2019年11月2日，CCF YOCCSEF 武汉分论坛在武汉理工大学鉴湖校区举办“AI+如何赋能各领域？”技术论坛。来自学术界和企业界的有影响力专家学者，从教育、医疗和软件三个角度，探讨AI+赋能新时代，人力和智能如何协同创新？哪些共性关键技术是实现落地应用的重点？活动还得到北京西普教育、慧科教育集团、北京并行科技、武汉深度科技、武汉思拓等企业的大力赞助。

本次论坛由武汉理工大学李琳和湖北大学何鹏主持，两位首先介绍了技术论坛的背景，YOCSEF活动基本规则，武汉理工大学计算机学院袁景凌副院长致开幕词。

活动第一个环节为引导发言。首先，悉尼科技大学计算机学院徐贯东教授做了《Embedding learning in intelligent code analysis》报告， 徐教授从软件代码摘要和分析角度，介绍了深度学习技术在软件工程领域的应用。其次，来自科大讯飞研究院的李鑫博士就人工智能技术在教学中（如普通话测试、英语口语考试、作文批改等）的评测应用展开了介绍。随后，澳大利亚南昆士兰大学（USQ）理学院陶晓辉副教授结合自身在医疗健康领域的项目，做了《Knowlege-based Personalized Services for Healthcare》报告，阐述了知识图谱在医疗健康领域中如何为用户提供便利的个性化服务。

活动第二个环节为全体参会人员集中讨论。目前，AI已经在教育，医疗，软件工程等领域得到实践。在AI+赋能各个领域时，人工和智能是如何协同合作的？在这个过程中，人工更重要，还是机器智能更重要？有没有可能完全脱离人工，依赖机器自我学习完成任务？此外，“AI+”赋能的本质是什么？人类智能是什么？与人工智能的界限在哪里？最后，如果大量依赖机器，人工智能是否会导致大量的失业，还是会创造更多就业机会？例如，科大讯飞研究出的机器能够完成评卷，上课等任务，这会不会导致老师这个职业的消亡？面对这样的大环境的变化，高校教师应该如何提升自己？

议题一：AI+在赋能各个领域时，人工和智能是如何协同创新的？

悉尼科技大学 徐贯东：AI+赋能的本质在于如何发挥计算机的算力，例如上世纪八十年代的专家系统，就是想要发挥计算机的算力，但是没有得到成功的实践。另外，搜索引擎可以说是计算机领域最成功的一个实践，其最好的特点就在于利用了计算能力重复迭代，不断递进优化的特点，而人工智能想要模拟这个过程还受制于很多条件。我认为，人工智能需要充分发挥计算机的算力，让计算机做一些重复性的工作，这在局部可能达到一个最好的效果，但想让计算机能够有自主的思维，目前还没有看到相关方面的成果。可能需要借助其他方面的补充。从AI的相关国际会议可以看出，目前人工智能比较集中在机器学习方面，让机器做一些重复的东西，并用一些标签数据可以使它做的更好。正如美国一个学者讲到，AI其实不是Artificial Intelligence而是Argumented Intelligence。最后一点，人工智能会不会导致失业，我的想法是很多重复性非常强的，计算机可以发挥强大优势的职业，肯定会慢慢被计算机所替代，但与此同时会创造出其他与此相关的行业，这应该是平衡的，不是单一的。针对高校老师来说，虽然可能随着技术的发展，老师接收到的最新科研进展不如学生快，但老师的作用不仅在于教书，更在于育人，对学生的人生进行指导。在这一层面上，老师这个职业并不会消亡

南昆士兰大学 陶晓辉：AI，就像计算机科学一样，属于一种从属的科学，而不是领袖地位的，不可或缺的经典科学，比如物理，数学等。从本质上来说，AI是帮助我们把事情做得更好更快。尽管目前AI的发展已经出现了许多突破，但在冯·诺依曼体系结构的前提下，它仍然是渐进式，逐渐发展的，所以不可能突然之间取代人类。最后，我认为人工智能可能会导致某些行业消亡，比如快递，翻译等，但同时会有更多的就业机会出现。一些低技术的，不需要知识的行业会很快被取代，而一些知识含量高，有复杂推理的行业则不会被替代。其实老师这个行业到最后才会消亡，因为知识的传递是一个复杂的过程，这其中最重的是人与人之间的沟通理解。最后，我认为AI的发展需要政府的完善的监管，避免其失控给人类带来负面影响。

