1.张首晟在谷歌演讲: 量子计算, 人工智能与区块链;
本文据张首晟教授近日在谷歌的主题演讲整理而成.
以下为演讲全文:
谢谢各位前来. 我非常开心来到谷歌, 被Daya介绍同样无比的荣幸. 在此之前, 我们已经彼此交流了很久, 今天我想跟你们分享一些个人的看法.
关于未来信息技术内容, 包括: 量子计算, AI人工智能, 区块链. 特别是这三者的联系. 我相信目前学术界有很多学者已经在研究这几方面的内容, 但有机会能来参加此次学术会议我还是相当兴奋, 因为会议研究的主要内容是: 三者的内在联系.
首先跟大家分享一个 '古老的' 科学新发现.
多科学问题都对应着深刻的哲学问题, 我们存在于一个对立统一的世界中, 这个世界中有正数, 也有负数; 有借款也有贷款; 有阴也有阳; 有好人也有坏人; 天使也有魔鬼. 在现实生活中同样也存在着对应的道理.
1928年, 其中一位全世界最著名的理论物理学家-狄拉克保罗, 尝试将爱因斯坦相对论运用于量子力学. 在数学公式推导的过程中, 他遇到了不少的平方根计算. 随后回想到自己高中时期的平方根问题, 9的平方根不仅等于3, 因为3的平方等于9, 有-3的平方也等于9. 所以当你对一个正数开方时会同时得到一个正数和一个负数.
狄拉克对开方得出的负数相当不解, 这件事对迪拉克产生了深远的影响. 他预言世界上的所有物质, 都有正物质和反物质两种形态. 如今在威斯敏斯特教堂, 你依旧能找到保留完好的迪拉克公式手稿.
2012年获得的 '保罗狄拉克勋章' 是对我的研究工作最值得肯定. 就像我刚才讲的一样: 当你对一个数开方, 可以得到一正一负两个数字, 存在负数是宇宙的一大规律. 也就是说只要是宇宙中的物质, 就一定存在反粒子. 现在看来这是一个再正常不过的完美等式. 但在1928年, 那个没有反物质的年代, 提出这样的理论很不容易. 比如当时的人认为: 电子的反粒子是一种质量相等但带负电的粒子--质子, 虽然质子带的电荷与电子相反, 但它的质量却是电子的2000多倍所以那时根本没有人相信他.
但你们猜他说什么? 老子的公式如此超前, 你们这帮学渣还是先去练级吧. 人们确实去提升等级了. 狄拉克非常幸运, 五年之后, 在观测宇宙辐射的时候 (地球上很难观测到, 但宇宙中存在) , 科学家们捕捉到了反粒子, 并命名为正电子和电子质量相同但带电相反.
我觉得这是人类历史上一次伟大的假设. 前期假设很美好, 后期结果也很给力. 如今人类已经将反粒子应用于医疗方面, 比如著名的医学成像技术--正电子层析成像技术, 就是利用了反粒子的理论研究出来的. 好莱坞也有很多类似的电影题材, 比如大家所熟知的达芬奇密码的续集, 天使与魔鬼 (原著作者丹布朗, 主演汤姆汉克斯) 电影的高潮部分就是一段天使与魔鬼为争夺反物质而展开的史诗般战斗.
宇宙中到处可见反物质, 如果你拥有了反物质或者反粒子, 灭霸估计都难奈你何. 但这一切都是基于一个美好的推论上, 但人类的好奇心从未停止. 在狄拉克的伟大假设之后, 又有一位伟大的物理学家走入了我们的视野: 埃托马略安娜. 他提出了一个问题: 有没有一种物质不含反粒子, 或者有没有一种物质, 本身就是他自己的反物质. 他提出假设, 写下等式. 但这次他没有那么幸运, 没有人相信他, 没有人见过这个公式, 他本人也比较失望. 从那以后, 这个问题就成了基础科学中一个未解之谜.
我们有一个科学亟待解决问题列表. 比如在这个列表上有什么是上帝粒子和波色子? 好在在2012年日内瓦的一个实验室内上述问题有了答案. 再比如引力波, 它的提出人爱因斯坦就没有狄拉克这么幸运了. 100年后才被人们发现有引力波这种物质, 前两年才得到证实引力波的存在. 这就是那个神奇的列表反物质粒子也在其中. 而诸如什么物质的反物质是它本身这样的问题也就是玛丽安娜费米粒子问题, 一直在这个列表的最顶端.
也许寻找玛丽安娜费米粒子是科学家们最感兴趣的问题. 就像我刚才讲的一样. 玛丽安娜非常失望, 因为没有人相信他.
安娜是意大利人. 但他登上从纳皮尔开往巴勒莫的渡船后从此消失. 这是科学界的一个未解之谜. 从他消失到今年已经整整80年了, 不过告诉大家一个 '好消息' : 不仅他消失了, 他撰写的文献也没有找到. 这才是我今天的重点好嘛. 他当时是写下了推导的公式, 但是没有告诉任何人公式放置的地点. 这就是为什么我们花了80年去寻找它的原因, 但我们在斯坦福的科研小组提出了在哪里和怎样找到这些粒子?
