&AI&科技评论刚刚出炉了&2016&十大&AI&演讲盘点，不少热心读者感到疑惑：为什么这里面列举的都是国外大牛，怎么不见咱们国内的知名学者们的演讲整理？这不，雷锋网已经整理出了国内过去一年来的精彩演讲，一同随&AI&科技评论看看，哪位大神的高见让你受益匪浅？本文排名不分先后，欢迎各位读者在评论区畅所欲言，说说你们心中的最佳&AI&演讲吧。高文：回顾过去，展望未来北京大学信息科学技术学院教授。中国工程院院士、ACM/IEEE&Fellow、CCF&-&GAIR&·&全球人工智能与机器人峰会大会主席高文院士这一年参加的演讲不少，但主要都是围绕人工智能的历史与未来展开的。如果你对人工智能非常感兴趣，想对&60&年的浪潮有一个详细的了解，那么不妨看看他在&CNCC&2016&上所做的《人工智能--螺旋上升的&60&年》演讲，39&页&PPT&向读者们展示了一个呈螺旋式上升的人工智能历程。从&2006&年的第三次机器学习浪潮来看，高文院士认为有两个因素促进了深度学习的成功：一个是硬件的进步：硬件越来越便宜，计算能力越来越强。第二个是模型和参数调整技巧的进步。而在高工机器人年会闭幕式上，高文院士发表主题报告《人工智能的前景与挑战》，主要针对大环境下的人工智能进行了一些研究和探讨，雷锋网对他的详细演讲进行了报道，可以点击下方链接查看。还想了解下高文院士都说了些什么其它内容？欢迎阅读雷锋网此前报道：CNCC&2016&|&中国工程院高文院士&39&张&PPT&带你看懂人工智能&60&年浪潮中国工程院院士高文：下一波浪潮和AI的未来&|&2016&高工机器人年会值得一提的是，高文院士也倾情为我们&AI&科技评论做了个小广告，也欢迎大家以此途径查看他的演讲内容。在此也向高文院士对AI科技评论的关注致以感谢！周志华：57&页&PPT&告诉你，机器学习的本质是什么？周志华教授主要从事人工智能、机器学习、数据挖掘等领域的研究，他除了在&CNCC&2016&上发表过演讲外，在今年的&KDD&China&技术峰会上也做过分享。周志华教授以「文献筛选」作为例子，让观众们在活泼的例子教学中就明白了关于机器学习的「是什么」「为什么」「怎么做」三个方面的问题。在演讲的最后，周志华教授提出了几点总结，雷锋网摘录如下：深度学习可能有「冬天」，它只是机器学习的一种技术，总会出现更「潮」的新技术；机器学习不会有「冬天」，只要有分析数据的需求，就会用到机器学习；关于未来的思考：1、技术上：一定是能有效利用&GPU&等计算设备的方法（未必是深度学习）；2、任务上：开放环境的机器学习任务特别重要（鲁棒性是关键）；3、形态上：希望是从现在的「算法&+&数据」过渡到「学件」的形态。如果要对未来这三点加上一个预测期限的话，分别是&5&年、10&年、15&年。如果对周志华教授的演讲感兴趣的话，可以点击以下链接阅读。周志华&KDD&China&技术峰会现场演讲：深度学习并不是在「模拟人脑」CNCC&2016&|&周志华&57&张&PPT&揭开机器学习本质杨强：从深度学习到迁移学习说完了人工智能展望、深度学习的分析后，接下来雷锋网要介绍的是迁移学习。诚然，深度学习在有即时反馈的领域和应用方向有着一定的优势，但在其他领域则不行。「目前解决这种反馈的时延问题需要强化学习来做。而在明天，则有更多的地方需要迁移学习。」香港科技大学教授、第四范式首席科学家杨强在雷锋网承办的&CCF-&GAIR&全球人工智能与机器人峰会大会上，为大家讲述了人工智能要取得成功应当具备的五个必要条件和迁移学习的本质。杨教授认为，迁移学习是深度学习与强化学习的结合体，能够将适用于大数据的模型迁移到小数据上，实现个性化迁移，这样一来能够避免数据寡头的出现。他通过谷歌&DeepMind&的应用实例讲解强化迁移学习和三层结构算法模型，指出了人工智能成功的五个必要条件——清晰的商业模式（明确的目标）、高质量的大数据、清晰的问题定义和领域边界、懂人工智能的跨界人才及计算能力。此外，杨强教授还在今年的&KDD&China&上做了主题为《从深度学习到迁移学习》的演讲，详情可以点击链接查看。香港科技大学杨强&KDD&China&技术峰会演讲：迁移学习的本质与实际应用杨强教授&PPT&解密：如何在人工智能浪潮中少走弯路｜CCF-GAIR李德毅：如何实现无人驾驶的驾驶脑中国工程院李德毅院士今年已经&73&岁高龄，但作为自动化和人工智能专家，李院士一直紧密关注着智能车产业的生态环境、工程化实践与未来发展。在中国第三届机器人峰会上，李院士分享了在无人驾驶领域的研究和观点。他认为，驾驶活动更多的是技巧，记忆和经验，而不是知识、推理和计算。驾驶脑的差异，反映是个人的智力和运动协调能力的差异，世界上没有两个完全相同的驾驶脑。「这才叫机器人。我们想将来车上跑的驾驶脑也是一样的。真正开车的不是汽车本身，而是驾驶员，人的认知，要把脑和机器融合在一起才行。所以我们主张在我们机器人里面，有一个调试总线扩展为自学总线，可以学习人是怎么开车的。然后机器人开车时候扮演的角色，主要是通过学习的东西消化吸收，深入学习，变成了自己的行为。雷锋网已经为大家整理好了他的完整演讲附&PPT，赶紧点此阅读吧。李德毅详解：无人驾驶的核心在驾驶脑｜中国机器人峰会李航：华为实验室是怎么做深度学习的？杨强教授是华为诺亚方舟实验室的第一任主任，自然这个实验室主要针对的是机器学习、人工智能及数据挖掘方面的研究了。现任实验室主任李航在今年雷锋网承办的&CCF-GAIR&大会上向观众分享了人工智能在手机领域的应用研究。李航在演讲中表示，华为诺亚方舟实验室的其中一个愿景，就是打造一个全智能化的智能移动手机终端，用户将通过自然语言的方式从终端获取一切想要的信息和协助。而在年底的&KDD&China&上，李航做了题为《自然语言处理中的深度学习：过去、现在和未来》的演讲，结合具体的&NLP&技术，介绍了自动问答系统、图片检索、机器翻译、自然语言对话的各种应用结合。李航认为，未来自然语言处理深度学习的发展趋势，应该是一个神经处理和符号处理的结合的混合模式。还等什么？赶紧看看雷锋网关于李航的相关报道吧：AIR&019&|&华为诺亚方舟实验室主任李航：我们在人工智能领域的愿景与实践华为诺亚方舟实验室主任李航：自然语言处理的未来趋势洪小文：人工智能如何与人类智能共同进化？