科大讯飞研究院研究主管 李鑫：AI+赋能所做的事情分为三类：想干不能干的事，想干不愿干的事，想也想不到的事。第一种，比如学习几门外语，这种事情就是想干不能干的事情，但机器可以帮助我们完成。第二种，比如改卷子，就属于想干不愿干的事情，因为老师除了教书还有育人的工作，所以改卷子就可以交给机器来做。第三种，将AI与其他学科跨领域合作，比如与化学结合，这就是当初我们想也想不到的事情。我们现在研究的高级人工智能，其实就是要逃脱design的框架，learn like baby learn。目前我们团队研究的脑科学和脑接口，就是用脑电方式把人脑的信息捕捉出来，探究人脑的思维模式。总有一天，人类会和机器完全融合，我们的身体会嵌入芯片，海马体会被存储器替代。最后关于人工智能是否会带来更多失业，我认为，机器替代的只是技能，而不是职业。

华中科技大学 赵峰：人类智能和人工智能的区别在于人类智能思维是连续的，人工智能受冯•诺依曼限制，它的思维是离散的，人工智能的重点是将离散型模式模拟为连续型。其实AI+赋能最主要的是类脑计算，或者说类人计。此处举两个例子：第一个：鹦鹉能够重复人的话，这种重复性的工作目前计算机水平已经可以解决。第二个：乌鸦吃核桃，虽然没有能力打开核桃，但是它选择将其放到车轮下面由车子压开，这是组合的能力。目前科研界要研究的应该就是如何将计算机能够解决的各种离散性的事情通过组合转变为类人的连续性。最后一点，从人类历史的发展来看，失业和就业都只是社会进步的表象。目前人工很便宜，但随着社会发展，人工会变贵，机器会越来越便宜。作为研究生导师来讲，这个身份其实不存在失业。因为高校老师对学生的指导不仅是学术的还有人生的指导。作为岗位来讲，研究生培养是个性化的，高校老师要接受大环境的改变，根据环境的改变对岗位有自己的理解。

南京师范大学 顾彦慧：人工智能概念是早期随着硬件的出现而提出的，但由于当时计算机发展不够，所以AI并没有为众人所知。随者GPU等技术的发展，AI再次进入人们的视野，并且在许多方面应用良好。人类智能与人工智能最大的界限在于人类的创造力，因为机器所拥有的智能都是人类赋予的。AI+的概念在现阶段其实被扩大化了，它的本质应该是计算机应用。计算机应该只有一个专业就是计算机应用技术，其中，软件工程，人工智能，网络空间安全都应该是计算机应用，只不过包含智能这个概念，而这个概念其实是由电子信息这个学科提出来的。关于AI是否会导致更多高校老师失业，我认为是不会的，因为人工智能其实是让老师做得越来越好，在当前的网络环境下，学生可以通过网络获取很多信息，这给老师的教学带来了更大的挑战。

武汉理工大学 张蕊：人工智能是什么，从专业角度来看，之前有图灵测试这个标准来界定，但目前已经有机器通过了图灵测试，标准也就不复存在。从生活角度来看，人工智能便利了我的日常生活，比如洗碗机、扫地机器人、料理机等，我们塑造了各种各样的智能机器。但同时，我们也在被人工智能塑造，比如到了饭点我们会拿出APP点餐，或者通过人工智能的算法找到的男女朋友更合适，这些都是我们在被机器塑造的体现。

现场提问：各位嘉宾在做自己相关的研究工作时，人工和智能的比例是怎样的？未来的发展趋势又是什么样的？

南昆士兰大学 陶晓辉：人工和智能的比例正在变化，智能的比例越来越大，但不会到百分之百。举个简单的例子，在我们本科时期，教室排课还是软件工程很难解决的问题，目前已经基本都解决了，我们不再被相对低技术含量的事情限制，可以有更多时间做一些更有创造性，对社会更有益的事情，从而促进人工智能的发展。

悉尼科技大学 徐贯东：人工智能就是希望计算机模拟人的决策和推理方式，比如现在研究的脑科学，类脑计算等。另外，目前我们了解的AI赋能主要关注的是技术，但更重要的应该是社会效益和伦理方面，过分关注技术容易影响社会公平公正。因此，政府的引导至关重要。