2010年至2015年前, 我们小组撰写了三篇文献. 第一篇就是准确预测粒子的位置. 令我们吃惊的是该粒子并不在大型的粒子加速器中, 而在我们常见的一种半导体器件中. 之前我已经介绍过了, 我们小组十年前发现的一种物质, 学名叫拓扑绝缘体, 在这种绝缘体中放一些磁性的掺杂剂. 拓扑绝缘体的材料是一些普通的绝缘体, 而磁性掺杂剂是铬这种物质. 这样在两种物体的表面, 就会形成一个超导体. 我们认为在这种条件下, 能够捕捉到玛丽安娜费米粒子但仅仅这样还远远不够. 我们不仅要找出粒子存在的位置, 还需要找到需要测量的物理量, 好在常识帮到了我们. 一般情况下, 粒子都有两面性, 像硬币的两面, 有正面, 有反面, 有正粒子, 有反粒子. 但是玛丽安娜费米粒子只存在一种粒子: 只有正粒子, 没有负粒子. 他就是传说中的半粒子所以这个半粒子的概念, 将会在我接下来的量子计算演讲中异常重要.
好了, 不管怎样, 玛丽安娜费米粒子是普通粒子的半粒子对于普通粒子都会存在一定的电导率或导电率. 这种电导率一般都能被量子能极化, 表现出零级一级二级等能级普通粒子的能级是离散的整数. 所以, 如果玛丽安娜费米粒子半粒子那么它表现出的能级特征应该是普通等级的1/2能级3/2能级. 所以在半粒子这个系统中, 你能够测量导电率, 但一定要在半能级的位置进行测量.
去年在与加州大学加州洛杉矶分校的同事合作中, 他们将我们提出的理论模型变为现实. 在理论研究的基础上, 测量了玛丽安娜费粒子的能量. 在一二这种整数能级的中间会有1/2这样的半能级. 1/2能级就是玛丽安娜费米粒子为半粒子的关键证据, 普通粒子整数能级. 玛丽安娜费米粒子半步能级去年《科学》杂志将该成果刊登后, 我们好好庆祝了一番.
在那个激动的时刻, 我又想起了曾经看过的电影--天使与魔鬼. 我觉得我们在天堂只找到了天使, 并没有找到魔鬼, 所以我们称该粒子为天使粒子. 所以说了这么多, 到底有什么用? 传统的计算机已经相当强大, 但他们擅长的东西并不全面. 我给两个超大的数字让计算机做加法, 他秒秒钟就算出来了. 例如谷歌云, 他算得超级快. 但如果给计算机一个数字, 让她产生两个相关的数字. 比如15等于5×3, 但11就不能. 你可能说11等于1×11, 但是没有意义. 如果给一个超级超级超级大的数字, 它分解成两个相关的数字, 像分解15一样, 或者像11不能分解, 传统的计算机怕是要蒙圈了. 唯一的办法就是进行海量的搜索, 从2开始一直搜索下去, 到永远.
所以计算机运行的最大问题是什么? 像谷歌云这样的计算, 本质就是一个寻找最优解的过程. 当机器寻找最优解时就会搜索所有的可能性, 包括寻找最短路径等方式. 这个过程都要花费大量的时间做最优化搜索, 这会消耗大量的时间. 这就是为什么计算机还需要不断更新迭代的原因?
让我们进入到量子世界看看, 量子世界的秘密是什么? 假设屏幕上有一对双缝, 我用一把普通的手枪分别射击双缝子弹. 要么通过左边, 要么通过右边的缝隙. 在屏幕后方你将看到两个弹痕, 左右各一个. 但如果你尝试通过双缝射击两个基本粒子, 情况就不一样了. 背后看到的不是左右两个弹痕, 而是一副复杂的干涉图样. 当两个粒子同时穿过双缝, 干涉图样产生, 他同时穿过左右两个缝隙. 如果不是同时穿过, 干涉则不能产生. 所以量子世界就是一个平行的世界: 两个粒子同一时间同时穿过两个缝隙.
很多人就在思考刚才的问题. 传统计算机解决复杂问题的能力, 也许可以使用一台量子计算机, 同一时间同时搜索所有可能的答案. 也就是说, 理论上, 计算机可以同时搜索所有的可能答案, 然后立马给你计算答案, 能够这样迅速的提高计算机的计算能力, 想想就好兴奋呢!
我接下来跟大家分享一下人工智能, 人工智能也是一个基本概念, 60年代就已经提出来. 之所以今天人工智能能够有突飞猛进的发展, 主要是三个大的潮流的汇总. 根据摩尔定律的迭代, 每过18个月能够翻倍, 如果用量子计算的话, 不只是按摩尔定律18个月翻倍, 而是完全从量变到质变的, 我们的计算能力在不断增长, 和过去40年差不多. 另外互联网和物联网的产生, 造成大量的大数据, 大数据又是帮机器能够真正学习, 再好的算法, 再powerful的计算机没有数据的话不能达成最佳的人工智能, 另外也有智能算法的发现, 并且有突飞猛进的变化.