今年在韩国举办的「二十一世纪的计算」学术研讨会以人机协作（Human&and&Machine&Working&as&a&Team）为主题，现任微软全球资深副总裁，微软亚太研发集团主席，兼微软亚洲研究院院长洪小文博士做了题目为《人工智能与人类智能的共同进化》（Co-Evolution&of&Artificial&Intelligence&and&Human&Intelligence）的演讲。在演讲中，洪小文提及人工智能有三个不同的技术层面，包括计算机视觉识别、自然语言理解及数据分析&可视化。「人类智能的优越性在于从小样本中、甚至&0&样本中进行学习和推理。而以深度学习为代表的人工智能技术则更适合从大数据中学习。」那么人工智能中的「智能」，根据洪博士的理解，主要分为四大层面：功能、智能、智能及智慧。而截至目前最聪明的机器也只是达到了「智能」层面，因此他认为只有把人类智能与人工智能进行组合，才能实现真正的「共同进化」。详细&PPT&可参看：二十一世纪的计算&|&微软亚洲研究院洪小文54页PPT讲述人工智能和人类智能的&“共进化”颜水成：360人工智能的四大应用布局原新加坡国立大学教授，现任360&首席科学家、人工智能研究院院长颜水成在今年也发表演讲，介绍了&360&是如何做人工智能的。按照颜教授的说法，360&的人工智能最基本的布局比较全面，覆盖了人工智能的多个方向，具体包括：一是视觉感知，对图象和视频的分析；二是语音感知；三是语义感知，希望智能硬件能够和用户进行对话和交流；四是大数据分析，我们也希望深度学习能够发挥在大数据方面的积极作用。而颜水成在今年雷锋网承办的&CCF-GAIR&大会上同样向我们分享了&360&的一些研发进展。「从研发角度来说，我们主要做了两件事：一方面是当我们有了大数据之后怎样更加快速的把这个模型训练出来？另外是从智能硬件的层面来说，除了传统的人工智能，在云上的使用还有一个很重要的场景是端上的人工智能。」颜教授表示在未来会从业务与研究层面用人工智能提供服务。360首席科学家颜水成：我们如何做人工智能？AIR&022&|&腾讯、小米、360、今日头条眼中的机器学习张钹：后深度学习时代，我们应该……那么在后深度学习时代，我们又需要以怎样的态度看待人工智能呢？清华大学张钹院士在今年的&CNCC&大会上做了主题分享，他认为后深度学习时代的人工智能，就是想把人工智能从这个狭义的，只能解决一定范围的方法，推广更宽广的范围去，也就是从弱人工智能、强人工智能、到通用人工智能的演进。而张院士也认为在这一过程中，可能会遇到三个方面的挑战。1.&概念统计方法带来的困难；「深度学习区分的是重复的模型，但大脑区分的是语义的特征，这两种区分有本质的区别，但是有关联。」2.&生数据带来的困难。张院士认为，大数据实际上掺杂了很多噪声，生数据的鲁棒性自然会比处理过的数据表现更差。3.&推广与迁移的困难。如何将弱人工智能推广到通用智能，也就是举一反三的层面，这点目前人工智能的表现还比较局限。张院士提出了两个解决方案，一个是将数据与知识驱动结合起来；另一个是回归神经网络的本源，如何学习人类神经网络的思维模式，再将这套方法移植到机器身上来。而在演讲的最后，张院士指出，人工智能的发展要更加依靠学科交叉，特别是数学、认知科学、心理学、神经科学及语言学等。CNCC&2016｜清华大学张钹院士起底：&后深度学习时代的人工智能邢波：人工智能有哪三大机遇？在数博会人工智能与大数据主题论坛上，卡耐基梅隆大学计算机科学系教授邢波做了一个系统性的演讲。在会上，邢教授指出人工智能存在三个方面的机遇。首先是理论基础与实际需求仍有差距。包括了数学模型本身在表达性、迁移性、透明性与可调性上的局限；以及算法工具在速度、稳定性及收敛保障上的不足。其次是如何跨越已有操作系统与&AI&任务需求间的鸿沟。在不同平台上实现&AI&非常困难。「由于大数据的产生，我们对于系统的需要和部署能力有更高的要求，譬如希望在不同平台上，能在不同的移动设备，云的设备上不同平台上跑同样的软件，目前这些问题都没有解决。」最后一点在于未来通用硬件的构造会是什么样。从低功耗的&CPU/GPU、到更多核的&CPU/GPU、更大的&RAM&及闪存存储、或是量子计算甚至是&DNS&计算等不同于冯·诺依曼计算机的计算模型。卡耐基梅隆邢波眼里的人工智能：它的价值在于通用性谭铁牛：大数据时代里，模式识别的机遇在什么地方？中国科学院副院长谭铁牛在&CNCC&上做了《大数据时代的模式识别》为主题的分享。基于人工智能的相关演讲已经多如牛毛，谭院长便为大家做了更为具体的介绍。「（模式识别）用我自己的语言来说就是：世上万物，不管是物质的还是精神的，看得见还是看不见的都是一种模式。」他认为，深度学习之所以火，便是获取提升模式识别的一种能力。而基于目前现状，谭院长概括出了以下几个现状：面向特定任务的模式识别已取得突破性进展，有的性能可与人媲美。统计与基于神经网络的模式识别目前占主导地位，深度学习开创了新局面。通用模式识别依然任重道远。鲁棒性、自适应性和可泛化性是一个进一步发展的三大瓶颈。而针对现在的机遇，谭院长总结了三点：首先是数据利用，成为信息服务与知识服务的渠道。第二点是推动理论与方法创新；第三点的想法与张钹院士的做法一样，就是加速学科领域的交叉与渗透。此外，谭院长还提出了几点值得关注的研究方向，包括：面向大规模多源异构数据的鲁棒特征表达；结构与统计相结合的模式识别新理论；数据与知识相结合的模式识别；具有鲁棒性和自适应性的生物启发模式识别；基于跨领域跨模态知识迁移的模式识别；以互联网为中心的模式识别。想知道谭院长还提出了哪些真知灼见？欢迎点下面的链接查看。CNCC&2016&|&中科院谭铁牛：大数据时代的模式识别叶杰平：机器学习如何用于滴滴打车？叶杰平教授是机器学习领域的国际领军人物，现任滴滴研究院副院长，美国密歇根大学的终身教授。他在今年的腾讯大数据峰会暨&KDD&China&技术峰会解密了机器学习在滴滴中的大规模应用。雷锋网此前覆盖过&MIT&所做的最新车辆调度系统，其中同样也运用了机器学习的算法。比起尚未正式运用到实际领域的&MIT&研究成果，滴滴的算法已应用于预测目的地、估价、拼车、匹配司机、热力图等一系列实际场景中。而滴滴人工智能的核心就在于订单的分配上。叶教授指出，滴滴实现订单最优匹配需要遵循这两大核心：做出最优路径规划，预估时间。此外，在评估乘客体验及打分系统的权重上，滴滴人工智能也运用了不同的算法，以带给用户更好的乘车体验。关于叶教授的更多演讲细节，可以看看雷锋网所做的详细整理：滴滴研究院副院长叶杰平：揭开滴滴人工智能调度系统的真面目为大家介绍了&2016&年十位国内学术大牛的精彩演讲，但实际上更多精彩的演讲因篇幅所限无法一一覆盖，也希望读者们关注&AI&科技评论，与我们分享你心中的经典演讲吧！怎样制作可爱的小馒头_百度知道
