編者按：昨天，“二十一世紀的計算“大會進行到第二日，在一場計算機科學人才培養專題論壇後，三位重磅嘉賓帶來了精彩的演講，他們是圖靈獎得主、清華大學交叉信息研究院教授兼院長姚期智，卡內基梅隆大學計算機科學系傑出教授 Lenore Blum，和深度學習大神、蒙特利爾大學計算機科學系教授 Yoshua Bengio。

在開場的圓桌論壇中，微軟全球資深副總裁 Peter Lee 主持了一場“計算機科學人才培養”的討論，圖靈獎得主、康奈爾大學計算機科學系教授 John Hopcroft，圖靈獎得主、微軟新英格蘭研究院技術院士 Butler Lampson，以及延世大學計算機科學系教授 Seung-won Hwang分享了各自成長中的故事，爲同學們的求學與職業生涯給出了建議。

結合自己早期職業生涯的經驗，John Hopcroft 建議即將畢業的同學多關注自己感興趣的研究，只有這樣纔可能做出真正的有影響力的研究。Butler Lampson 則建議大家建立扎實的基礎，因爲未來變化很快，最重要的是以長期的方式思考。

從左至右：Peter Lee、Butler Lampson、Seung-won Hwang、John Hopcroft

許多學生在畢業前會面臨進入學術界還是產業界的選擇，John Hopcroft 認爲這個選擇取決於學生自己，大學的根本使命是要培養下一代的人才，如果你享受幫助別人學習的過程，那你可能適合學術界，如果你喜歡做產品，改變行業，那你更適合產業界。Seung-won Hwang 認爲產業界最大的優勢在於團隊，周圍會有一羣有類似專業知識的同事互相分享想法，而在學術界，很多時候都是孤軍奮戰，優點是時間安排相對靈活。

姚期智：量子計算的來臨

量子計算是一種和傳統計算完全不同的方式。1981 年物理學家理查德·費曼提出，拋開傳統的計算機原理，使用量子材料可能可以創造出一種新的計算機，獲得一種新的計算模式，這就是量子計算機。有別於經典的計算機使用比特級別和字節的輸入，在量子計算機當中，輸入可以是傳統的二進制的字符串，也可以是量子輸入。

圖靈獎得主、清華大學交叉信息研究院教授兼院長姚期智

量子計算無疑是強大的。傳統計算機需要一百萬年完成的計算，量子計算機可能只需幾個小時就能完成。 這是因爲在量子世界中有一個平行疊加的概念，在平行疊加的狀態下，一個物體可能不處於某個特定狀態，而是一羣可能狀態的集合。我們能夠在平行疊加的量子空間裏做大規模並行計算，傳統的計算機很難在短時間內完成這種量級的計算，但在量子世界裏，對不同路徑的探索可以同時進行，這也就解釋了量子計算強大的計算力。未來，強大的量子計算機可以完成很多領域現在無法完成的任務，比如密碼破解，模擬量子物理系統，模擬材料學、化學和生物學，解決人工智能中的很多問題。

在實現量子計算的道路上我們看到了希望與挑戰。好消息是越來越多的科學家開始對這一領域感興趣，學界對這一領域的相關獎勵機制也越來越健全，會有更多聰慧的科學家在這個領域鑽研深耕。壞消息是量子計算的發展在每一個階段都非常困難，想要增加量子比特數需要大量的努力和時間。而且我們過去已發佈的研究結果都沒有糾錯，我們還需要花很多的時間解決這個問題。

目前，量子計算在世界上多個國家都得到了關注，以微軟爲代表的衆多科技公司也在相繼研究，因爲在未來，量子計算將產生巨大的影響，每個國家、每家公司都想追趕這一潮流。我們完全有理由說未來“量子計算+AI”將成爲新的時代主題，這兩大主題的交織中將產生怎樣的新應用，是值得我們期待的。