但是整个人工智能, 大家虽然看到它突飞猛进在改变, 但是我觉得还是处在非常早期, 它今后的前景还是非常广阔. 为什么这么讲呢? 做一个简单的类比, 比如我们曾经看到鸟飞, 人也非常想飞, 但是早期学习飞行只是简单的仿生, 我们在自己的手臂上绑上翅膀. 但这是简单的仿生, 但真正达到飞行的境界是由于我们理解了飞行的第一性原理就是空气动力学, 有了数学原理和数学方程之后就可以人为设计最佳的飞行, 就是现在的飞机飞得又高又快又好, 但是并不像鸟, 这是非常核心的一点. 可能现在人工智能是在简单地模仿人的神经元, 但是我们更应该思考的, 在这里面有一个基础科学重大突破的机会, 就是我们真正去理解那个智慧和智能的基本原理, 基本的数学原理, 这样真正能够使人工智能有突飞猛进的变化.
另外大家经常问的到底用什么样的判据能够真正衡量人工智能达到人的标准? 大家可能听说过图灵测试, 图灵测试是说人跟机器对话, 但是我们不知道大在背面到底是人还是机器. 整个对话的过程中, 你如果花了一天的时间根本感觉不出来, 那就是说机器人好像已经达到人的水平. 我是不太赞同, 虽然图灵是一个伟大的计算机科学家, 但是我并不赞同这个判决. 人也是进化的过程, 人的很多情感并不是理性的情感, 要让一个理性的机器学一个非理性的人的大脑可能并不是那么容易, 比如你可能故意激怒机器人的话, 说不定它也不怎么会理你.
所以我想提出一个新的判据, 机器怎么说哪一天真正超越人的智力? 人最伟大的一点就是我们能够做科学的发现, 最好的判据就是哪一天机器人真能够做科学的发现, 人更好地知道科学发现, 那一天机器就超过人了.
最近我在人工智能里面写了一篇文章, 将会在美国的科学院杂志上发表, 题目叫 'Atom2Vec' , 人类最伟大的科学发现之一, 有相对论, 量子力学, 在化学里面最伟大的发现就是元素周期表的发现. 今天的机器假定我们根本不知道元素周期表这件事情, 今天的机器在没有任何辅导的情况下, 他自己能不能自动发现元素周期表? 我们输入的就是所有存在的科学元素的名字, 把这些化合物的名字输入这个算法里面, 结果这个机器自然地发现了元素周期表, 它可以做出人类认为最伟大的科学发现. 然后我们这个程序可以帮助我们发现新药, 也可以用机器学习的办法发现新的材料.
接下来我会再跟大家分享我最后一个题目区块链, 人工智能在突飞猛进发展, 但是人工智能最缺少的是数据, 恰恰今天数据是处在完全中心垄断的状态里面, 不能帮助机器合理地学习. 大家听说在一个星期之前Facebook很多个人的数据被盗一样, 至少在没有被允许下就用. 在今天的世界个人会产生出很多的数据, 个人的基因数据, 医疗数据, 教育数据, 行为数据等. 但是很多这些数据都是掌握在中心机构里面, 没有达到真正的去中心化. 但是区块链的产生就是能够产生一个数据市场. 所以我理想的世界, 未来每人拥有自己所有的数据, 这是完全去中心化的储存, 这样黑客也不可能黑每个人的数据. 然后用一些加密的算法在区块链上真正能够达到既保护个人的隐私, 又能够做出良好的计算.
所以我把今后区块链的整个理念用一句话来描写, 叫 'In Math we trust' , 我们的信念建筑在数学上. 这张表大家应该记得, 我看到很多人在照相, 某一天它肯定会为整个区块链和整个IT领域里面最基础的, 它既是最基础的数学, 又是能导致数据市场里面保护个人隐私, 又能够做出合理的统计性的计算. 比如有一种非常神奇的计算方法叫零知识证明, 它能够向你证明我的数据是非常有价值的, 但是又不告诉你真正隐私的数据在哪.
我今天报告的题目主要是有一个核心的理念, 就是要使得IT真正能够发展, 既需要物理学, 又需要数学. 深圳在应用方面做得不错, 但是由于大学还不是在全世界范围里面最领先的大学, 但是我建议最核心的投资, 这一类的数学和物理, 跟IT领域真正有紧密的联系.
有了区块链之后, 这个数据市场的产生, 我们也真正能够使得社会变得更加公平, 我们现在社会最大的不公平是我们容易歧视一些少数派. 但是在机器学习的过程中最需要的就是那些少数派所拥有的数据. 如果今天机器学习的精准率达到90%了, 我要使90%达到99%, 它需要的不是已经学过的数据, 而是跟以前最不一样的数据. 往往是少数派拥有的数据对机器学习来讲是最有价值的. 一旦我们建筑在区块链的基础上, 再加上这些奇妙的数学算法之后, 我们就能够真正达到数据市场, 在这个数据市场里面, 这些少数派所拥有的数据是最可贵的. 这样的话我们真正能够把一个丑小鸭变成一个美天鹅, 因为丑小鸭并不是丑, 只是跟别人不一样而已, 在这个世界里面真正达成区块链和人工智能互相共存的世界理念, 它们是会最有价值的.