怎样制作可爱的小馒头
我有更好的答案
用料 &南瓜 & &小白菜 & &西红柿 & &面粉 & &300克 & &酵母 & &3克 & &水 & &可爱的动物小馒头的做法 &把南瓜，小白菜，西红柿洗净切块把蔬菜分别放入料理机榨出蔬菜汁100克面粉放入酵母的比例是1克，将1克酵母加少许白砂糖用温水溶化静置5分钟100克面粉里加入酵母水，再慢慢加入南瓜汁，搅拌均匀，揉成南瓜面团。（小白菜面团和西红柿面团同理，都是100克面粉，加入1克酵母，再慢慢倒入小白菜汁和西红柿汁）发至两倍大，这是发酵好的西红柿面团把发好的面团放到面板上，擀平，薄厚根据个人喜好。用模具按压成各种动物形状，进行装饰即可营养美味又可爱的动物小馒头出锅啦！
采纳率：99%
来自团队：
为您推荐：
其他类似问题
您可能关注的内容
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。正在阅读：还在纠结买什么蓝牙音箱？也许这几款就适合你还在纠结买什么蓝牙音箱？也许这几款就适合你
　　【Pconline导购】当你在野外露营的时候，是不是特别想有个音箱，边看着漆黑的夜空，边听音乐，享受这自由自在的夜晚？当你打算在家开个Party的时候，是不是特别想有个音箱，打造动感劲爆的音乐氛围？当你在家看电影时，是不是特别想有个音箱，让家里立马变成影院，让音效立体环绕，强劲十足？当你在休息的时候，是不是特别想有个音箱，放点舒缓解压的音乐放松自己？现在，小编就推荐几款蓝牙音箱给还在纠结买哪款的你，也许有你喜欢的哦。&推荐产品：JBL SD-12参考价格：248　　JBL是来自美国的老牌子，创始于1946年，历史悠久。小编推荐的这款价位是在两百到三百价位的蓝牙音箱。它是一款比手机还小的音箱，尺寸仅118.5&78&34mm，净重176克。这么小巧的音箱，我们可以放兜里或者放桌上，我们真的可以随时随地的外放音乐了。电商价格读取中...　　它虽然迷你小巧，但功能却不少呢。如果你不想听音乐，想听广播节目，这款耳机就能帮你实现，它有FM收音机功能，我们可以收听到电台广播节目呢。它虽然小，但能续航6小时呢，真的是小身板，大能力。它支持TF内存卡，可以当mp3使用，即使手机不在身边，也能随时听音乐了。如果你没有找到蓝牙链接的话，它设置的3.5mm接口和aux接口完美的解决了你的问题，你可以有线链接设备播放音乐。　　推荐理由：它最大的特点是非常小巧，去哪都可以带着。如果你不需要那种震耳欲聋的音量，比如给孩子听故事，给老人解解闷，或者日常的听听音乐，这款很不错呢，能满足日常需求。&推荐产品：山水T5参考价格：228　　山水T5外形经典简约，是一款放在桌面上的蓝牙低音炮音箱。山水T5有着震撼的大音量，很适合看电影。它功能又很多，真的是物超所值。电商价格读取中...　　一款蓝牙音箱所支持的蓝牙协议很重要，山水T5支持的是蓝牙4.2版本的，这个版本拥有功耗低、信号传输稳定、连接速度快、抗干扰能力好等优势。内置两个扬声器，声音立体环绕。还设置了重低音辐射器，低音浑厚有力。音频调试成高中低三频均衡的模式。　　推荐理由：山水T5功能很多，可以听收音机，可以插tf卡，插U盘和有线链接，支持免提通话，能断点记忆，能8小时长续航。这么多功能，价格才两百多，你心动了吗？&推荐产品：JBL Xtreme参考价格：2699（京东plus会员2499）　　这款好评很高，外观别具一格，又很潮，真的是逼格满满。而且，它还是一款值得收藏的音箱呢。如果你喜欢低音，喜欢重金属，想打造很嗨的氛围，这款非常适合哦。电商价格读取中...　　接下来，我们来看看它的配置，它配了两个63mm低频单元和两个35mm动态高频单元，这能让我们听到激情澎湃的音乐效果呢。外表采用防溅织物材质，无论你是游泳派对还是烧烤聚餐，或者户外登山徒步，都不怕有水溅到它了。它还支持来电接听，能实现通话外放清晰通透。　　推荐理由：如果你想要震撼强劲，3D立体，低频出众的音效，这款很适合你哦！它有着15h长续航，防水材质和免提通话功能。如果你预算够是话，这款值得拥有！&推荐产品：B&O BeoPlay S3参考价格：1088　　B&O是一个顶级有名的老牌子，它的品质值得信赖。它的外观奢华时尚，很有艺术感，摆在桌上还以为是一件艺术品呢。它的音质完全超出你的想象，高音甜美不尖锐，中音清晰，低音浑厚。　　电商价格读取中...　　它通过s3的外形设计，和来自正十二面体的灵感，使得B&O BeoPlay S3拥有几何之美。配置2&35 D级功放联合双扬声器，3/4英寸的高音单元，4寸的低音单元，能实现大音量的多重音效。S3的dsp计算法则，可以产生360&环绕声效果。采用的APTX技术，可以给我们带来CD级的音质。　　推荐理由：B&O的好口碑，艺术感的外形，声音又耐听，不会像很多其他低音炮音箱那样，听久了耳朵难受，音质也没的说，超级赞。这些都足矣让我们控制不住的剁手买买买了!&推荐产品：罗技（Logitech）UE BOOM2 无线蓝牙参考价格：1399　　在鼠标和键盘这些配件上口碑不错的罗技，也推出了便携蓝牙音箱。今天，小编推出的这款蓝牙音箱是UE BOOM系列的升级版，与上一代相比，UE BOOM2增加了新配色和网状织物元素，防水等级达到IPX7级。UE BOOM2外观是圆柱形，直径67mm，高180mm，带着它就像带着一瓶水，非常的便携。头顶有个D环，可以挂在自行车、身上等任何地方，非常的方便，在户外就能轻松的找地方放音箱了。电商价格读取中...　　 UE BOOM 2性能非常强悍，30m的无线蓝牙范围非常的震撼，普通蓝牙音箱都在10m，它范围扩大到了30m，用户即使离的很远，也不担心用不了了。不管是跳广场舞，还是和朋友户外聚会，都可以放心放音乐了。它防水能力升级后，等级达到IPX7级，这是什么概念呢？就是把它放在1m深的水里长达30min，它也能播放自如，不损坏。普通的水溅到音箱上，这都不是事儿。就连在浴室洗澡听歌，户外漂流，户外碰上暴风雨等等，这些情况下用户都不用担心把他用坏了。　　推荐理由：UE BOOM 2防水、防震、防尘、便携等这些性能都非常好，声音能360&环绕，通过它配套的APP，能远程操作音箱，能获得音箱升级程序，还能使用&街区聚会&和&双倍音效&等扩展功能。可以两台音箱通过APP连接播放同一声源，更值得一提的是，它续航长达15小时，续航超级长，旅行携带非常省心。&　　总结：这几款蓝牙音箱各有特色。相信经过小编的介绍，你已经选好了心仪的那款了。如果你还是纠结的话，你可以从价格、功能、音质和外形上综合考虑选择哪款。
