖角機會,或在體系內獲得升遷,往更好薪酬與發展邁進!
📣 講者簡介
#陳一銘:與科內的實驗室、國衛院、老人醫學 與 健保資料庫 的團隊均有合作,主題圍繞著老人醫學與免疫風濕專長,發表超過 90 篇 SCI 論文。四度獲得「青年醫師論文獎」。
#吳爵宏:連續兩篇 original article 於頂尖期刊 Radiology 刊登,並獲邀與雜誌主編連線訪問,錄製 Video Podcast,向全世界讀者介紹研究成果,發表超過 35 篇 SCI 論文。
#蔡依橙:SCI 文章超過 60 篇,聚焦在自己的專業核心、投稿命中率高達八成、標竿論文引用超過 100 次的策略型研究者。曾指導多位醫師發表 SCI 論文,並登上國際舞台。
▒ 學術起步的最佳首選 ▒
🔹最新活動|10/13(六)醫學論文與寫作工作坊
🔹立刻報名|歡迎您來,一起成為登上 PubMed 的傑出校友!
https://mepa2014.innovarad.tw/event/