整个区块链, 大家对它的认识还不是最根本的第一性原理的认识. 用最基本的物理学原理来讲, 达到共识就是大家都同意同一个账本, 就相当于在物理学里面, 比如磁铁本来是杂乱无章的, 但是到了铁磁态里面它们指向的方向都是同一样的. 所以达到共识在自然世界里面有, 在今天的人文世界里面也有. 但这种现象是叫熵减的现象, 达到共识, 大家都朝一个方向的话, 这个状态的熵是远远比杂乱无章的熵要小. 达到这个共识是非常难的, 因为熵总是在增的, 今天你要把它减是很难的事情. 在区块链上能达到一个共识系统都是用一种算法, 在这上面是需要消耗能量. 大家可能一开始不太理解为什么这件事情听起来不合理, 一些账户为什么要耗费能量. 从物理学第二定理来讲, 这是非常合理的一件事情, 因为达到共识本身是熵减, 但整个世界的熵一定要增加, 所以在达到共识的同时一定要把另外一些熵排除出去. 这种没有中心化的机制跟自然世界里面磁铁从杂乱无章的状态达到有序的铁磁状态非常相像, 这付出的代价也是必然的趋势.
我在这里跟大家分享, 我除了做斯坦福大学教授之外, 也是丹华资本创办人, 我们主要的核心理念就是要把今天最前沿的科技和投资要紧密联系起来, 要用第一性原理的思维方式来理解今天的世界.
我另外想讲的是我是来自学界, 我们在整个人工智能领域里面需要做两个大的桥梁, 一个是要学界和产业界做紧密的联系, 在学界有最好的物理, 最好的数学和算法的发现和发明. 在今年1月8日, 我非常荣幸在人民代表大会堂受到习总书记给我授予的中华人民共和国国际科技合作奖. 我们整个世界科学是最无止境, 最没有国界的, 科学能真正把人类带到超越国界的, 今天我们所要解决的人工智能, 量子计算都是整个人类的问题. 所以我们一定要把我们的眼光不要放在自己的局部, 而是放眼整个全球和整个世界. 在这个过程中, 中国也是一个非常大的机遇, 大家都想回答的问题, 我们中国除了把应用科技做得好, 能不能在中国有真正原创科技的产生. 我今天跟大家介绍的这些都是最基本的物理和最基本的数学原理, 我们这方面能够做好的话, 而且这些原理听起来比较抽象, 比如熵增原理, 正负电子. 但是在最基本的层次上, 这是我们今天这个世界的奇妙, 它真正能够给整个IT行业提供最基本的科学技术发展的前景. 谢谢大家.
需要我回答一些问题吗?
'所以你提到共识, 以及工作证明系统取得共识, 通过分散以及通过增加统一性. '
'是的. '
'那它在空间统一系统怎么取得呢? '
'好的, 事实上我认为在最后总会有些权衡. 我认为区块链和那些密码货币的未来, 会和我们现在的世界有类似. 现在的世界会有M0,M1,M2,不同层次, 所以我认为最基本的那一层. 全球通货币应该完全处在工作证明的基础上. 因为之后你倾倒的统一性, 是完全透明的. 不仅仅是因为它必须在那儿, 但它也必须完全是透明的. 我认为最基本最根本的那一层, 状态证明不会有用, 因为有太多勾结的可能性了. 你会丢失一些链接的东西, 但也得到一些未链接的东西, 会出现受贿行为, 所以我认为区块链世界最令人激动的东西.
就是在最根本的那一层, 存在着完全客观的东西, 而且只和真实世界连接,也就是能量. 不和状态证明连接, 不然就会充斥着人类的不合理. 但我可以想象, 在更高层它们会有用, 但在最基本的层面. M1或M0这种的需要完全稳固的状态
所以我还是认为工作证明, 或者还有另一种方法叫做空间时间证明, 空间证明. 以容量为基础, 我认为它也是一种可量化的物理资源, 我认为那是最不应该被包含的人类的东西, 但也许它是被包含最多的.
我通常认为量子计算对于人工智能来说是一种有用的搜索算法, 所以人工智能最有趣的方法之一. 所以我不是说这三种趋势必须永远在一起运作, 实际上它们可以通过竞争达到进步.
所以一方面量子计算和区块链在互相竞争, 因为克里托编码算法可能会被康普顿击破. 但另一方面我也看到, 康普顿可以帮助人工智能做最高效的搜索, 这也是人工智能需要去做的. 所以这个关系很像我们生态环境中的共生关系.
我们不能用人类的想法来假设, 它们永远会做相同的事. 我认为在竞争的过程中, 它们都会变得更强. '
'您提到全球性货币或M0或1, 我很好奇, 我知道您是一位理论物理学家, 但在执行过程中, 或拿iPhone举例: 我的iPhone7, 碰到了iPhone6, 碰到了iPhone5, 但有一个金属层的共识需要被达到, 那我实际上就和这个分散的系统达成一致. '
'对. '
'目前在密码术中有许多碎片池, 流动性的举证未被引用. 所以您是如何在我们现在所处的缺口上搭建桥梁的? '
'举个例子, 比特币区块链和闪电网络之间的关系, 非常适合M1 M2的框架, 所以基本来说区块链在工作证明下是完全客观的, 所以它试图在党派间达到最普世的共识. 党派互相间完全不认识, 但依旧需要谈判和交流, 但当你真正考虑商业事务时, 也许我们两个在过去十年已经作为合作伙伴合作愉快了, 那我们何必依旧当对方是陌生人一样对待呢? 所以我们能做的是步入彼此的状态频道, 将我们的克拉多放在区块链上, 但我们依旧做着非常非常快的交易, 但我们依旧每月挑一次担子. 我认为这就像M0,M1,M2之间的关系, 闪电和比特币之间的关系, 就像M0和M1的关系.