议题二：如何实现“AI+”赋能在教育、健康、IT等行业的（共性）关键技术落地？

如何实现“AI+”赋能在教育、健康、IT等行业的（共性）关键技术落地？从工作形态转型，人才储备，内容、场景、数据的三位一体和相关政策等方面详细分析。

武汉理工大学 张蕊：从时空大数据挖掘方面来说，例如船舶数据的分析，智能公交设备的预测，自动化交易的盈利算法等，都比较难落实。例如公交公司给出的数据不足以智能预测线路。或者关于证券的算法不能够保证利润。

南京师范大学 顾彦慧：从自然语言处理方面来说，它本身是人工智能的一个分支，是一个二级学科。可以与其他学科进行合作，例如与心理学院合作进行人物画像界定，来引导社会治理；与材料学院合作了解反应机理，来指导材料设计等。在合作过程中我们发现，这些学科只是将人工智能作为本学科的辅助，来完成数据量巨大，人工难以完成的工作。AI工作形态的转变应该是要让计算机的学者在与其他领域合作的过程中发出更多的声音，用计算机模型化的特征去解决其他行业的问题。人才储备方面，中国大学生每年数量巨大。政策方面，政府的介入对于AI也是赋能，因为政府介入越大，相应的资源就会被引进，例如带有生产性质的企业：科大讯飞，腾讯等。

华中科技大学 赵峰：人工智能作为一级学科，目前存在争议，有的学者认为智能科学才应该是一级学科，人工智能还属于属于摸着石头过河的状态。另外，共性关键技术可能涉及到多学科的发展，从计算机层面来讲，主要分两个方面：一是计算机的体系结构跟不上社会的需求。二是算法层面，人工智能之所以发展迅猛主要是因为大数据的出现和计算能力的提高。但算法层面上时间复杂度超过多项式的都不可做，因此没有突破点。有学者认为，第一，我们国家的专利和论文发表量和国家实力不相匹配。第二，我国人才储备不够，远远落后于英美等国家，这对行业和学校都是一个挑战。

科大讯飞研究院研究主管 李鑫：从企业角度来说，人工智能想要成功需要满足三方面：数据，算法和人才。在数据方面，企业有优势。在算法方面，学术界比较擅长，在人才方面，需要企业和高校合作。目前，我国的人才储备有很好的发展趋势。企业需要的人才是工程一体化的人才，不仅需要会算法，还要能够考虑效率和性能，这里的效率和性能不仅仅是时间、空间复杂度那么简单。

南昆士兰大学 陶晓辉：在人才储备方面，从长期发展来说，高校应该加强基础学科和理论学科研究。另外，从健康行业来分析工作形态转型，在国外，家庭医生因为没办法记住所有新出现的药物，只能通过google搜索来给病人开药，AI可以从这一点介入来辅助。国内的情况不太一样，医生没有时间去做搜索，因此，可以借助智能语音机器人进行查询，例如：叮咚叮咚，让人工智能来完成这方面的工作，留给医生更多时间在医学水平上面做突破。政策方面，需要各级人民委员会严格的监管，否则AI可能会产生负面影响。

悉尼科技大学 徐贯东：根据薛楠给出的报告，美国人才储备最多。其实从老师数量来讲，中国和美国差别不大，但是单个老师的学术科研水平参差不齐。美国的助理教授竞争很强，因此学术创新力可能更强，不过这都是暂时现象。中国发表的论文数量越来越多，老师的平均水平也越来越好。再讲一讲三位一体，澳大利亚的AI偏向于实际的应用，不强调产业能够在全世界领先，而是着重于将其应用到某个机构或部门，能够提高其办事效率即可。而国内的NLP，机器学习，大数据等技术需求单一。真正的AI应该覆盖面更广，渗透到社会的每一个角路，造福社会大众。不过在中国，确实需要一些领军型的产业，这与国情有关。

现场提问：我很赞同徐老师说的现在的AI主要还在机器学习的阶段，很多学者认为真正的AI还需要知识推理，例如知识图谱。但我们国家目前在这方面还很不足。首先一个问题，未来的AI是否会集中在知识推理这一块，知识图谱会不会成为解决AI的一大技术点？第二点，作为一名入行就碰到AI迅猛发展的青年教师，科研压力大的同时也比较担心失业。比如现在有些优秀的教师在MOOC上录网课，造福成千上万个学生的同时也替代了其他老师的工作。那么我们这些老师应该如何发挥人类智能来保住职业呢？（中国地质大学 田甜）