浏览本产品的网友还关注：
浏览本产品的网友还关注：
外设配件图赏
外设论坛帖子排行
最新资讯离线随时看
聊天吐槽赢奖品AI+HI是终极智能形态
微软全球资深副总裁、微软亚太研发集团主席、微软亚洲研究院院长洪小文
我今天用一个方法来介绍一下，大家对未来人工智能哪一些东西能做，哪一些东西不能做。首先跟大家介绍一本书，这本书叫做《Thinking，Fast and Slow》，这本书的作者是是一个诺贝尔经济奖的得主，这本书是商学院经济学系通常都会用的，他把人类思考的行为分成两大块，一个是我们不假思索，一秒钟之内就想好的。还有一个东西我需要想，而且要想很久，这里面我再细分，分成有些东西我们想的非常快，比如说给你看一个是猫还是狗？这个可以马上回答。还有一些要思考很久，比如说大家看到这个剧照，这是一个喜剧还是一个悲剧？
这种东西显然要稍微想一下。这是一部美国电影，如果有人认识这个男演员说他拍的90%是喜剧，就猜错了，这是他拍的很少数悬疑的悲剧叫做《23》，所以必须要拿着图片去找，就算有这些录像还要一帧一帧的去找，或者要做一个人脸识别那个女的是谁，再查这两个人同时在哪一部电影出现。
还有一个问题，大家都知道我们去年决定收购LinkedIn，现在已完成收购，这种事情在商业里面常常都是这样，我们该不该，该花多少钱收购他们，这种问题基本上都是大的决定，一辈子只做一次。既使你说去年我们决定不买，今年决定想买的话价格也不一样，时过境迁什么都不一样了，你要重新思考。
人也有很多这样的问题，你们进北大以前该报考哪一个学校，该报考哪一个系，我保证你们要稍微想一想，我不相信有人说10秒钟就知道决定。甚至于人生大事男女朋友该不该跟对方求婚，这种人生大事你一定想了很久，而且还问了很多人的意见，最后你做出决定，这种事情都是想很久。
现在我目前用人工智能所做的项目，特别是微软所做的跟大家介绍一下，以这个为例子，不是微软自己做，大家都在做。
第一个问题就是作为感知的问题，语音识别、图像搜索、图像识别，大家可能知道有一个ImageNet，在计算机图像识别上是一个公开的database，每年都有比赛，微软在2015年12月份凭借深层神经网络技术的最新突破，第一次超越了人的水平，实现了错误率3.5%，而人的是5.1%。大家到今天一定听说过什么叫深度学习，当时我们拿到第一名的时候，是世界上第一次用上百层，到现在已经上千层了。
大家可能会说深那就越深越好，但真正做的时候你就会知道，你越深需要Data越大，需要计算量更大，很多时候是跑不完的。怎么样让一样的data能够把结果做上去，同时还能够算出来，这个东西还需要很多的研究和功力。而且深度学习只是在辨认哪一些是图像，实际上一个图像里面有很多物体，像一个简单的照片里面就有十几种物体，不但要辨认出每一个是什么，还要把它划出来才有用。有另外一个比赛COCO，这里面比的是比划出来还难，要做到像素级别的识别才算正确。微软亚洲研究院我们多年参加这个，2015年我们是第一，去年也是第一，而且领先很多在业界大家很熟悉的人工智能很牛的公司。
我们这个算法不止可以做的很准确，还可以做的很快，所以我们在Video每一帧每一帧去做，最起码24帧甚至有到60帧的，我们可以做到实时，所以就可以做很多应用。
刚才讲的只是把它框出来，甚至还有一个task叫你要讲出这个图片要干什么。所以给你一个Video就更难，有一个人在弹琴，有一个人在读书，要把这个做成一个服务，大家有兴趣可以看一下www.captionbot.ai，你可以上传任何一个照片，像这个不仅知道它是三明治，还知道三明治被切了一半，我们刚才讲的VideoCaption也有这个技术。
微软对于这些认知、感知，我们就把它做成微软认知服务，里面有计算机视觉、语音识别跟自然语言，知识还有搜索，都把它做成API每个人都可以调用，让学生们、老师们和各个开发者不需要掌握人工智能的专业知识，也可以开发出属于自己的智能应用。目前为止，Uber、可口可乐等都用我们的人脸识别做了很多东西，像Uber，司机要开车以前会跟Uber登记他是谁谁谁，要做一个人脸识别，确定他是那个人，不能代驾，他才可以接Uber的活，这个是用我们的技术。
机器翻译其实在中国现在用处是最大的，很多游戏在国外有玩家玩，在上面就可以做。LUIS可以做聊天机器人，中国中信集团，新加坡政府等都在用。我们最近刚上线的就是OCR甚至是手写OCR，在我们的OneNote等上面都有。我们不仅在做API，同时我们也在做应用，其中一个很有名的叫做How-Old.net，两年前推出的时候，一时之间马上变得全世界疯狂，上传照片就可以知道图里的人是男的还是女的，几岁，很多人到今天还不知道这个是微软做的，而微软做这个的目的不是要做应用，目的是要展示微软认知服务的特性，因为How-Old.net里面源代码总共只有几行，有了API想一些设计参数以后就上传照片，回来就有这些照片里面所有的信息，所以整个应用只用了几行代码，我们做这个的目的就是要让AI普及化，让大家能够有一些好的想法去做AI的应用，不需要每一个人都把所有的AI技术去学一遍。
在中国我想大家知道微软小冰，日本叫Rinna，在美国叫Zo，小冰到今天其实是各个智能的结合，它不仅有自然语言的聊天，它也有语音，它也有视频，也有照片，譬如说像有人上传一个狗的照片，小冰的目的不是说辨别这是什么狗，通常人看到狗可以聊什么呢，可以聊狗的主人，可以聊什么样的人喜欢这个狗，你可以说哪一个有名的人长的很像这个狗。这样的话就有东西可以聊下去，我们对小冰衡量的方法就是用户跟小冰聊了几个回合，一问一答叫一回合，目前小冰在中国大概平均是25轮，25轮很了不起，因为你自己跟你朋友亲人微信上聊的话，我估计每次大概是3到5轮，小冰是平均25轮。