所以当你每上一层, 稳固会减少, 效率会提高, 但权衡来自我们的历史, 我们已经有了信任的历史了, 所以如果你有商业伙伴, 他们彼此熟悉, 他们完全不需要使用最大众的稳固层. 他们可以构建更高的层面, 牺牲掉一些普遍性, 但是换来的是效率的提高. '
'我有一个关于天使粒子的问题'
'好的. '
'天使粒子不是阳性的? '
'对, 它是比特的一半. '
'听起来像是实际领域中的认证元素, 当面临自己的问题...'
'不, 在更精确的类比中它像一串复杂的数字可以被表达成两个真实的数字, 所以复杂的数字就像粒子复杂成对的就像反素粒子. 如果你有真实的数字, 复杂成对的就和它自己一样, 所以天使粒子更像是一个真实的数字. '
'我明白了. 我们认为这就是阴阳对比. '
'阴阳, 对. '
'那什么会是中间要素,什么会是天使...? '
'我认为类比仅仅是说, 这儿有一个即将到来的量子比特, 但是实际的计算, 在你做实际计算之前, 你在分裂它们, 但通过分裂, 它们已经是非局部的了, 它们缠在一起, 但经典干扰物不是混乱的, 所以无法用经典干扰物除掉它. 这就是为什么拓扑量子计算机会这么稳定. '
'是的. '
'好的, 所以将您演讲的几个主题结合起来: 如果你能够管理量子计算机的能量, 然后如果我们能够安全管理我们的数据, 通过隐私加密的方式能够分享数据. '
'对的. '
'我想知道你怎么看待谷歌的未来? 因为这像个真实存在的威胁. 如果任何人可以黑进一个做高效搜索运算的量子计算机. '
'是的. '
'然后他们就可以控制任何人的数据. '
'我认为唯一的方法是不要抵制改变, 而要拥抱改变. '
'对的. '
'所以你怎么看谷歌在未来世界掌握这个技术? '
'事实上我有一个答案: 所以事实上, 我们可以进行以下的构想. 举个例子, 我的个人数据, 我希望以安全的方式储存它, 但依旧可以做一些运算. 我们知道谷歌云盘在和亚马逊云盘竞争, 所以我们能做的是, 在亚马逊云盘储存完全随机的数字, 但在谷歌云盘我储存我的个人信息, 加上我在亚马逊云盘储存的随机信息, 所以如果我无法预测这两个竞争得很激烈的实体不会有勾结, 他们不可能进行信息交换, 那你就可以用多方安全计算的制度来做计算. 在不泄漏任何细节的情况下得到一个计算结果, 所以在这个世界上,集中实体依旧有用. 但为了让它可行, 你必须假设双方在竞争, 而不是勾结. '
'你好, 我觉得术语统一性的运用很有趣. 因为它似乎是个神秘的东西, 但同时也很有价值. 在热力学中你可以在经典热力学中拥有对数, 然后你就有了具有统一性的信息理论, 然后你用能量做了类比, 这让我想起一些免费能量. '
'对, 确实是这样. 我认为区块链世界确实从中提取了一些免费能量, 所以你基本上得到了一些东西, 但不管你得到了什么能量的总量, 有用的数量, 你使用的能量减去你必须浪费的统一性. 所以今天你依旧能看到好多白人, 他们宣称要创造奇迹, 这类白人让我想起了十八世纪时对于永动机的追求.
'我想知道你能够进一步推测类比, 你需要一个温度来让它运作. '
'对对对. 事实上温度出现得非常自然, 当你有一个节省的数量, 比如能量守恒时, 温度概念自然就出现了. 因为无论何时你有一个随机却节约的系统, 这是最普通的, 被称为玻尔兹曼分布. 所以温度的引进很自然, 但我为什么对这个这么兴奋, 是因为这是我第一次看到社会科学和自然科学的汇合, 它为社会科学世界提供了依靠, 所以我认为M0,M1,M2, 作为基础船锚.