悉尼科技大学 徐贯东:首先第一个问题，知识图谱并不一定是一个解决方案，知识图谱是希望人做自动推理，AI是希望机器创造智能。机器学习想要战胜人类是不太可能的。第二个问题，老师的授课被MOOC取代一部分，这是很正常的现象。比如，最新的深度学习，强化学习等知识，我们都是通过网络自己学习的。类似的，美国大学学生的出勤率也只有50%。我认为老师的作用在于和学生进行研究方法的互动，例如：怎么找到研究问题，怎么拔高研究问题，怎么写好文章。这个互动过程才是更重要的。

南昆士兰大学 陶晓辉:知识推理让人类从有知到无知，知识图谱和神经网络都来源于大脑的思维方式，模拟人脑的推理方式，来自动获取解决问题的方法。但我们对人脑的了解有限，人工智能的突破需要两个方面，首先是算力的突破，依赖于计算机体系结构的突破，例如量子计算机。第二是从数学上对人脑认知的突破，只有了解人脑工作的真正原理，AI才会有革命性的突破，这依赖于化学、生物对人脑工作方式的探索。关于MOOC，它并不是AI，AI不在于传播录像 而在于如何更有效地传递知识。MOOC的优势在于将已经创造好的课件传播的更远更有效，而AI是寻找能够使人们更有效地吸收知识的方式，所以AI不会取代教师这个职业。

现场提问：计算机体系结构例如冯•诺依曼，它的限制在于运算能力，那么应该如何解决呢？另一个问题，作为研一的新生，目前只是只是学算法，还有神经网络等，没有学到计算机的底层架构和硬件，这样是正确的吗？（武汉理工大学 何健）

华中科技大学 赵峰：首先，研究生和本科的学习是不一样的，每个研究生来源、背景、研究方向不一样，研究生的学习应该是一个自主学习的过程。每个学生在老师的指导下选择的课程是老师认为你这个研究方向上面应该了解的知识，不是所有的知识都需要学习，你需要自己判断，有些知识从课堂上学不到，就需要自学。其次，也可以在做科研项目的过程中学习，边做边学。关于第一个问题，冯•诺依曼这个体系架构是依次执行的，当数据量大、数据跨域时，这种模型可能就解决不了，需要底层的变化或者电子科学技术相关的工作，是一个系统的工程。

现场提问：国外人工智能的课程科目有哪些？如果未来在生物方面对大脑的研究有所突破，AI会不会发展的更好？下一阶段的发展状况会是怎样的？（武汉理工大学 何健）

悉尼科技大学 徐贯东：机器学习、模式识别、自然语言处理等其他人工智能前沿的科目，都是更强调实践能力的科目。举一个例子，之前接触过一个使用机器学习设计基础材料的项目，很难有实际性的进展，因为有许多功利性的现实问题需要考虑，基础材料的学者在做自己领域的研究，我们也在做自己领域的研究，双方没有实际的交流合作。因此，要想做到各个领域协同助力AI，我们需要无私奉献的精神。

南昆士兰大学 陶晓辉：应对市场需求，开设相应的课程。例如寻人网站seek.com就会给出人才的知识技能要求，这些技能就是我们开设的课程所需要教授的内容。这些科目全世界都大同小异，甚至中国开设的课程更全面。从未来发展方向来讲，我们一定能够完全理解大脑工作，但是任重道远。这依赖于各学科的合作及无私分享。我们应该做的就是知识储备，从AI这个角度进行突破，是否能跨越到其他领域呢，这是当然的。各个领域拿出各自的专业知识，协同合作才能得到突破。

科大讯飞研究院研究主管 李鑫：关于人工智能下一步发展如何，国家的定位很清楚，《国家重点研发计划人工智能2013》这个包已经发布，所有关于人工智能的问题都包含其中。《脑科学人类脑研究2013》也即将发布，可以看出类脑研究和人工智能是分开的。目前我们的团队有一个项目就是从上海外翻找大一新生进行同声传译，扫描脑电波，收集同声传译过程中的脑活动，分析大脑的思维过程，作相应的算法研究。     

经过2个小时的讨论，最后全体参会代表进行了合影留念。