同样，我们跟京东合作我们有这些书，如果说辨别书，这是哪一本书那就聊完了，所以你可以聊书的内容。
在书方面，可以聊作者，聊喜欢什么类型的书；在衣服方面，可以辨认出布料，种类，款式。我们会在社交网络上看大家的聊天内容，如果大家接下来会聊针线活，那么机器可能也会聊同样的话题。在人的方面，主要是认知服务，机器能够根据照片判断性别，年龄，twins or not。如果颜值在一个区段，可以聊外表；如果颜值在另一个区段，可以聊内心。小冰是所有这些感知服务的集成。
第二个问题就是think a little bit slow，很多问题很复杂。在我看来每一件产品都是可以应用这张图。如果现在有一个sensor（传感器），就可以在物理世界收集数据，接着可以进行分析、决定下一个产品要做什么，下一个行业要做什么，之后再有actuator（驱动器）。比如，我想治理北京附近的河流，先有一个 sensor 去测试水值，之后再分析、决定。每一次完成一个loop都会进步，完成的越多，进步越明显，这在控制工程中叫feedback（反馈回路）。以前我们要派人去收集数据，需要花费很多时间。如今，我们有IoT，随时随地可以收集数据。
人的身体也是如此。在加护病房中，会测试病人的钾、钠等元素，一旦发现数据偏离正常值，医院就会有所行动，使得人体维持在正常水准。以后，当人长出第一个癌细胞的时，可能就知道，越早发现就越容易治疗，可以利用穿戴式设备等。我刚才讲的触发者和传感器，就是所谓的物联网，能够收集大量数据。如果有大量的运算能力，你就可以把它自动起来，当然也包括很多深度学习的算法。
现在为什么AI这么红火，虽然这个系统很复杂，但是可以自动化，把它连起来。举一个商业例子，叫预防性维修（PredictiveMaintenance），与刚才异曲同工。
微软大楼里面都有电梯，以前怎么维修。一旦电梯坏了，就打电话让电梯公司来维修，电梯公司隔了几天派人到这个大楼来，然后将一个东西插上去，叫rs232。接上去以后像一个PC，下载一些数据，然后拿回去分析，又隔了一两个礼拜，然后找到问题了，再派一个人过来维修。几个礼拜电梯都不能工作。现在，就在上面装一堆传感器，收集电梯运作的速度，发出的声音等数据，并传回公司。在电梯坏之前，有预防性维修（PredictiveMaintenance）。
如果声音不对了，阻力大了，速度不均匀了，在还没有坏之前，就派人去维修。这在工业界，已经铺天盖地了。可以想象，在机械没有坏之前你就可以去维修的话，可以省下很多金钱和时间。
其实讲物联网并没有几年。之前温总理当年在无锡讲物联网。将来万物都会放上传感器。若要知道牛的品质，奶的品质，肉的品质，就在牛、水等物体上安装传感器。物联网就这么回事，但是非常重要，没有这些数据，AI没戏，AI只是算法。微软有很多数据，并提供从收集数据，到大数据分析，到可视化等。我们有很多伙伴，比如劳斯莱斯，劳斯莱斯的引擎特别有名，生产很多飞机的引擎。
其实飞机公司最大的成本就是油钱。若飞机载油多，重量增加，就会用更多的油；若载油少，遇到天气逆风，会变的不安全。通常如果飞机较慢，80%都是与油的量有关。因此，在飞机公司，油的管理是最重要的一环。那么现在有了这个系统可以省油，因为能够预测航行路线，风向，气候，重量。
我上一次飞机误点很荒谬，都算好之后，又载了一些货。货放的多了，就要想办法加油还是卸货。最后慢了六个小时。有了这个机器就简单了，可以记录飞机有多少重量，左右多少可以平衡，天气如何，路线，然后就可以预测，就可以做的比较精准。这就是FeedbackLoop的重要性。
我们做技术的人希望把AI技术，把算法做得更好，但是别忘了最后还是因为这些数据的取得，数据取得的快速程度可以让你实现很多东西，这又是一个很好的例子。将来可能会做一些稍微慢的东西，但你会重复的做，这些交给ＡＩ很适合。加上物联网后，就能够全面自动化。
第三类的问题比较特别，一个东西若要thinkslow，然后makedecision。通常，这样的系统里，数据取得不可能完整，甚至不是一个封闭的系统。比如我刚刚举这个例子，我们该不该买LinkedIn，我们想买别人也想买，别人想买的时候，标的的价钱就上去了。你们报考的时候也如此。还有该跟谁结婚，该跟谁求婚，大部分的人一辈子只做一次。这样的决定让AI做，我想在很长一段时间，是不可行的。
我觉得大部分人也不会交给系统做。但是，不代表AI不能帮助我们，因为AI会给你很多数据，我觉得有很多人会去看一下，参考一下。包括在决定要不要去收购LinkedIn时候，我们会做很多数据分析，但是最后是人来做这个决定．这就是我讲的AI+HI。如果不是一个重复性的任务，你让AI去做的价值值得商榷。同时，也不是一个封闭系统，更不要说大数据和推理了。
我们不太可能做黑箱的思考，而是要做白箱的思考。人的思考一定是一些有规则的，比如种什么因得什么果。这不同于现在的AI系统。现在的AI系统是一个黑箱，不知道里面怎么运作，然后黑箱与黑箱之间的关系也不清楚。除非一个黑箱的输出刚好是下一个黑箱的输入。如果你知道某一个事情的因果关系，就可以做这些事情。
因果关系在统计学里面是非常难的。统计学里常常举一个例子，以前大家认为喜欢玩电游，与暴力倾向有很大的相关性。如果学过统计学，学过机器学习就会知道，这是完全不科学的。当A与B的相关度很大，但是到底是A影响B，还是B影响A？可能是倒过来，可能有个小孩本身就很暴力，它就比较喜欢玩电游。如果不是封闭系统的话，因果关系是完全没有意义的。所以我提到的一个概念——AI与HI的组合。Analysis与decision可以做黑箱。科学上，我们常说大胆假设小心求证。其实多年比萨斜塔的实验就是搜集数据来证实想法，就是一个AI加HI。人永远在Loop里面。
这里跟大家介绍微软的一个产品叫Power BI，大数据可视化。大家会说为什么可视化这么重要？因为数据是死的，可视化可以让你有一个界面，从不同的角度去看，去洞察他的insight。在洞察了因果关系之后，再去找新的数据来证明你的想法。下面我想跟大家举个例子。
这是真实的数据，关于过去七八十年来人类遭到鲨鱼攻击的数据。在这些数据中，微软的工具可以自动发现一些有趣的点，大约有上千甚至上万。不见得所有的点都有意义，同时解读每一个点，都需要ＡＩ与ＨＩ的配合。系统会智能推荐有兴趣的点，里面的insight还是需要自己去判断，这就是我们推出的quick insight。通常界面上有两种，一种是push，UI界面怎么将上千上万的东西分类推给用户，现在人能否用自然语言对话的方式去pull，去拿人们想用的数据，我们就做了一个东西叫Anna talk。