Lenore Blum：受認知神經科學啓發的計算機架構

過去四十年，對人類大腦意識的研究經歷了從禁忌到科學的轉變，不同學科的研究者通過不同的研究視角對意識進行解讀。卡內基梅隆大學計算機科學系傑出教授 Lenore Blum 從認知神經科學出發，提出了一種全新的計算機架構原理，爲設計擁有快樂、痛苦等多種感知能力的AI提供了新的可能。

哲學家查爾莫斯區分了意識研究的簡單與困難兩類問題，對於人工智能來說，簡單問題就是設計一個能模擬人類情感的機器人，困難問題就是要使機器人真正感受這些情感。受認知神經科學中的大腦全球工作空間模型（GWM）啓發，Blum 教授介紹的新的計算機架構是一個可驗證的爲AI加入認知因素的模型。根據神經科學的觀點，大腦中的意識包括長期記憶（潛意識）和短期記憶（意識）。在這一模型中，輸入的信息由潛意識進行處理，再用語言或其他形式表達出來，呈現出有意識的輸出內容。

卡內基梅隆大學計算機科學系傑出教授 Lenore Blum

在現實生活中，人們對同一事件可能產生多種感知，這些感知又會分別呈現出不同的強度。對應到計算機架構中，不同感知有不同的傳遞模式和優先級，每一層級的處理器在接受信息時選取不同的權重，由閾值來決定最終哪些情緒能夠被表達。針對潛意識直接轉化爲短期記憶和無意的暫時性盲點問題，機器學習可以提供一個更優化的算法：將現實反饋融入到機器學習的算法中，不斷調整每一個感知的權重來做出反應。

未來，隨着對人類認知的瞭解不斷深入，爲 AI 注入認知的研究將在情感、注意力研究、醫學、人機協作等領域得到更多的應用。

Yoshua Bengio：讓AI接近人類認知水平，深度學習所面臨的挑戰

今天我想跟大家分享的是下一個階段的深度學習研究方向和我們的一些探索。人工智能發展到今天已經有很多進展，但 AI 的智力仍然遠遠不及人類，無法像人類一樣擁有高度抽象的意識和能力。我們希望設計一種學習機制，讓機器擁有更高層級的抽象層面的認知。

這要求我們抓住用於產生意識的信息之間的關係。我們將信息解構成變量來去了解它們之間的關係，近年研究熱點之一是注意力機制，我認爲機器的認知架構還可以分成兩層表達，一層是高維度的潛意識，另一層是低維度的有意識的思考。

蒙特利爾大學計算機科學與運籌學系教授 Yoshua Bengio

人的認知就可以分爲兩個系統，一個是直覺性的潛意識，另一個是意識。以自然語言處理爲例，爲了能夠真正理解語言，我們所做是兩個系統的融合。現在的自然語言處理通常需要通過大量的語料庫進行訓練，這是不夠的，它們會出現很多錯誤。

僅僅通過文本無法真正解決自然語言理解的問題。除了對語言進行建模，還要對所處的環境進行建模。想一想人們在嬰兒時期，會在理解環境後產生語言。因此給我們啓發是，可以將語言學習和對世界運行方式的學習結合起來。理解世界運行方式的一大關鍵是理解信息之間的因果聯繫，我認爲機器學習要花更多的時間做因果聯繫的研究，我們要研究一些新的學習理論。這是很難的，因爲世界非常複雜，我們要做出更好的機器學習算法，充分利用機器學習去進行研究。

我們最近進行的一項工作是 BabyAI 平臺。在這個平臺中，我們爲 BabyAI 提供一個場景或者一個遊戲，像指導一個嬰兒認知世界一樣，人類通過與BabyAI的互動幫助它理解周圍的環境，學習它應該學到的內容。我們設置了從容易到困難的不同關卡讓 BabyAI 進行不同程度的學習，這一平臺在提升訓練中數據效率上取得了很大的進展。

你也許還想看：

查看原文 >>