现在进入了自然科学, 我们能精确地看到统一性, 它被浪费了. 所以我们能知道为什么它达到了共识, 然后你在它的基础上构建更多人类的东西. 但最基本的层面, 现在是社会和自然科学间的共识, 从根本上减少了能量, 统一性和信息. '
'非常感谢您花这么多时间. 我认为在你的演讲中, 你在说: 你会看到一个区块链的第一层, 然后更多层面在此基础上构建, 所以你觉得五花八门的项目和公司正在试图构建他们自己的区块链, 这和你的演讲有什么关联? '
'我认为, 你提供了一些独特的东西. 所以比特币, 区块链和定理差别很大, 所以由于作为信任的基础层, 你不会想要普世的图灵机. 因为也许它会被黑, 但你要在它的基础上做更多的处理, 然后如果定理看起来更自然, 所以区块链世界的演变, 会和生物物种进化很像. 你看到分支, 不同的物种, 如果他们分叉够久, 也许他们就变成了不同的物种, 但永远有最基础的东西. 所有生物都是由细胞组成的, 所以这种基本的契约不会改变. 但对于组织来说, 不同的生物体由不同细胞组成的不同组织体, 那就有可能改变. '
'好的. 感谢您的讲解. '
'我的问题是: 您觉得量子计算什么时候能被实际应用? 在您的发现和研究出来之后, 然后当它被实际应用时, 你觉得它会只被特定的大公司掌握? '
'好的好的. 我认为量子计算研究, 最理想化的话应该开放使用. 我认为, 让我声明一下: 我知道很多公司都在尝试, 但是公司化的基本要义, 是他们要保护股东的利益, 他们要保护他们的秘密, 但是对于这种能量巨大的, 且对于人类影响一无所知的东西来说, 我认为它最好在公开的大学研究中进行, , 而这也是我正在做的.
所以我处理量子计算机的方法, 有非常非常多的公司试图加入我的量子计算机研究, 但我反对这个. '
'您对于量子计算机的运用有什么预测呢? '
'包含还是不包含我的发明? 我认为如果你用这种方法尝试, 会花很多很多时间, 你能够想象吗? 你需要七十个比特来服务一个有用的比特, 我认为不值得. 但用这种方法, 就值得. '
'好的我觉得我们快结束了, 我问最后一个问题: 关于你的天使费米子, 它改变了量子计算的任何其他要求吗, 比如绝对零度? '
'不不不不, 它依旧运行, 大部分时候在低温运行, 可惜的是我们的方法可以在室温运行, 如果发现了能在室温运行的超导体. 如果真的有实质性的改进, 我们可以把它降到低温. '
'好的非常感谢, 张教授. ' 凤凰网科技
2.教育部: 71所高校已设置人工智能相关学科;
新华社杭州6月8日电 (记者 余靖静) 教育部近日印发《高等学校人工智能创新行动计划》, 提出中国高校要分 '三步走' , 2030年成为建设世界主要人工智能创新中心的核心力量和人才高地.
教育部8日在位于杭州的浙江大学召开新闻发布会, 解读《高等学校人工智能创新行动计划》 (以下简称 '《行动计划》' ) . 教育部科学技术司司长雷朝滋说, 高校要聚焦并加强新一代人工智能的基础研究和核心关键技术研究, 其重点集中在大数据驱动知识学习, 跨媒体协同处理, 人机协同增强智能, 群体集成智能, 自主智能系统等方向.
雷朝滋说, 根据《行动计划》, 高校人工智能发展将分 '三步走' : 一是到2020年, 基本完成适应新一代人工智能发展的高校科技创新体系和学科体系的优化布局; 二是到2025年, 高校在新一代人工智能领域科技创新能力和人才培养质量显著提升, 取得一批具有国际重要影响的原创成果, 有效支撑我国产业升级, 经济转型和智能社会建设; 三是到2030年, 高校成为建设世界主要人工智能创新中心的核心力量和引领新一代人工智能发展的人才高地, 为我国跻身创新型国家前列提供科技支撑和人才保障.
《行动计划》同时提出 '实施 '人工智能+' 行动' , 支持高校在智能教育, 智能制造, 智能医疗, 智能城市, 智能农业, 智能金融, 智能司法和国防安全等领域开展技术转移和成果转化, 特别要推动智能教育发展.
'人工智能是引领未来的战略性技术, 一定要切实认识和把握人工智能发展的新机遇. ' 中国工程院院士, 中国工程院原常务副院长潘云鹤说, 教育部和工程院即将开展智能教育领域的咨询项目, 对未来教育范式变革提供咨询建议. 基于大数据智能的个性化教育, 跨媒体学习, 终身学习等, 将推动教育目标和理念的改变, 乃至整个教育体系的改革创新.
据了解, 教育部目前已同意并支持浙江大学建设人工智能协同创新中心, 加快建成我国人工智能领域科技创新和人才培养的高地. 浙江大学校长吴朝晖说, 浙江大学将聚焦机器学习算法, 大数据智能, 跨媒体感知计算, 混合增强智能, 人机协同智能等重大科学前沿问题, 加速构筑人工智能先发优势, 服务国家战略需求.
据介绍, 截至2017年12月, 全国共有71所高校围绕人工智能领域设置了86个二级学科或交叉学科. 教育部2018年认定首批612个 '新工科' 研究与实践项目, 其中布局建设了57个人工智能类项目.
3.华映资本季薇: 2018是一个没有风口的投资期;
6月9日, 2018年华映资本年度大会在上海召开, 投资人, 被投企业代表, 行业专家及华映资本创始管理合伙人季薇, 合伙人刘献明等高管共同出席了论坛会议, 分享华映九年的投资历程.