大家刚看到的是用自然语言的方式，各取所需。当年说了一个词dangerous，机器不知道这个名词什么意思，用户可以定义，dangerous是死亡多少人。之后，机器不仅知道dangerousyear，还知道dangerousactivity。
为什么如今AI这么热，因为有了数据、算法，可以做很多数字转型。而且这种数字转型，对每个人和社会，都会产生很大影响。至少数据转型会在四大块对于未来产生深远影响：
首先，用刚才讲的Loop，产生产品迭代，这其实就是互联网思维；
其次，就算产品不改变，如何优化公司与客户的联系，调动客户；
再次，是公司运营，如何让运营变得更有效率，更节约成本；
最后，是人才，如何用大数据让员工的生活更顺畅、和谐，同时还可以激发员工的潜力和创造。
这四块适用于每个公司，也是业界看到的机会。从架构上看，类似于云计算的IaaS。其中包括硬件（GPU、FPGA等）、软件（深度学习框架等），我们提到的认知服务就是一个PaaS。
现在新兴的叫Data tasks，在座的很多毕业以后做Data tasks工作，或者做开发者，开发者要用一些SaaS，也要用一些PaaS，SaaS里面重复性很复杂的东西，有闭环可以用AI搞定。有一些东西是人跟机器一起做的，就是AI+HI这是不同的SaaS，这是可以做的一个简图，机会是无穷的，我刚才讲的针对每个公司每个单位有四大块都可以做这些改进。
在微软的话，大家看到我们新一任CEO到今天，最近大家看到的微软都是很快的，因为我们在这里面都讲到了先机，这么多东西用我们的产品和服务做数字化转型。微软是一个软件公司，但是微软最近硬起来了，网上很多人说，微软的硬件做的比苹果还好。
新的硬件HoloLens，我们绝对是领先的，HoloLens已经宣布今年就会在中国上。还有想Surface studio等等，这些才是未来的东西，很多东西只有我们有。讲了那么多AR、MR我们快卖了一年半了，给大家看一个例子。
这就是那个电梯公司——蒂森克虏伯，在讲维修，这相当于在做训练，训练这些维修的工人，就是在他办公室里就可以看到电梯里面的结构，这是训练，还有因为这些都要动，他不可能这时候还在翻它的指南，而且大家可以看到以前电梯维修的记录。而且还可以知道电梯里面的结构该从哪里拆进去。
我讲一个简单的例子，大家看的很清楚，AI的确让一些职场工作产生了变化，大家不要想的那么简单，全部都被取代，很多时候大家都讲机器人，其实更重要的是AI+HI，怎么样让技术帮助人更有效能，工作上可以很简单的看出来，对于一样的修复工作非常有效率，非常轻松的，在没有压力的情况下利用技术配合起来把事情做的更好。
基本上我给大家看的AI，特别是相应的大数据、物联网技术结合以后可以做这些东西。
我现在讲讲未来，未来会怎么样？当然AI报道非常多，对AI的报道里面有很多是危言耸听或者听起来很吓人的。到底哪一些该害怕哪一些不该害怕的。
首先1950年是二战刚刚结束没多久的时代，二战结束刚5年，当年全世界的计算机可以用两只手数出来，绝对不超过10台，但那个时候时代杂志就已经在担心造出一个机器比人聪明，1950年我们原子弹都造出来了，原子弹的威力大家也看到了，我们造了很多拖拉机、飞机各个东西，但对那些都不太害怕。
其实我很害怕，因为工作的原因我看过无数多的机器人，有时候不小心手这样一挥就会被打到，人型机器人站的很稳是非常重的，我站在那边不小心他碰到我怎么办，我一直都很害怕，我这个人比较瘦小，我看到那些大型动物都很害怕。我觉得人类很好玩，大部分人不害怕，人就很担心机器比我们聪明，那个时候AI还没有影呢，1950年AI这个词还没有出来，AI去年60年，是1956年达特茅斯会议时提出的。说到这个我讲讲我跟这个的渊源，1956年的时候一个人叫John McCarthy，我很有荣幸，我可以叫他师祖，他带了一帮人在达特茅斯开了一个会定义了AI两个字，这也是之所以人家说他是AI之父。我的老师也拿过图灵奖，他的老师就是JohnMcCarthy，也拿了图灵奖，所以我算是John McCarthy的正宗徒孙。1956年AI的词还没有，大家都已经很害怕了，就跟今天一样，人在智力这个事情特别受创伤的感觉一直都有。
下面讲一下，什么是智能。其实人对智能的定义一直在改变，感知就是说能够听，能够看。感知之下还有一些东西，今天大家都不觉得很智能的东西，今天讲人脸识别大家觉得很智能，能够听懂语音也很智能，能够跟人聊天都是很智能。但是今天有没有人认为计算是智能，在座没有人认为算术可以算的很快，很准，你会觉得这个人很快，但是你不会说他很智能。
我这一辈子受到的第一次打击就是我小学一年级的时候，没有选上参加珠算队，现在的年轻人有没有人真正摸过算盘，用算盘计算过？在我们那个年代计算是跟下棋一样分级分段的，最早也是到九段，有人可以心算，算的很准，当时我们认为是神童。一年级的时候老师跟我说你蛮聪明的，但是身体不好，别参加珠算队，当时我很沮丧，但今天跟计算机比计算简直是以卵击石。
其实记忆力，以前我们讲诗词倒背如流就是记忆，记忆这个东西大部分人也不会认为是聪明，就像电话号码，今天我一个电话号码都记不出来，有手机谁记电话号码？所以记忆力这件事情不错，但是没有人认为多了不起，尤其是涉及到安全，大家记不记得IBM几年前打败了所谓的世界冠军，那个游戏大部分都是靠记忆，问一些历史或者地理问题都可以答出来，但那个都还没有达到今天我讲的层次。
人类对智力的定义是不断在改变的，这是我要讲的一点。我这一代已经经历了，这是人类智能和人工智能共进化，如果我没有做人工智能，假如说今天没有人工智能，没有计算机，我们一定认为一个人很会做心算的很聪明。
我们刚才讲Perception感知，感知AI可以做的比人好。我举个例子，今天假设说北京有50个危险的恐怖分子，给你50张照片，今天你的tasks就记好这50个人长什么样，你站在关口那边看，我可以保证，机器会做的比你好，但是我也保证机器做这个事情你会非常高兴，安检机器做会比我们做的好很多，我们也不会受到伤害。今天让你拿30个电话号码记，机器都不用做AI，做一个比较就可以了，人干吗要去做这个呢？这个太Low了，这个东西就让机器去做，这个不是说没有智能。