作为中国最早的文化产业基金, 华映较早看准了文化+消费, 科技+产业等融合商业模式, 并全面开启 '内容+' 布局, 目前是文化领域的 '头部投资厂牌' .
本次大会以 '理想三旬' 为主题, 消费, 文娱, 内容等多行业被投企业就各自领域进行分享. 华映资本合伙人刘献明表示, 在流量红利时代基本结束的时候, 数据将成为第一生产资料, 技术创新是驱动下一轮商业变革最大的一个引擎.
通过《华映资本年度投资运营报告》, 华映资本创始管理合伙人季薇对如何寻找确信价值, 抓住兼具能力与雄心的优质创业项目进行了解答.
季薇表示, 过去的一年中, 风口频现, 过度 '纷繁' 的热点难成趋势, 2018年又是金融监管的大年, 《资管新规》出台对于资金会有很多约束与界定. 但从数据上来看, 2018年Q1的投资又创新高. 这是由于资金资源在朝头部的项目靠拢, 1%的投资案例占据了30%的投资金额.
文娱, 消费领域的投资需要长期经营品牌, 无法一蹴而就, 并不是风口型的投资; 逐渐火热的人工智能, 区块链在长时间发展之后, 逐渐在安防, 金融, 零售等行业有了较多应用和项目落地, 但这些热点也需要长期培养, 长期的市场进步才能够促其成长.
基于此, 季薇表示, 华映资本认为现在是一个没有风口的投资期, 同时也是资本能够青睐长线, 价值回归机会的时代.
季薇预测, 未来十年中国将迎来品牌崛起的黄金十年. 无论从消费者角度, 创业团队的成熟度, 还是从基础设施, 上游生产, 供应链到下游支付, 物流基础, 都已经非常完备, 品牌市场已经到达了快速爆发的阶段.
她强调, 华映坚持的两大投资驱动力在于用户需求的变化升级与技术的创新变迁. 专业能力, 攒局能力与运营能力是华映着重养成的三大核心竞争力.
此外, 大会现场, 季薇分享了她在创投领域的信念: '如果创业是一段60个月波澜壮阔的旅程, 那么很可能是前59个月的 '波澜' , 1个月的 '壮阔' , 坚持走到最后的企业才可能迎来曙光' .
2008年成立至今, 华映资本累计投资近150家企业, 已成功上市或并购退出项目20余个. 被投项目中, 发生后续轮融资的案例超100例, 其中26家估值超5亿元, 近2/3被投企业确认完成后续轮融资, 合计融资金额超60亿. 界面
4.俄罗斯人工智能预测: 2018世界杯德国夺冠, 俄罗斯难出线;
中新网6月9日消息, 据俄罗斯卫星网报道, 俄罗斯彼尔姆国立研究大学消息, 该校学生制造出的人工智能(AI)预测德国队将在2018年世界杯中夺冠.
5.AI医疗迎来中国时代
AI医疗迎来中国时代
来源: 经济观察报
倪浩
人工智能的未来是医疗, 而中国有世界级命题. 命题决定科学工作的高度, 强烈的需求能够助推技术的发展. 出身医学又转型做计算机, 拥有交叉学科背景的倪浩很清楚, 医疗行业需要人工智能, 而中国场景的潜力巨大.
2017年1-11月, 全国医疗机构门急诊量超73亿, 平均每天就诊人次超2100万, 且仍处于持续增长中. 加上优质医疗资源分布不均, 区域医疗水平发展差异大, 只有以人工智能赋能医疗机构, 进一步提升顶级医疗机构运行效率, 放大优质医疗资源服务能力, 提升基层医疗机构诊疗水平, 推进疾病诊疗均质化, 才能够实现 '共同富裕, 全民健康' 的发展目标.
中国AI医疗的世界级命题
目前, 医疗人工智能相关公司大致可分成三类. 第一类是如腾讯, 阿里的互联网公司; 第二类是如飞利浦, 西门子的跨国公司; 第三类是信息系统起家的厂家. 但依图想做的医疗和这三类公司都不同.
企业若是以平台化思维做医疗, 例如将医院的数据收集起来, 用户把片子上传到云端获得结果, 这样的做法和临床结合并不多. 但依图强调的用户体验, 是如何让用户秒级得到系统的响应结果, 显然平台化的做法不能实现这个目标.
而跨国企业就涉及环境的差异性. 美国作为全球样板市场, 医疗国际巨头顶尖的研发人员大多在美国. 而如今, 中国企业发展医疗人工智能的优势在于, 中美医疗行业的差异本身就决定中国对于医疗人工智能的需求比美国强烈得多.
第一, 美国医疗水平不平衡不充分的问题比较弱. 医生间的差异很小, 基本都要接受15年以上的教育, 且全科医生体系发达, 地区间, 城乡间医疗水平的差异, 不像中国县级医院的医生跟上海三甲医院医生的差距那么大. 而且美国医生尊崇临床医学指南, 诊疗规范性较高, 医疗服务均质化较好, 中国这方面有差距.