既使是这样，机器去做，你有没有发现哪一个AI系统跟人做的一样？今天没有，明天也没有。所有系统哪怕是再强，99%点多，有的东西还没有达到99%，这个是Perception。到了这个level叫做认知，认知这件事情目前为止还是没有谱的。
今天的AI是一个黑箱，黑箱的问题就在这里，黑箱的问题它可以知道这是狗，他可以知道可以这样做，但是他不知道Why，下棋可以打败李世石，但是他不知道Why。不同的黑箱之间无法做交流，其实还是一个像Perception的问题，但是人是靠认知去做的。
举个例子，第一个例子我本行是做语音的，语音识别有一个东西叫鸡尾酒效应，我们平常到了很噪杂的环境，像鸡尾酒会，每个人都要讲话，这个也讲那个也讲，有的时候你一个耳朵要听好几个，有人讲中文，有人讲日文，有人讲法文，你听的都是断断续续的，很多音都没有听到，但是你还是可以跟这些人沟通。因为鸡尾酒会里面有认识的人，你知道他为什么来这里，你知道他大概讲什么，你听到他几个音就可以猜出来他大概讲这个，人是用认知的方法去做感知，如果把这个东西给今天任何一个AI系统，那做出来就全是错的。不知道他讲什么基本上不可能辨认。
另外一个例子叫做翻译，很多做同传的人问我说，现在翻译要失去工作了，是不是事实？我说看哪一种翻译。今天大家用过自动的翻译都是一句一句翻译的，常常是词不达意。没有一个人一句一句翻的，做翻译的人都听了一段才来翻的，常常一整段只翻成一两句，因为人把内容彻底了解了再用自己的话讲出来。我自己亲身经验，我有美国的老板来这里的时候，因为我工作常常要带他们见政府官员签一些合作合同，这时候我就要充当翻译。我自己知道我怎么翻，他讲了一段我来翻，再讲一段我来翻。常常发生什么事情呢？我老板还没讲的话我先翻了，这原因非常简单，这个会议是我安排的，安排领导人见面不要有意外，会谈论什么要先做功课。很多时候，他讲了一大堆，有些内容我就先讲了。还有几次先翻了被老板抓到说，我好像还没有讲，你怎么先翻了，这就说明我们人可以做到未卜先知。人怎么做到这件事情，他有些话还没讲，人怎么知道的？人的认知绝对不是黑箱的，一定有一个白箱，里面因果关系都很知道，有时候他只要提一个东西我都知道结果。有时候人家说你们真有默契，我皱一个眉头你都知道怎么翻了，这绝对可以的，这绝对不是黑箱，黑箱这个人皱眉头你翻出来，这不太可能的。
所以人的认知一定要做因果很清楚，我今天来这里，这个领导是谁，讲了什么话，有什么因，有什么果，有时候老板讲的话不得体就不要翻了，或者翻译成好了，这样才会有和谐社会。而且因为有白箱才可能举一反三，我自己有小孩，你训练他认识这是狗这是猫，这是长颈鹿，看三个狗五个狗之后，你再给他看不同的狗他绝对可以辨认出来这是狗，但机器学习肯定要看几百万只狗，当然各有优缺点，我们常常讲很传神的一件事情，这个人烧成灰我都认得，就是说一个人你想要记住他，这个人他跟你有关系，不管你的朋友还是敌人烧成灰你都认得，这个东西机器人做不了，一个人去伪装，机器就识别不了。但是我刚刚讲了就50个人陌生人叫你记得辨认，你根本不可能做好。这就是不同的工作，我觉得人和机器适合做的不同的工作。
我讲这些东西很多都是我学习的，不是我发明的，所以我觉得做学问真的应该看一看以前的人做什么，甚至于不同的领域的。有一个哲学家叫John Searle1980年提出来一个概念，我给大家看一段视频。
这个人是一个脑科学家和哲学家，大家真的要佩服前人的智慧，1980年我刚开始学AI，在座的可能都没有出生，这里面有几个重要的点，图灵测试就是一个黑箱测试，基本上就是有的机器，有的人你分不出来。他做了一个实验叫中文房间，为什么叫中文房间，1980年大家对中国是不了解的，一个对汉语一窍不通，只说英语的人关在一间只有一个开口的封闭房间中。房间里有一本用英文写成的手册，指示该如何处理收到的汉语讯息及如何以汉语相应地回复。房外的人不断向房间内递进用中文写成的问题。房内的人便按照手册的说明，查找到合适的指示，将相应的中文字符组合成对问题的解答，并将答案递出房间。尽管房里的人可以以假乱真，让房外的人以为他确确实实说汉语，但其实他却压根不懂汉语。这个东西很像翻译，当然是一个问答，他说这个黑箱里面有一个系统，当时就有强AI和弱AI，意思就是说你不了解，你黑箱进黑箱出，就算你能答的很漂亮，不代表你有理解，有些情况会有用，有些情况没用。这种没有理解的东西不是人做的方式，今天一个人说白痴啊，你会不会讲中文，你听到这个话是很生气的，你不会说，对，我是白痴，我不会讲中文。所以这就是强AI跟弱AI的不同，强AI是人的AI，其实强AI很弱，弱AI很强，这是定义的问题。强AI就是我真正了解以后用我的话讲出来，用我的话答出来，另外一种就是黑箱，我根本没有感情的，你骂我也不知道。
今天大家看到AI包括目前的深度学习都是这种，但是很有用，弱AI没有感情反而很有用，不止我一个人这样讲，事实上客观是很了不起的事情，人不太容易客观，人家一骂你心里面就不爽快，有它的弱处和好处。这个是神经科学家做出来的左右脑，大家可以稍微读一下，我想大家不意外，当然大脑结构比这个强，但是大家归纳出来右脑管什么，左脑管什么，你会发现左脑管一些比较逻辑的，有一些逻辑思考的，然后是在做分析的，右脑是在合成，是一个比较像创意的这些东西在这边，所以这个是左右脑的差别。
如果看这两个就会发现，（PPT图示）这一块AI做的非常好，很多可能做的都比人强，这一块可以做一些，但是大家只做到一半，人做的比AI强多了，到了所谓的我现在要讲的创造力，AI是完全没有谱的，AI是完全没有创造力的，我定义一个创造力就是人最了不起的算法，创造力就是你解一个未解的问题。因为用别人的算法不能叫创新，那叫应用。
在这里我跟大家解释什么叫算法，用一个最简单的例子，1+到N有两种算法，一种是运算，另外一种算法是N乘上N加1除以2，这是高斯发明的，当年高斯很聪明常常问数学老师，数学老师不胜其烦，有一天就让高斯从1到100依次相加求和，本想高斯要花很久才可以做完，没想到高斯3秒钟就告诉了他答案，就是N乘上N+1除以2，这是两种不同的算法，显然高斯的是一个比较好的算法。
说到这里我讲一讲对阿尔法狗的理解，今天你跟计算机比1+N，计算机用比较土的方法，你用聪明的算法，假设这个N很大，计算机算的快，计算机1+到N都比你加的快。任何一件事情是算法+计算。阿尔法狗的比赛算法来自于一群很聪明的人，都是人想出来的，所以算法是人想出来的，阿尔法狗计算是几万台机器在云端那里算，李世石很可怜，他有一个算法还要自己计算，下棋是要比时间的，不是可以无穷的。李世石先生如果5场还赢了一场，其他几场还有希望赢的话，李世石的算法是不是比阿尔法狗的算法更升一筹，否则那是以卵击石，我们用聪明的算法，计算机用笨的算法，计算机还是赢。
计算那部分本身太不公平了，因为空有算法还要计算，脑子一直在算，所以每一次当所谓什么东西超过人的时候，大家说AI多厉害，每一次发生这种事情我感觉人怎么这么聪明，才让今天的计算机这么聪明。而且什么叫下棋，当年下象棋的时候有点像开根号，大家就看比谁下的深，跟计算机比开根号本身就没有意义，为什么要下棋呢，今天讲说阿尔法狗是一个黑箱，看到这样经过大型的数据分析以后，他就觉得应该走这一步比较好，这跟我刚刚讲认50个恐怖分子没有两样。所以我就说如果把东西变成这样的话，去比是没有任何意义的。
人最大的智慧，有史以来大家公认是爱因斯坦最聪明，去年有一个重要的事情叫做引力波。但是我们整整等了一百多年，用最先进的技术才勉强测到了一些影子所以我们说引力波存在，当一百多年前，爱因斯坦提出这个假说的时候是没有数据的，不要说是大数据，简直是0数据。所以人的智慧其实来自于天外飞来一笔的这种东西，这个东西计算机不可能有创造力，而且计算机的程序都是我们植入进去的，所有今天AI的东西都是人研究出来的，没有计算机可以自己想出新的算法，这是没有的。
所以人跟计算机的关系又回到我讲的AI+HI的关系，人是去想一些大胆假设，然后让计算机小心求证，更多是这样的关系。
下面讲一下心灵、意识、创造力这三者，这是我跟脑科学家学习过来的，人最了不起的是意识。刚才讲的中文房间实际上要有意识的是强人工智能，笛卡儿也说过我思故我在，今天有两派，有一派人认为所有意识都在脑子里，除了脑以外就没有认识。另外一派认为人的意识是全身的。这不可能有结论，大部分人认为是一个全身的问题，原因很简单。你有疼痛的时候会影响你的意识，或者你哪里舒畅也会影响你的意识，很难说只有脑，如果只有脑的话，神经这些东西都应该不影响，说到意识，一定是生物才有可能有意识，机器不可能是生物，不会有意识。还有就是生物里面植物也没有意识，这是大家的共识，既使动物里面，普遍人想象只有少数人相信只有少数人有意识，有一个测试拿一个便利贴张贴在你额头，动物也是贴在额头，人会知道这不是我的一部分就会摸它，甚至把它拿掉。
做了很多动物实验，结果很吃惊，大部分动物是没有感觉便利贴的存在，很多狗都通不过，只有某些狗，据说很多猴子也没有通过，海豚鲸鱼倒是通过。大家可能有争议，有的动物知道不是他的一部分，但是他就不会摸它，但是无论如何，我要讲有意识的动物是很少的。
耶鲁大学教授写了一本书，他把人脑的规律分成两部分，意识力很集中和意识力不集中的时候，意识力很集中的时候你是计算很准，不会算错。意识力不集中的时候会做白日梦甚至睡觉的时候常常会算错，但是那个时候你的创造力有可能特别强，为什么呢？我也找到很多例子，一个是贝多芬做第九交响曲的时候他是完全聋了也瞎了，还有梵高最后把耳朵割掉以后他很痛苦，痛苦的时候他意识不可能集中的。有一个画家找到苯的六角形规律的时候，他是在睡梦中梦到一只蛇咬到自己的尾巴才使他找到苯的，更不要说很多诗人酩酊大醉甚至吃药，酩酊大醉以后可以做出很有创意的东西，人本身是不完美的，当意识力不集中的时候，往往有很多了不起的创新在那个时候创造出来。
很多人研究为什么，其实就是说意识力集中的时候你不太可能看到两个八竿子打不着的关系，比如我在研究苯离子是跟六角形的蛇没有关系的，当你意识力不集中的时候就看到了关联性，很有可能了不起的创新就是这么来的，天外飞来一笔，没准爱因斯坦睡觉的时候想到了引力波。但是有一点我要讲的，有的人说从此以后回去多睡觉，这样创造性比较高，但是光睡觉是不够的，光有大胆假设不够，要小心求证多做实验，多写程序。
最后，人工智能到底危不危险？弱AI很强，现在叫大数据，没有谁能读特别多的数据，强AI是指人这个也懂一点，那个也懂一点，又能看又能听等等之类的，但是每一样都没有专家系统强。而且人没有办法一天24小时集中，人一直也很奇怪，一个人一辈子有1/3的时候是没有意识的，睡觉的时候没有意识，但是人的睡觉有可能因为不完美造成我们有创造力。
另外一个就是说，我们到底可不可以造一个机器人有意识，我会觉得造一个机器人有意识在科学上有意义，在实际生活上没有太大的意义。我时常用一个例子，我叫太太说，亲爱的，你帮我弄杯咖啡，10次里面有5次，我太太会说你自己有手有脚干吗不去弄，我说你讲的很有道理，我赶快去弄，我造一个机器人10次里面有一次这么讲，我马上就把它毁了，你造一个机器人当然希望他有用，就算你想造，其实我们有几千万年的经验教育我们下一代，我们巴不得我们下一代比我们聪明，在座的有小孩的人，你去问他你小孩是不是比你聪明，他说对，我小孩比我聪明。你要造一个有意识的东西多生点小孩就行了，这个命题本身是有问题的，造一个有意识又聪明的东西，在科学上很有意义，在实际上不一定那么有意义。
奇点会不会到？有人说AI到了一个地步自己可以翻新，问题就可以往前解，最后就把世界变得越来越好。总体角度来看，就算有一天做到了强AI，这也不太可能发生。原因是当你解了一个难题，爱因斯坦很聪明，世界上还有很多未解的问题，数学上雷曼猜想还没有解。今天大家学计算机的，P等不等于NP，到底等于不等于我们也不知道。再往前走人从哪里来，宇宙从哪里来，有没有大爆炸，将来会不会扩张再缩小？没有人知道，下一个问题有可能永远无解，所以不会有奇点。而且如果这个世界上所有东西都被解了，人存在宇宙间的意义有可能就大打折扣，有可能没有，这个离我们太远了，唯一大家可能要担心的是Bug。有人问我哪一部科幻电影比较接近事实，我觉得可能是《骇客帝国》，他是讲计算机里面有一个Bug，Bug代表出它有一些漏洞，但它刚刚好看到人就杀，这个可能性几乎是0，所以大家也不用担心。
我还是比较乐观的，AI除了是Augmented intelligence以外，也可以是Human+ Machine等于Superman，我就讲这么多，谢谢大家！
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
今日搜狐热点}