第二, 美国对医疗人工智能的需求不如中国迫切. 据世界银行数据, 2015年中国卫生总支出占GDP的6%, 而美国常年维持在17%以上. 美国2015年的GDP是17.4万亿美元, 折算成人民币, 3亿多人花掉了20万亿人民币的医疗费. 而当年中国14亿人在医疗上花费了4万亿. 不可否认的是, 中国政府对医疗卫生投入在持续增长, 但差距可观. 美国整体医疗资源投入本就较充分, 对利用人工智能来解决问题的需求显得没有那么迫切.
第三, 美国发展医疗人工智能的人力成本相对高. 医疗人工智能必须跟医疗领域的专家协同合作, 而美国医生是社会收入金字塔尖的人群, 平均年薪超过25万美元. 反观计算机从业者只有8万美金, 技术公司很难请得起大量高水平的医生一起开发产品.
因此, 中国医疗行业有世界级的命题. 无论是从技术还是临床, 应用的深度和广度来看, 中国医疗人工智能已经走在世界前列. 其最大的优势来源于国家蓬勃的发展速度, 加之人工智能被提升到国家战略高度, 而不仅是被当做一个应用创新. 以从业者的角度来看, 医疗人工智能的中国时代一定会出现.
AI医疗的触手
现阶段中国社会发展不平衡不充分的问题, 同样反映在医疗领域.
以肿瘤领域为例, 国家正大力鼓励肿瘤高危人群进行早期癌症筛查. 但无法迅速增长的医院容量, 满足不了政策推动之后带来的大量需求, 因此出现医生资源不足的问题. 此外, 三甲医院和基层医院, 存在医生水平, 设备水平等综合实力差距大的问题, 经常会发生一些假阳性的案例. 如某患者在基层医院检查, 得出了癌症的结论, 但到顶级三甲医院检查后的结论可能完全不一样. 不平衡和不充分的问题同样发生在儿科领域. 儿科医生资源的匮乏导致很多医院取消儿科, 或是临时调配其它科室医生. 当年在医学院求学, 几乎没人愿意选择儿科.
依图是最早进行医疗人工智能布局的企业之一, 在挑选方向时有两个着重点, 一是看医疗领域需求有多高, 二是看临床的价值有多大. 依图选择了肿瘤, 心脑血管疾病和儿科, 这也是目前对人工智能需求最强的三个领域.
从2016年进军医疗至今, 依图的思路发生过一个转变. 最初选择的是肺癌筛查环节, 当筛查环节做得比较好之后, 便开始思考是否能够在其它环节进行复制. 例如验血或拍片之后, 医生需要给出一个具体的结论, 这个环节里, 医生们得出结论的差距更明显. 不仅如此, 临床对于人工智能的需求同样巨大. 因此依图的思路从原来服务于放射科, 超声科, 检验科等科室, 转变为布局服务临床科室, 给呼吸科, 肝胆科, 肿瘤内科的医生们提供人工智能的产品. 此外, 依图还将 '城市辐射农村' , 之前在顶级医院落地, 今年会把系统往基层推.
AI医疗大数据
正是基于对行业深入地认知, 依图才经常提到 '谈算法是外行的表现, 内行都谈标准和数据' . 而对于数据的理解和处理是依图能把人工智能落地临床的核心竞争力.
将医疗大数据理解通透最基础也最重要. 并不是说, 把各处医疗数据集中起来就叫医疗大数据, 这样只能成为 '医疗数据大' . 大数据的本质是支持从中进行数据的挖掘和洞察.
对于诸如临床数据, 人口健康数据, 公共卫生数据等纷繁复杂的健康数据, 人工智能可以发挥其强大的复杂文本数据解析能力, 医学影像数据的降维与结构化能力, 质量分析与控制的提纯能力, 多样化治理的数据标准化能力.
摘出米饭中的沙子, 洗净菜叶上的灰尘, 以合适的温度, 高超的厨艺, 将杂乱无章的数据原料荟萃成一桌井然有序, 赏心悦目的医疗大数据盛宴.
当医疗大数据被理解并做到可用层面, 下一步就将建立迅速的复制能力, 一类病种的开发产品能够迁移到另一类病种中, 加快开发速度.
依图一直希望国家能够成立健康大数据联盟, 打通医疗大数据. 尽管中国在2010年之后已发展出了电子病历, 每个患者都可以在医院里查到自己的病例. 但最大的问题是没有打通, 在这家医院看的病都能查到, 换一家就不行.
打通数据需要将数据进行集中存储. 现在, 贵州有一个数据交易所, 如果交易所能够开放卫计委的脱敏数据, 如贵州地区肺癌发病人群的数量, 区域分布, 病情进展等, 这将助益医疗大数据的研究.
在完成对于数据的解析和处理后, 人工智能还将发挥强大的场景化应用构建能力, 如全维度的临床科研数据制备, 诊疗标准化程度的提升, 中基层医疗供给的扩大等, 不断提升医疗机构的临床服务和科研能力, 最终建设成为智能医院.
(作者系依图医疗总裁, 本报记者陈伊凡整理)
链接
作为独角兽企业, 成立于
2012年的依图科技, 其人
工智能技术已服务于医疗健康, 城市公共安全, 金融等众多领域. 2016年, 依图科技进军医疗, 成为唯一一家布局医疗的人工